|
|
|
写给每天都在用 AI、却不太了解它从哪里来的人 今天，中国的生成式 AI 用户已经超过 7 亿，普及率过半（中国互联网络信息中心，2026 年 9 月）。很多人是在不知不觉间，把它变成了每天打开的工具。
但它不是昨天才出现的。要看懂今天的热闹，得把时间拨回很远：先有一个梦，然后等了几百年才等到机器，又等了几十年才等到足够的“力气”。
一、先有梦想，后有机器
人类想象“会思考的机器”，比计算机早得多。希腊神话、中世纪的自动机，还有中国古代“偃师造人”的传说，讲的都是这个梦。
17 世纪，这个梦第一次有了数学的影子。莱布尼茨改进了计算机器，还设想过一种通用的推理演算，让争论可以由机械来裁决；他在 1703 年提出的二进制，后来成了所有计算机的基础。到了 19 世纪，布尔发展出二进制代数，试图用符号表示“思维的规律”。
二、设想有了，机器还没有
1834 到 1837 年间，巴贝奇设计了分析机，洛夫莱斯为它写出算法，被认为是第一位程序员。但这台机器因资金、政治和法律等原因，始终没有真正造出来。
这是整个故事里第一次出现“想法跑在工具前面”。它之后还会再出现两次。
三、计算机出现，AI 才有了落脚的地方
1936 年，图灵的论文奠定了可计算性的理论基础，那时机器还只存在于纸上。接下来的十几年，事情接连发生：
- 1943 年，麦卡洛克和皮茨提出第一个人工神经元的数学模型。
- 1945 年，冯·诺依曼写下今天仍在沿用的计算机基本架构；同年前后，ENIAC 问世，被视为第一台通用的全电子可编程计算机。
- 1950 年，图灵在已经有计算机的年代发问：机器能思考吗？
- 1951 年，明斯基等人造出只有 40 个神经元的网络 SNARC。
- 1956 年，达特茅斯研讨会正式把这个领域命名为“人工智能”。据当年的提案，他们的出发点是一个假设：学习的每个方面、智能的任何特征，原则上都可以被精确描述，从而让机器去模拟。
所以更准确地说，AI 不是从图灵开始的。先有想法，后有机器，最后才有这个名字。
四、两次寒冬：期望跑在能力前面
早期的研究者信心十足，提出了一些不切实际的目标。接连的失败，比如机器翻译闹出笑话，让这个领域陷入低谷。
于是有了两次“AI 寒冬”，分别在 1974 到 1980 年和 1987 到 1993 年，中间隔着 1980 年代“专家系统”的一波热潮。资金撤走，研究者转行，“人工智能”一度成了不太体面的词。
这段历史的教训很朴素：不是技术没用，而是承诺说得比能做到的多。
五、神经网络等了半个多世纪的“力气”
神经元的数学模型 1943 年就有了，为什么要等到 2012 年才真正爆发？
一个原因是方法本身不被看好。辛顿坚持了几十年的神经网络路线，在大部分时间里并不被同行认同。另一个原因是力气不够：连后来的 AlexNet，规模也受限于显卡内存和可以接受的训练时间。
转机来自一个意想不到的地方：游戏显卡。
GPU 本来是为游戏打造的，擅长同时渲染海量像素。英伟达在 2006 年前后推出 CUDA，让研究者可以把 GPU 用于通用的并行计算，最初的用户是科学计算领域。
同时，数据也到位了。李飞飞从 2006 年起组织的 ImageNet 数据集，收有约 120 万张标注照片；没有它，就没有可供训练的东西。克里热夫斯基（Alex Krizhevsky）此前已用 CUDA 写过神经网络代码。
于是有了 2012 年那一幕：AlexNet 在一台装着两块 GTX 580 游戏显卡的机器上训练了约六天，每块卡发售时约 500 美元。网络被拆成两份、分别跑在一块显卡上，因为单块显存放不下。最终它的识别错误率是 15.3%，第二名是 26.2%，差距近 11 个百分点。
此后节奏明显加快：2016 年 AlphaGo 战胜李世石；2017 年 Transformer 架构出现，它可以高效地吃下海量文本，而且模型越大、文本越多，效果越好。今天你用的对话式 AI，底层几乎都是它。
六、这是“宿命”吗
很多人喜欢把 AI 和英伟达的相遇说成“宿命”。我的看法是：不是命中注定，而是三样东西恰好凑齐：1943 年就有的神经网络思想、ImageNet 提供的大规模数据、CUDA 打开的算力。缺任何一样，2012 年都不会发生。这里既有偶然，也有押注，据说英伟达早在六年前就下了这个注，只是当时几乎没人理解。
之后的历史也说明，这条路并不排他。有技术资料称，ChatGPT 等现代大模型几乎都建立在 CUDA 基础设施之上；但另一边，据中国互联网络信息中心的报告，到 2026 年 6 月，中国智能算力规模已达 2185 EFLOPS，同比增长 177%，首个全国产十万卡超集群已经投用，深度求索、月之暗面等企业也发布了万亿参数级的开源模型。算力的版图，仍在变化。
七、破圈：2022 与 2025
2022 年 11 月，ChatGPT 发布，仅用两个月就成为最快达到 1 亿月活用户的应用。此后增长没有停：OpenAI 在 2025 年 10 月披露，ChatGPT 每周有超过 8 亿人使用。
2025 年 1 月，国产模型 DeepSeek 让全世界重新算了一遍账。它迅速登顶美国 iOS 免费榜，并引发英伟达市值一度大幅下跌；据 a16z 的统计，它的用户数从 100 万到 1000 万只用了 20 天，比 ChatGPT 当年的 40 天更快。这件事的意义不只是一个 App 爆红，而是让人看到：这条路上不止一个玩家，成本也未必那么高不可攀。
八、走进生活：我们到底在用它做什么
据中国互联网络信息中心的数据，我国生成式 AI 用户在 2025 年 12 月为 6.02 亿，半年后的 2026 年上半年突破 7 亿。
大家用它做的事情很朴素：76% 的用户用它回答问题；约 47.8% 用它处理图片或视频，37.6% 用它处理文本，32.5% 用它写工作总结、会议纪要或做 PPT。
也就是说，AI 在大众生活里最主要的角色，是问答助手和办公帮手，而不是科幻电影里的“超级大脑”。
九、商业化：账是怎么算的，又有哪些争议
AI 已经是一门很大的生意。据报道，OpenAI 告诉投资者，截至 2026 年 9 月底，其年化收入约为 500 亿美元；Anthropic 此前告知投资者，截至 7 月底的年化收入为 650 亿美元。
但这些数字要小心读：
- 年化收入是用短时间推算全年。 它把单月收入乘以十二，用来预测全年，可靠性有限。
- 口径并不统一。 OpenAI 此前广泛报道的 680 亿美元，后来被澄清为包含了合作伙伴的总收入，与 500 亿相差近 200 亿。另有分析指出，两家公司的统计口径一个偏毛收入、一个更接近净收入，不能直接相比。
- 赚钱和值钱是两回事。 有研究机构把 Anthropic 的上市计划称为“2026 年最荒谬的 IPO”，给出的估值远低于市场传闻。支持“泡沫论”的一个依据是，2025 年一项被广泛引用的 MIT 研究发现，约 95% 的企业生成式 AI 试点没有产生可衡量的利润影响，基础设施投入与回报之间存在差距。
所以更准确的说法是：需求和收入是真实的，但估值是否合理，业内没有定论。
十、我们该怎么看它
历史给了我们几个提醒。
第一，别把热度当成能力。 两次寒冬都因“说得太满”而起。今天的数字很亮眼，但“效率提升十倍、百倍”这类说法，我查到的严谨研究并没有给出这样的结论。
第二，别把感觉当成事实。 2025 年，研究机构 METR 做了一次随机对照实验：16 位有经验的开发者，在自己长期维护的项目里完成 246 个真实任务，允许使用 AI 时，完成时间反而增加了 19%；而开发者事后仍自认快了约 20%。这只是针对特定场景、特定时期的研究，METR 后来也表示，他们认为 2026 年初的工具大概率比一年前更有帮助，只是现有数据还不足以证明。但它提醒我们：自我感觉不是可靠的度量。
第三，它会出错，判断依然是你的。 模型仍存在“幻觉”（一本正经地说错）、版权等问题。把 AI 当作手边的搭档，让它起草、提示、检查，但关键的事实和决定，要自己核对。
第四，做完了，不等于学会了。 Anthropic 在 2026 年 1 月发表的一项对照研究发现，在学习新代码库时，用 AI 辅助的人理解测试成绩更低，尤其是在排错上。用 AI 让事情更快做完，和用 AI 让自己真正学会，是两件不同的事，要自己分清。
结语
回头看，同一个模式出现了三次：莱布尼茨和巴贝奇的想法，等不到机器；1943 年的神经元，等不到算力；两次寒冬，则是期望等不到能力。
AI 走到今天，靠的不是某一个神话，而是想法、机器、数据和算力一点点凑齐，最后在 2022 年抵达了普通人的手里。
所以看待今天的 AI，最有用的一个问题，不是“它有多神奇”，而是：它需要的条件，今天真的到位了吗？ 既不膜拜，也不躲避，知道它从哪里来，知道它现在能做什么、不能做什么，然后保留自己的判断。
|
|
发表于