人工智能
让机器学会思考
它不是某一天突然诞生的新物种，而是一条走了七十多年的路： 从图灵的一个提问，到今天能写代码、看图片、做推理的大模型。 理解它，比恐惧它更有用。
AI 不是一条平滑上升的曲线，而是「热潮—低谷—再突破」的循环。每一次跃迁，都换了一种「让机器变聪明」的思路。
图灵测试
图灵在论文里提出：「机器能思考吗？」并给出一个可操作判据——如果对话中分不出人与机器，就可以认为它具备智能。
达特茅斯会议
麦卡锡、明斯基等人首次提出 Artificial Intelligence 一词，学科正式诞生。早期路线是符号主义：把知识写成规则。
深蓝战胜卡斯帕罗夫
IBM 深蓝靠暴力搜索加人工评估函数击败国际象棋世界冠军。这条「算力+规则」的路走到了极致的拐点。
AlexNet 引爆深度学习
ImageNet 竞赛上，卷积神经网络把错误率一下拉低十多个百分点。GPU + 大数据 + 神经网络，三件事凑齐了。
Transformer 架构
《Attention Is All You Need》提出自注意力机制，摆脱了循环结构的串行限制，成为后来几乎所有大模型的底座。
生成式 AI 全民化
ChatGPT 让大模型第一次以对话形态进入普通人生活；随后多模态、Agent、推理模型接续登场。
不需要数学基础，也能明白它凭什么「看起来会思考」。
机器学习 · 从「写规则」到「找规律」
传统程序是人写规则、机器执行；机器学习反过来——给它大量样例，让它自己总结出规则。监督学习靠标注答案，无监督学习找数据里的结构，强化学习靠试错和奖励。
深度学习
堆很多层神经网络，让模型逐层抽象：先认边缘，再认形状，最后认物体。
大语言模型
用海量文本训练出的「预测下一个词」的模型。Token 是它的最小单位，上下文窗口是它的短期记忆。
多模态 · 不只读懂文字
同一个模型同时处理文本、图像、音频、视频：把不同模态都编码成向量，在同一个语义空间里做理解和生成。这是「看得见世界」的前提，也是 Agent 能操作软件的基础。
推理与工具
通过思维链拆解问题，调用搜索、计算器、代码执行等外部工具补足短板。
对齐与安全
用人类反馈（RLHF）校准它的语气与边界，让它「愿意帮忙、不乱来」。
已经足够好用的六类能力，也是目前最值得投入学习的方向。
知道边界在哪，才能知道什么时候该相信它。
人工智能不是在替代人，而是在重新分配「人该做哪部分工作」。
把它当工具，你会更快；把它当对手，你会更慢。