1943年：数字生命的数学草图#

1943年，神经生理学家 Warren McCulloch 和数学家 Walter Pitts 发表了一篇跨时代的论文 A Logical Calculus of the Ideas Immanent in Nervous Activity ¹。他们首次提出了MP神经元模型，将神经元抽象为一个简单的阈值逻辑单元。

核心贡献：这篇论文证明了，简单的神经网络模型理论上可以完成 AND、OR、NOT 等基本逻辑运算。这是人类第一次尝试用数学语言描述“思考”的物理基础。

不过，它有一个致命缺陷：权重和阈值都是人工手动设定的，根本没有学习能力。 它只是一个静态的逻辑电路。值得一提的是，这篇论文发表于 1943 年，比世界上第一台通用电子计算机 ENIAC（1946 年）还要早三年²。

💡 技术插曲：为什么需要一个“可学习”的模型？因为人类自己也不知道如何用规则描述“识别猫”这样的任务——我们可以直觉完成，但写不出精确的步骤。所以，与其编程，不如让机器自己从数据中摸索规律。

1949年：学习的生物学猜想#

1949年，心理学家 Donald Hebb 提出了著名的 赫布学习规则（Hebbian Theory）³，核心思想被后人精辟地总结为：

“Cells that fire together, wire together.”（一起放电的神经元，连接在一起。）

这条规则为“神经网络如何自动调整权重”提供了最初的理论灵感，至今仍是无监督学习的基石之一。

同期硬件里程碑：1947年，贝尔实验室发明了点触晶体管，为后来计算机的小型化与算力爆发埋下了伏笔。

1958年：感知机的诞生与媒体的盲目狂热#

1958年，Frank Rosenblatt 提出了 感知机（Perceptron） ⁴，这是第一个真正意义上的可训练人工神经网络。它采用迭代算法自动调整权重，能够完成简单的图像分类。

当时正值美苏科技竞赛，《纽约时报》甚至报道称“机器将能行走、说话、甚至自我繁殖”。这是 AI 历史上的第一次“媒体大狂欢”。

1969年：寒冬将至#

然而，狂欢很快被一盆冷水浇灭。1969年，Marvin Minsky 和 Seymour Papert 在著作 Perceptrons ⁵ 中通过数学严格证明了感知机无法解决异或（XOR）这类线性不可分问题。

这一结论犹如釜底抽薪，直接导致美国政府和军方大幅削减经费，神经网络研究进入了长达近十年的“第一次寒冬”。此时的 AI，在公众眼中开始沦为 “人工智障” 的代名词。

🤔 思考角：感知机的失败其实是一个典型的“期望错配”——媒体和投资人把一项原始技术当成了终极解决方案。这种模式后来反复重演：每一次技术突破都会引发一轮“AI即将统治世界”的狂欢，然后迅速陷入“泡沫破裂”的失望。直到今天，我们仍在这种钟摆式情绪中摇摆。

1986年：反向传播的救赎#

直到 1986 年，Geoffrey Hinton、David Rumelhart 等人重新推广了 反向传播（Backpropagation）算法⁶，才让多层神经网络起死回生。通过将误差从输出层逐层传回输入层，算法得以调整每一层的权重。

关键转折：反向传播的普及，使得神经网络终于能解决非线性问题。这一年，也被视为 深度学习“文艺复兴” 的起点。

几乎同时，Yann LeCun 提出了卷积神经网络（CNN） 的雏形⁷，引入了权重共享和局部连接，为后来视觉革命打下了地基。

1997年：深蓝敲响警钟#

如果说之前的 AI 只存在于实验室，那 1997 年的 深蓝（Deep Blue） 则是 AI 首次登上全球新闻头条。IBM 的这台超级计算机在国际象棋六番棋中击败了世界冠军 Garry Kasparov⁸。

但深蓝的本质不是“学习”，而是 暴力搜索 + 手工调参的评估函数。它不会举一反三，更像一个算力惊人的计算器。尽管如此，它第一次让人类感受到了智力被机器碾压的恐惧。

💡 技术插曲：深蓝的“暴力”依赖于摩尔定律的积累——每18个月算力翻倍。这暗示了一个深层规律：AI 的进步从来不是单靠算法，而是算法与硬件相互成就的“双人舞”。

2012年：AlexNet 与 ImageNet 的“寒武纪大爆发”#

2012年，深度学习的“三巨头”之一 Geoffrey Hinton 携其学生 Alex Krizhevsky 和 Ilya Sutskever，凭借 AlexNet 在 ImageNet 竞赛中以碾压性的 15.3% 错误率夺冠（第二名 26.2%）⁹。

个人注脚：AlexNet 的成功，标志着 CNN 彻底统治了计算机视觉。AI 终于不再是“瞎子”了。但此时的 AI，仍然听不懂人话。

2016年：AlphaGo 的“神之一手”#

如果说深蓝是 AI 的第一次“秀肌肉”，那么 2016 年 AlphaGo 击败李世石¹⁰，则是 AI 的“封神之战”。围棋的搜索空间比整个宇宙的原子还多，深蓝的暴力搜索完全失效。

AlphaGo 结合了深度学习与蒙特卡洛树搜索，甚至在第二局下出了人类棋谱中从未出现过的 第 37 手，彻底颠覆了围棋界的传统思维。

• 1997年深蓝击败卡斯帕罗夫（暴力搜索）
• 2016年AlphaGo击败李世石（直觉+搜索）
• 2017年：AI 终于学会了“创造”

2017年：Transformer 改写游戏规则#

2017年，Google Brain 团队发表了那篇震撼世界的论文 Attention Is All You Need ¹¹，提出了 Transformer 架构。

它完全抛弃了 RNN 和 CNN，只基于自注意力（Self-Attention）机制。这使得模型能够并行处理所有输入数据，彻底解决了 RNN 无法长距离记忆和训练速度慢的顽疾。

==范式转移==：如果说 CNN 是教 AI 模仿人类的“视觉皮层”，那么 Transformer 就是为 AI 发明了更适合自己的“理解器官”。

🔍 深度剖析：为什么“注意力”如此强大？简单说，RNN 处理句子就像逐字阅读，读到后面忘了前面；而 Transformer 一次性看到所有词语，并且能动态判断每个词与其它词的相关程度（比如“苹果”在“吃苹果”和“苹果公司”中关注的上下文完全不同）。这种“全局+动态”的能力，让机器第一次真正“读懂”了长文。

2020年：GPT-3 让机器开口“说人话”#

2020年，OpenAI 发表了 Language Models are Few-Shot Learners ¹²，正式发布 GPT-3。1750 亿个参数，在近乎整个互联网的文本上训练而成。

我第一次在对话框里输入问题，看到它秒回那段逻辑通顺的文字时，那种震撼无以言表。它不再是“人工智障”那样的答非所问，而是真正 “理解”了你的意图。

• 以前的语音助手：机械套话，多轮对话必死。
• 现在的 GPT-3：上下文理解，逻辑连贯，甚至能写诗。

2023年：GPT-4 与 AGI 的“火花”#

2023年，GPT-4 发布¹³，支持多模态输入，并在律师资格模拟考中取得了前 10% 的成绩。同一年，微软研究院发布论文 Sparks of Artificial General Intelligence ¹⁴，首次将“AGI（通用人工智能）”这个词与 GPT-4 正式联系在一起。

2025年：GPT-5 成为科研伙伴#

2025年，GPT-5 的早期科学加速实验报告显示¹⁵，它已经开始协助数学家证明数十年未解的猜想，并在生物、物理、材料科学等领域成为研究人员的得力助手。

我的转变：从 2020 年到 2025 年，我使用 AI 的方式也发生了质变。从最初好奇的“对话”，到熟练地让它帮我 写代码、做数据分析、润色文案。AI 从一个新鲜玩具，变成了我工作中不可或缺的 “副驾驶”。

2026年9月3日：GPT-6 Astra 与 AGI 宣言#

2026年9月3日，OpenAI 正式发布 GPT-6 Astra（代号“群星”） ¹⁶。Astra 拥有 105万 Token 的上下文窗口，在 ARC-AGI 基准测试上达到 99.9%，在网络安全测试 ExploitBench 上拿下 100%。

更令人震撼的是，OpenAI 总裁 Greg Brockman 在发布会上公开宣告：

“Welcome to the AGI era.”（欢迎来到 AGI 时代。）

当然，争议随之而来——Sam Altman 事后称这是“营销术语”，且 GPT-6 首次被内部标记为 “危险（Critical）”等级，因为它能自主发现并利用零日漏洞。但无论如何，2026年9月3日，已被历史铭记为 AGI 的分水岭。

一、递归自我改进（RSI）：“AI 造 AI”的无限游戏#

如果说过去七年是“AI 加速 AI”，那么未来十年的关键词将是 “AI 创造 AI” ——即递归自我改进（Recursive Self-Improvement, RSI）。

2024 年，Qu 等人在 NeurIPS 上提出了 RISE（Recursive Introspection） 方法，通过迭代微调让 LLM 学会在多次尝试中递归地检测并纠正自身错误¹⁷。实验证明，RISE 能让 Llama2、Llama3 和 Mistral 模型在推理任务中随迭代轮次增加而持续自我提升¹⁷。

同年，Yin 等人提出了 Gödel Agent——一个受哥德尔机启发的自指框架，使 AI 代理能够在不依赖预定义例程或固定优化算法的情况下，递归地修改自身的逻辑和行为，仅由高层目标通过提示词引导¹⁸。实验证明 Gödel Agent 能实现持续的自我提升，在性能、效率和泛化性上全面超越人工设计的代理¹⁸。

2025 年，Ishibashi 等人在 NAACL 上提出了 Self-Developing 框架，让 LLM 自主生成并学习模型改进算法——不是改进某个具体任务的解法，而是改进“改进模型的方法”本身¹⁹。在数学推理任务中，该框架发现的模型合并策略在 GSM8k 上比人类设计的方法高出 4.3%，并展现出强大的跨领域迁移能力¹⁹。

同一年的 NeurIPS 上，Huang 等人从理论上证明了 Transformer 可以通过递归自训练方案实现可证明的自我提升，逐步扩展可解决问题长度的范围²⁰。

进入 2026 年，RSI 的研究进一步加速。Kim 等人提出了 Metaⁿ（Meta^n） 框架——通过固定元操作并递归地将其应用于不断增长的输入，构建更深层的推理层级，在不破坏系统稳定性的前提下实现自我改进²¹。在 ARC-AGI-2 这个专为抵抗技能记忆而设计的基准测试中，Metaⁿ 成为唯一得分超过零的模型²¹。

Chen 等人对 2024 至 2026 年间 1,250 篇 arXiv 论文 进行了系统综述，将 RSI 研究沿着“改进对象”和“循环闭合程度”两个维度进行了分类²²。该综述指出，有边界的自我精炼（bounded self-refinement） ——即可收敛、可评估的改进——已是工业界的日常实践；而 开放式的递归自我改进（open-ended RSI） 仍然受限于 grounding 需求、崩溃动力学和算力约束²²。综述还特别强调，“研究方向设定” ——即选择哪些问题值得解决——是目前人类留在循环中的最关键瓶颈²²。

⚠️ 一个需要警惕的区分：上述大部分 RSI 研究仍然在“受控”范围内——Gödel Agent 的自我修改受限于提示词引导，RISE 的自我纠错局限于推理任务，Self-Developing 的算法发现依赖强化学习的奖励信号。真正的“不受控递归”——AI 自主重写自己的核心架构、无限扩展能力边界——目前仍是理论推演，而非工程现实。

但已有学者开始为此建立数学模型。2025 年，Jafari 等人提出了 AI 奇点的数学框架，将递归自我改进的能力增长与资源积累、部署策略进行量化关联，并提出了可直接落地的安全控制措施，如功率上限、吞吐量节流和评估门禁²³。

二、后 Transformer 时代：新架构的黎明#

Transformer 统治了将近十年。但 2026 年，越来越多的声音开始质疑：这个架构还能撑多久？

有观点认为，Transformer 架构的“革命性”阶段可能已近尾声，正在转向以工程优化为主导的“精益化”阶段。与此同时，学术界与工业界的目光开始从无休止的“堆料”转向一种古老而又崭新的范式——循环架构（Recurrent Architectures / Looped Transformers）。

更激进的突破已经出现。2026 年，一个名为 SubQ 的模型携 SSA（Structured Sparse Attention）架构横空出世。在 100 万 Token 的上下文下，SubQ 比 FlashAttention 快 52 倍，计算负载大幅降低，成本仅为 Claude Opus 的 5%。虽然 SSA 目前仍是基于 Transformer 的改良，但它预示着一个清晰的方向：未来的 AI 架构将不再是“更大”，而是“更聪明” ——用更少的算力做更多的事。

2026 年甚至被一些业内人士称为 “后 Transformer 时代的第一年”。循环架构、状态空间模型（如 Mamba）、线性注意力混合体等替代方案正在从实验室走向工程实践。

三、对齐的困境：数学上无解的难题？#

如果说递归自我改进是 AI 的“加速器”，那么 对齐（Alignment） 就是悬在所有加速器头上的达摩克利斯之剑。

Geoffrey Hinton 在 2025 年估计，先进 AI 在未来十年内变得不可控且与人类目标错位的概率高达 10%–20%。这并非危言耸听。

2026 年，Gumbau Mezquita 发表了一篇令人不安的论文——《AGI 对齐的不可判定性》 ²⁴。该论文证明，AGI 安全的核心障碍不是“无法达到对齐状态”，而是“无法验证是否达到了对齐状态” ——即对齐的结构性不可验证性²⁴。论文将此边界定位于 Trakhtenbrot 之墙，证明任何依赖有限硬件或停机架构的工程防御都无法逃脱逻辑层面的根本困境²⁴。其核心结论被概括为 “可靠性-完备性-可计算性三难困境” ：这三者无法同时满足，是描述复杂性的必然结果，而非经验层面的偶发异常²⁴。

简而言之：即使一个 AGI 在事实上是完全对齐的，我们也永远无法在数学上证明它是对齐的。 这个结论不是“暂时无法解决”，而是“原则上无法解决”。

同年，King’s College London 的研究者提出了一个反直觉的替代方案：与其追求完美的对齐控制，不如构建一个相互制衡的 AI 生态系统——让不同的 AI 系统在竞争中彼此约束。

四、风险的另一个维度：渐进式失能#

除了“突然失控”的末日场景，另一种风险正在被更多学者关注：渐进式失能（Gradual Disempowerment） 。

2025 年的一篇 ICML 论文指出，即使 AI 能力的渐进式提升，也可能在不引发“突然接管”的情况下，逐步削弱人类对社会依赖的大型系统的影响力²⁵。这种风险更加隐蔽——它不是一场爆炸，而是一场缓慢的窒息。当 AI 渗透到供应链、医疗、金融、军事的每一个决策节点时，人类可能在“不知不觉”中从决策者退化为审批者，再从审批者退化为旁观者²⁵。

五、能源与生态：智能的代价#

最后，一个不可回避的现实问题：AI 吃什么？

一次 GPT-6 级别模型的训练，耗电量相当于数万户家庭一年的用电量，消耗的淡水足以填满一个中型湖泊。国际能源署预测，到 2030 年，数据中心的能源需求将翻倍，达到约 945 TWh/年——略高于日本全年的电力消耗²⁶。而一次 LLM 查询的能耗是标准谷歌搜索的 10 倍²⁶。

当数亿人每天与 AI 对话数十次，这道简单的乘法题背后，是地球真实的账单²⁶。

💡 一个值得深思的反讽：AI 正在帮助人类优化气候模型、预测碳排放、加速清洁能源研发——但加速这些解决方案所需的算力本身，正在消耗产生温室气体的能源。AI 既是气候问题的解药，也是气候问题的放大器。