深度学习前传：从感知机到第三次AI寒冬，60年沉浮史比小说还精彩

前两天面了个AI岗，面试官上来就问我：你知道神经网络最早是哪年提出的吗？我当场就懵了，搞AI快三年，天天调参炼丹，居然连祖师爷是谁都不知道。回去恶补了一周AI发展史，才发现这行业这60年起起落落，比爽文还刺激，好几次差点就没了，能活到今天真的太不容易了。今天就给大家唠唠深度学习诞生前的那段黑暗历史，看懂了才明白为什么现在大模型爆发不是偶然，是攒了60年的技术才堆出来的。

1. 起源：1943年，第一个神经元诞生了

很多人以为AI是最近十年才有的东西，其实早在二战还没打完的时候，科学家就已经在琢磨怎么造个大脑了。
1943年，心理学家麦卡洛克和数学家皮茨发表了一篇论文，提出了MCP神经元模型，就是模拟生物神经元的工作原理：接收多个输入，加权求和之后过个阈值，输出0或者1。
你敢信？这玩意就是现在所有大模型最最底层的基础单元，现在GPT-5里的几万亿个参数，本质上就是这个东西堆出来的。
不过这玩意刚出来的时候，大家都觉得很牛逼，觉得很快就能造出能思考的机器了，毕竟大脑不就是一堆神经元拼起来的吗？拼多了不就有智慧了？事实证明大家想简单了，这一等就是十几年。

2. 第一次热潮：1958年感知机诞生，AI元年开启

1958年，康奈尔大学的罗森布拉特发明了感知机，在MCP神经元的基础上加了权重和学习能力，第一次实现了可以自动学习的神经网络。
当时这个东西火到什么程度？美国海军直接投钱研究，说感知机以后能自动识别物体，以后不用人操作军舰。当时媒体直接吹：十年内AI就能超过人类。
你看，70年前大家就已经开始吹AI超越人类了，现在的媒体那都是玩剩下的。
不过好景不长，1969年，AI之父明斯基和佩吉特写了本书叫《感知机》，直接给这个热潮泼了一盆零下一百度的冰水。
书里直接证明了：感知机只能解决线性可分问题，连个XOR异或问题都解决不了，而且多层感知机的话，当时的计算机根本算不动。
这本书的结论直接给整个AI领域判了死刑：神经网络这条路走不通，大家别研究了。
这就是第一次AI寒冬，之后十几年几乎没人敢碰神经网络，经费全砍，论文都没人敢发，搞神经网络的都不好意思说自己是搞AI的。

3. 第一次复兴：反向传播救活神经网络，第二次热潮到来

这一熬就熬到了80年代，几个大佬憋出来了两个大招，直接把神经网络救活了。
第一个大招是1986年，辛顿、鲁梅尔哈特和威廉姆斯发表了反向传播算法，完美解决了多层神经网络的训练问题，之前大家不知道怎么调多层的权重，现在有了反向传播，就能训练深层网络了。
第二个大招是1989年，燕乐存搞出来了第一个卷积神经网络LeNet，用来识别手写数字，准确率直接干到了98%，当时用在邮政系统自动识别邮编，直接商用了。
当时大家又激动了，觉得AI马上就要成了，各种专家系统、神经网络项目疯狂上马，企业砸钱砸的比现在大模型热潮还凶。
不过好景又不长，到了90年代末，大家又发现不对了：
❌ 神经网络太吃算力了，当时的CPU根本跑不动深层网络，最多搞个3、5层就顶天了
❌ 数据太少了，没那么多数据训练大网络
❌ 效果不如传统机器学习算法好，SVM、随机森林这些算法效果比神经网络还好，还快，还省算力
然后第二次AI寒冬又来了，神经网络又成了冷门方向，辛顿大佬那些年投论文都经常被拒，大家都觉得神经网络是玄学，没用。
这一冷就冷到了2012年，直到AlexNet横空出世，直接一脚踢开了深度学习的新时代。

4. 为什么说AI的发展是螺旋上升的？

我看完这60年的历史，最大的感受就是：没有哪项技术是一帆风顺的，都是起起落落，攒够了技术、算力、数据，才能迎来爆发。
你看：

• 50年代感知机出来，算力不够，算法不够，凉了
• 80年代反向传播出来，数据不够，算力还是不够，又凉了
• 2012年，GPU普及了，互联网攒了大量数据，算法也成熟了，直接爆发了
• 现在大模型爆发，也是攒了十几年深度学习技术，加上GPU算力爆炸，互联网海量数据，三者凑齐了才有的结果
  那些说AI是泡沫的，根本没看过历史，AI已经凉过好几次了，每次凉了之后都攒了更多技术，下次爆发只会更猛。

写在最后

很多刚入行的同学都喜欢赶热点，今天学大模型，明天学AI Agent，却很少有人去看这些基础历史。我反而觉得了解发展历史才是最重要的，看懂了过去的发展路径，你才能判断未来的方向，知道什么技术是真的有前途的，什么是炒作的。
下一篇我就给大家讲2012年的AlexNet到底是怎么一脚踢开深度学习新时代的，它的那几个创新点现在看平平无奇，在当时简直是降维打击。
觉得有用的别忘了点赞关注哦，有什么问题评论区留言我都会回😘