← 上一章 | 返回目錄 | 下一章 →

2.1 章節目的

本章提供了 AI 發展的視覺化時間軸，作為整個課程的導航工具。透過關鍵字與技術里程碑的梳理，您可以：

  1. 建立全局視野：快速掌握 AI 發展的完整脈絡
  2. 識別重要節點：了解哪些技術與事件是轉折點
  3. 規劃學習路徑：根據興趣選擇深入探討的主題
  4. 理解技術演進：看到技術之間的承繼與發展關係

2.2 AI 發展時間軸 — 視覺化地圖

以下圖表呈現了從 1940 年代至今的 AI 發展關鍵里程碑，並標示了五個主要時期。

timeline title AI 發展時間軸 1940s-1950s : 早期理論基礎 : 圖靈測試 (1950) : 控制論 (1948) : 符號主義思想 1956-1970s : 經典時期 : 達特茅斯會議 (1956) : LISP 語言 (1958) : 感知器 (1958) : 通用問題解決器 (1959) 1970s-1990s : 寒冬與復甦 : 第一次 AI 寒冬 (1974-1980) : 專家系統興起 (1980s) : 反向傳播演算法 (1986) : 第二次 AI 寒冬 (1987-1993) 2000s-2010s : 深度學習革命 : 大數據與 GPU (2000s) : AlexNet (2012) : ResNet (2015) : AlphaGo (2016) : Transformer (2017) 2020s- : 生成式 AI 時代 : GPT-3 (2020) : DALL-E (2021) : ChatGPT (2022) : GPT-4 (2023) : Sora (2024)

圖例說明

顏色 時期 年代 核心特徵
🟢 綠色 早期理論基礎 1940s-1950s 奠定理論基礎，提出核心概念
🟠 橙色 經典時期 1956-1970s AI 正式誕生，早期探索與樂觀
🔴 紅色 寒冬與復甦 1970s-1990s 遭遇挫折，典範轉移開始
🔵 藍色 深度學習革命 2000s-2010s 三要素匯聚，AI 爆發
🟣 紫色 生成式 AI 時代 2020s- 從理解到創造，AI 新紀元

2.3 五個時期的關鍵字解析

🟢 時期 I：早期理論基礎 (1940s-1950s)

時代背景：
- 電腦剛被發明
- 科學家開始思考「機器能思考嗎？」
- 理論探索多於實際應用

關鍵字與概念：

關鍵字 年份 提出者/發明者 核心貢獻
圖靈測試 1950 Alan Turing 定義機器智慧的行為標準
控制論 1948 Norbert Wiener 回饋系統、自我調節機制
符號主義 1950s 多位學者 用符號和規則表示知識
圖靈機 1936 Alan Turing 計算理論基礎，定義可計算性

為什麼重要？
- 建立了 AI 的哲學與理論基礎
- 提出了核心問題：「什麼是智慧？」「機器能思考嗎？」
- 為後續發展提供了概念框架

詳細內容 → 第 IV 章：早期理論基礎

🟠 時期 II：經典時期 (1956-1970s)

時代背景：
- AI 正式成為一門學科
- 研究者極度樂觀，預測 20 年內實現人類級 AI
- 政府與企業大量投資

關鍵字與概念：

關鍵字 年份 提出者/發明者 核心貢獻
達特茅斯會議 1956 McCarthy 等 AI 正式誕生的標誌
LISP 語言 1958 John McCarthy 第一個 AI 專用程式語言
感知器 1958 Frank Rosenblatt 第一個學習演算法
GPS 1959 Newell & Simon 第一個通用問題解決程式
Logic Theorist 1956 Newell & Simon 證明數學定理，展現推理能力

為什麼重要？
- AI 從概念變為實際研究領域
- 建立了兩條主要研究路線：符號主義 vs 連結主義
- 創造了許多沿用至今的基礎工具與概念

典範：
- 符號主義（邏輯、規則）
- 連結主義（神經網路）

詳細內容 → 第 V 章：經典時期

🔴 時期 III：寒冬與復甦 (1970s-1990s)

時代背景：
- 早期承諾未能實現，資金大幅削減
- 經歷兩次「AI 寒冬」
- 典範開始轉移：從符號主義到機器學習

關鍵字與概念：

關鍵字 年份 背景/貢獻
第一次 AI 寒冬 1974-1980 符號 AI 局限暴露，資金枯竭
專家系統 1980s 短暫復興，商業應用
MYCIN 1972 醫療診斷專家系統，準確率高
第二次 AI 寒冬 1987-1993 專家系統泡沫破滅
反向傳播 1986 Rumelhart 等
決策樹 1986 Quinlan (ID3)
SVM 1990s Vapnik

為什麼重要？
- 揭示了符號 AI 的根本局限
- 催生了典範轉移：從規則到數據
- 反向傳播為深度學習復興埋下伏筆

關鍵轉折：

手動編寫規則 → 從數據中自動學習
確定性推理 → 統計與機率方法
邏輯符號 → 數值計算

詳細內容 → 第 VI 章：寒冬與復甦

🔵 時期 IV：深度學習革命 (2000s-2010s)

時代背景：
- 網際網路普及，數據爆炸
- GPU 從遊戲領域進入 AI 計算
- 演算法突破與硬體進步同時發生

關鍵字與概念：

關鍵字 年份 核心貢獻
大數據 2000s 網際網路產生海量訓練數據
GPU 加速 2009 Andrew Ng 證明 GPU 可加速神經網路訓練
ImageNet 2009 大規模圖像資料集，推動視覺研究
AlexNet 2012 Hinton 團隊
Word2Vec 2013 Google
ResNet 2015 何凱明等
AlphaGo 2016 DeepMind
Transformer 2017 Vaswani 等

為什麼重要？
- 三要素匯聚：大數據 + GPU + 演算法
- AI 從實驗室走向實際應用
- 證明了深度學習的巨大潛力
- Transformer 成為當代 AI 的基石

革命性突破：
- 電腦視覺：CNN 實現超越人類的圖像識別
- 自然語言處理：Transformer 取代 RNN，性能飛躍
- 遊戲 AI：AlphaGo 展現超人類水平
- 語音辨識：準確率從 70% 提升到 95%+

詳細內容 → 第 VII 章：深度學習革命

🟣 時期 V：生成式 AI 時代 (2020s-)

時代背景：
- 從「理解世界」到「創造世界」
- 模型規模爆炸式增長（億 → 千億 → 兆參數）
- AI 能力出現「湧現」(Emergence)
- 普通大眾開始廣泛使用 AI

關鍵字與概念：

關鍵字 年份 核心貢獻
GPT-3 2020 OpenAI
DALL-E 2021 OpenAI
Stable Diffusion 2022 Stability AI
ChatGPT 2022.11 OpenAI
GPT-4 2023.03 OpenAI
Claude 2023 Anthropic
LLaMA 2023 Meta
Gemini 2023 Google
Sora 2024 OpenAI

核心技術：

graph TD Gen[生成式 AI] LLM[大型語言模型
LLM] GAN[生成對抗網路
GAN] Diff[擴散模型
Diffusion] Multi[多模態 AI
Multimodal] Gen --> LLM Gen --> GAN Gen --> Diff Gen --> Multi LLM --> L1[GPT 系列
BERT 系列
LLaMA] GAN --> G1[StyleGAN
CycleGAN] Diff --> D1[DALL-E 2
Stable Diffusion
Midjourney] Multi --> M1[GPT-4V
Gemini
CLIP]

為什麼重要？
- AI 從「工具」變為「創作夥伴」
- 降低了內容創作的門檻
- 引發了深刻的倫理與社會討論
- 可能是通向 AGI 的道路

應用爆發：
- 文字生成：文章、代碼、對話、翻譯
- 圖像生成：藝術創作、設計、概念圖
- 音訊生成：語音合成、音樂創作
- 影片生成：Sora 等開啟影片生成時代
- 多模態：理解並生成跨模態內容

詳細內容 → 第 VIII 章：生成式 AI 時代

2.4 技術演進關係圖

以下圖表展示了主要技術之間的承繼與發展關係：

graph TB subgraph Foundation[基礎理論層] T1[圖靈機
1936] T2[控制論
1948] T3[邏輯推理
1950s] end subgraph Symbolic[符號主義時代] S1[LISP
1958] S2[專家系統
1980s] end subgraph Learning[機器學習時代] M1[感知器
1958] M2[反向傳播
1986] M3[SVM
1990s] end subgraph Deep[深度學習時代] D1[CNN
2012] D2[RNN/LSTM
2010s] D3[Transformer
2017] end subgraph Generative[生成式 AI 時代] G1[GPT 系列
2018-] G2[GAN
2014-] G3[Diffusion
2020-] G4[多模態
2021-] end T1 --> S1 T2 --> M1 T3 --> S2 S1 --> S2 M1 --> M2 M2 --> D1 M2 --> D2 D1 --> D3 D2 --> D3 D3 --> G1 D1 --> G2 D3 --> G3 G1 --> G4 G3 --> G4 style Foundation fill:#e1f5dd style Symbolic fill:#fff4e6 style Learning fill:#ffe6e6 style Deep fill:#e3f2fd style Generative fill:#f3e5f5

2.5 關鍵技術速查表

經典演算法與架構

技術 年份 應用領域 核心特點 當前狀態
決策樹 1986 分類、回歸 可解釋性強 仍廣泛使用
SVM 1995 分類 小樣本效果好 經典方法
隨機森林 2001 分類、回歸 集成學習 仍是主流
CNN 2012 電腦視覺 卷積、池化 視覺領域基礎
RNN/LSTM 1997/2010s 序列數據 記憶機制 被 Transformer 取代
Transformer 2017 NLP、視覺、多模態 自注意力機制 當代 AI 基石
GAN 2014 圖像生成 對抗訓練 仍在發展
Diffusion 2020 圖像生成 去噪過程 當前最佳生成方法

里程碑模型

模型 年份 機構 意義
AlexNet 2012 多倫多大學 深度學習革命起點
VGGNet 2014 牛津大學 證明深度的重要性
ResNet 2015 微軟亞洲研究院 殘差連接，訓練超深網路
BERT 2018 Google 雙向預訓練，NLP 突破
GPT-3 2020 OpenAI 湧現能力，少樣本學習
AlphaFold 2020 DeepMind 蛋白質結構預測，科學突破
DALL-E 2 2022 OpenAI 文字生成圖像
ChatGPT 2022 OpenAI 對話 AI 普及
GPT-4 2023 OpenAI 多模態，推理飛躍

2.6 如何使用本地圖

🎯 學習策略建議

1. 全局優先策略
- 先通讀本章，建立整體時間軸概念
- 識別對您最有興趣的時期或技術
- 規劃深入學習的路徑

2. 問題驅動策略
- 如果您想了解「AI 為何會有寒冬」→ 第 VI 章
- 如果您想了解「ChatGPT 如何工作」→ 第 VIII 章
- 如果您想了解「深度學習的突破」→ 第 VII 章

3. 技術追蹤策略
選擇一個技術（如神經網路），追蹤其演進：

感知器 (1958)
  ↓
反向傳播 (1986)
  ↓
CNN (2012)
  ↓
Transformer (2017)
  ↓
GPT (2018-)

4. 對比學習策略
同時學習兩個典範的對比：
- 符號 AI vs 機器學習（第 V 章 vs 第 VI 章）
- 傳統 AI vs 生成式 AI（第 III 章）

2.7 本章小結

核心要點

  1. 五個主要時期：

  2. 早期理論 → 經典時期 → 寒冬復甦 → 深度學習 → 生成式 AI

  3. 關鍵轉折點：

  4. 1956：AI 正式誕生（達特茅斯會議）
  5. 1974：第一次 AI 寒冬開始
  6. 1986：反向傳播復興神經網路
  7. 2012：AlexNet 開啟深度學習時代
  8. 2017：Transformer 奠定當代基礎

  9. 2022：ChatGPT 引爆生成式 AI 熱潮

  10. 技術演進路徑：

  11. 符號推理 → 統計學習 → 深度表徵 → 生成創造

  12. 本地圖的用途：

  13. 全局導航工具
  14. 學習路徑規劃
  15. 技術關係索引

下一步

現在您已經建立了 AI 發展的全局視野，建議：

  1. 先閱讀 第 III 章：兩大典範

  2. 建立傳統 AI vs 生成式 AI 的概念框架

  3. 再深入歷史：從第 IV 章開始按時間順序學習

  4. 或直接跳到感興趣的章節：利用本地圖快速定位

← 上一章：導論 | 返回目錄 | 下一章：兩大典範 →