摘要 神经网络的发展经历了从早期辉煌到长期沉寂的曲折历程。1943年，麦卡洛克和皮茨提出M-P神经元模型，首次将神经元抽象为逻辑计算单元，启发了冯·诺依曼的计算机架构设计。1957年，罗森布拉特发明感知机及其学习算法，实现了首个有数学保证的机器学习模型。然而1969年明斯基的严厉批判使神经网络研究陷入寒冬。这段历史展现了科学突破常面临的困境：先驱性的思想往往需要等待技术条件成熟才能绽放，而学术争议

统计学习的崛起：从规则到数据的范式转移 本文回顾了人工智能从符号主义向统计学习的关键转变。1980年代末，随着专家系统的局限性和AI寒冬的到来，研究者开始探索从数据中自动学习知识的新路径。统计学习方法通过从大量示例中提取规律，实现了从"编程知识"到"学习知识"的根本转变，并建立了基于预测准确率的客观评估体系。这一转变使AI研究从哲学思辨转向可量化的工程实践，

info]在序章中，我们提出了一个贯穿全书的问题：为什么 ChatGPT 会出现"幻觉"？我们说，答案藏在历史里。而想要从历史中寻找答案，那我们要从一个更根本的问题开始——机器能思考吗？在试图回答这个问题的过程中，一代研究者走上了一条看似合理却最终碰壁的道路。也正是有前人不断的失败实验，才一步步引领我们走入今天的 AI 中。question]

LLMs 系列实操科普（1）

AI行业动态速览-0627