人工智能70年：七十年不是一条直线，而是一串被误判的赌注
微信读书《人工智能70年：从达特茅斯会议到大模型时代》· 雷军作序
逐页翻阅 294 屏 · 19 章 · 2026-11-04
说明：这是一本用产业视角写的技术编年史，19 章从达特茅斯会议一路写到大模型与"六小虎"。它的可读性很好——我几乎是一路顺畅读完的，这在 294 屏的体量里不容易。但"好读"和"可信"是两件事。下面我会说清楚它哪些章节值得逐字读，以及它为什么在最想下判断的那一章，判断反而最站不住。
先给结论：这七十年的历史，被它写成了一条直线；而真实的七十年，是一串断掉的线段，每一次接上都不是因为上一次的承诺兑现了，而是因为外面来了新东西。
书里其实写过这句话的意思。第四章标题叫"高飞的双翼"，把深度学习的成功归给算法之外的两样东西——GPU 和 ImageNet；第二章讲寒冬，第三节的标题干脆就叫"遭遇计算能力瓶颈"。作者知道答案，只是没有把这条线索提溜出来，贯穿到底。他把七十年铺成一张时间轴，每十年一个板块，每个板块里站着几个人名、几家公司、几次发布会，读起来像一本装订精致的年鉴。年鉴有用，但年鉴不下判断。
我不认为这是失误，我怀疑这是选择。因为一旦把"技术突破来自外部条件"这条线拉直，很多章节的主角就得从科学家换成卖硬件的、建数据集的和开渠道的，那本书的叙事重心就要整体挪位。
一、序言就把结论交了底：一份"信心"清单
全书正文之前，是雷军写的序。序不长，但信息密度很高，而且它替全书定了调子。
序里有两处我印象很深。一处是战略决策的细节：AlphaGo 冲击波到来时，小米决策层"曾经讨论了整整 1 周，决定把 AI 作为小米最重要的战略之一，即 All in AI"。另一处是判断框架——他说中国发展 AI 在创新精神、应用场景、开放环境、产业环境 4 个方面都有独特长处，"因此，我有四重信心"，并且拿 DeepSeek 的横空出世做例证，还报了一个数字：小米的智能终端设备已有 8.6 亿台，是全球最大的消费类智能物联网设备平台。
这段话本身没毛病，甚至相当坦诚——它明说了这是"信心"，不是论证。问题在于它出现的位置：序言是读者进入全书的第一道门，而这道门已经把答案贴在了门框上。此后十九章的叙述，无论作者主观上是否愿意，都容易滑向"为这份信心举证"。
我这么说不是苛责作序者。企业家写序，本来就会写自己相信什么，这是他的本分。真正该被追问的是书的作者：当序言给了一个昂扬的结论，正文有没有留出足够的空间去写反例？我的阅读感受是，空间留得不够。第十九章"中国传奇正在书写"，标题本身就是结论；而全书真正写"中国 AI 走错的路"的段落，我几乎没有找到。
一本七十年史，如果每一段弯路都在别人的国境里，那不是历史，是宣传册。
二、最该写厚的一章，被写得最薄：两次寒冬
第二章的标题是"酷暑与寒冬——AI 的艰难历程"。这是我读得最仔细的一章，也是我最失望的一章。
它其实抓到了要害。书里写得很清楚：感知机"能读入并识别简单的字母和图像，在当时引起轰动"，但"那个时代的人工神经网络系统根本不可能实用，马文·明斯基自己后来也对感知机提出严厉批评"，于是神经网络的研究"很快在 AI 的第一次寒冬中进入低潮"。第二次高潮的故事更耐人寻味——"那个时代符号学派占了上风，名噪一时的专家系统、智能推理机，都是符号学派的胜利。而到了 AI 的第二次寒冬，所有的 AI 项目都遭到重创"。
紧接着，作者给了一个我认为很漂亮的段落，讲人的大脑有多难模仿：保守估计 860 亿个神经元，"每一个神经元都有无数突触与其他神经元相连，估计突触的数量在 100 万亿到 1000 万亿之间"，然后落一句——谷歌大脑"曾经是最著名的人工神经网络系统，目标也不过是实现大脑某一部分的功能"。
这段写得好，因为它把"难"量化了。但它同时暴露了这本书的一个思维习惯：把工程的失败，翻译成物理量的不足。第二章第三节的标题就是"遭遇计算能力瓶颈"——仿佛只要算力够了，寒冬就不会来。
我不这么看。寒冬的真正机制不是算力不够，是承诺与兑现之间的时滞被人为拉长了。第一批做感知机的人说它"能识别字母和图像"，媒体听到的是"机器能看"；专家系统在演示里能诊断血液感染，采购方听到的是"机器能当医生"。等到实际部署，边界条件一加，准确率掉下来，钱就撤了。算力不足只是让这个落差来得更快，不是落差的原因。
判断一个技术领域会不会进寒冬，看的不是它的天花板，是它对外承诺的落地时间表。这条规律，书里没有写。而它恰恰是这本书最该给读者的东西——因为读者读七十年史，不是为了知道哪年发生了什么事，是为了判断现在这一轮会不会重演。
顺带说一句，这一章还漏了一个更尴尬的问题：两次寒冬里，那些"被证明没用"的项目，后来有多少其实是对的？神经网络在第一次寒冬被判死刑，三十年后靠 GPU 和 ImageNet 复活。同一套数学，同一个想法，只是当时的机器跑不动。如果这一点不写，读者会误以为历史在淘汰错误的想法；实际上历史经常只是在淘汰太早的想法。这两种理解，对当下的决策含义完全相反。
三、语音那一章，泄露了全书的真实解释框架
第五章和第六章都讲语音——第五章"机器在聆听"讲识别，第六章"让霍金倾谈"讲合成。这两章是全书最好读的部分，也是解释力最强的部分，只不过作者自己可能没意识到强在哪里。
第五章末尾那几页，把语音交互的格局讲得非常干脆。谷歌在 2016 年 10 月发布 Google Assistant，一口气支持自家聊天应用 Allo、家居设备 Google Home、可穿戴 Android Wear、手机 Pixel、Android 汽车和 Android 电视，"立志在 Android 操作系统的生态圈里全面推广语音交互服务"。书里还写了一个很实在的细节：Google Assistant 最先只支持英文和德文，2017 年春天才开始支持三星、华为等少数手机厂商——生态再大，语言和机型也是硬门槛。
更好的是它对 Siri 和 Assistant 的那句对比。书里说，经过对比测试，"个人和机构的初步评价是，前者长于聊天和娱乐，而后者长于为实际的工作和生活提供帮助"。这句话只用了半行，但它其实是一个产品哲学的判决：一个助手是先陪你还是先办事，从第一天就定了，后面调不回来。
然后作者把四家的底牌一次摊开：苹果靠智能手机，谷歌靠搜索，亚马逊靠电商和 Echo 智能音箱，微软靠操作系统，"在语音交互这一兵家必争之地，科技巨头们的大战一直没有停息"。中国这边，2015 年 5 月京东商城和科大讯飞合作推出叮咚音箱，2017 年 7 月小米推出自己的智能语音交互音箱，而且"小米在自己的所有智能硬件设备上都留有语音接口，连插线板也不例外"。
我在这段停了一会儿。因为它无意中给出了一个比"技术进步史"锋利得多的解释：语音交互的胜负，从来不由识别率决定，由谁手里有入口决定。四家公司做的模型可能互有高下，但真正决定谁被用户用起来的，是手机预装、搜索框、电商账号和操作系统。技术在这里是必要条件，不是决定性条件。
作者写到了这个事实，却没有把它提炼成判断。他把四家并列成"大战正酣"的场面，读起来像战报，实际上是一张势力图。战报会过时，势力图不会。如果这本书只保留这一页的分析框架，删掉一半发布会流水账，它会成为一本更有用的书。
四、华尔街那一页，全书最像新闻写作的地方
第九章"数据魔方"的开头是全书写法最讲究的地方。章前一句话："当平凡的数据显露出价值，围绕数据的争夺就在所难免了。"然后直接切进场景——2017 年 3 月，华尔街上"一场没有硝烟的战争打响"，争夺的是"一件没有任何重量却价值无穷的虚拟物品——数据"。交战一方是摩根大通、花旗、高盛和电子交易商 Virtu Financial、KCG Holdings 组成的联合体。
这段好在三点：有时间，有对手，有标的。它把一个抽象命题——数据是资产——变成了一个可以查证的商业事件。这是全书唯一一次让我觉得"作者在现场"。
但它也停在了现场。这场争夺为什么会在 2017 年发生？数据为什么能定价？书里没有往下挖。我自己的理解是，数据能变成资产，前提是它先变成了可交易的标准化标的——就像当年的石油，得先有 API 度数和交割标准，才谈得上期货。华尔街抢的不是"数据"这个名词，抢的是"谁能定义数据的规格"。
这个区别很重要。如果数据只是"越多越好"，那所有公司都该无脑囤数据；如果关键是"规格由谁定"，那中小公司的最优策略就不是囤，而是接入别人的标准，把自己变成不可替换的一环。书里选了前一种暗示，因为它更容易写。
同一本书里，讲 Token 的那一页也有类似的问题。它说 GPT-3 有 1750 亿参数、训练数据 5000 亿 Token、约 7000 亿字节，"如果换算成汉字，大约有 20 万套四大名著的字数（一套四大名著约 260 万字）"。这个换算很生动，我承认我记住了。但同一段里的两个口径是打架的：7000 亿字节按 UTF-8 算约 3500 亿汉字，除掉 260 万，是 13 万套左右；能得出 20 万套，说明换算时又按"1 Token = 1 汉字"来算了。两个数差着近一倍。
这不是致命错误，但它是一个信号：这本书里的数字，是用来帮助理解的，不是用来做计算的。读者如果拿它去算成本、算语料规模，会栽跟头。年鉴可以这样写，教材不能。
五、"生成不等于创造"：最想下判断的地方，判断最站不住
第十章"生成与创造"是全书的重心，也是作者最用力的一章。它的核心论点只有一个，而且说得很直白。
答案是否定的。尽管 AIGC 有很强的理解、推理和生成能力，尽管 AIGC 能生成复杂和多样化的内容，但本质上，AIGC 仍然只能进行"生成"，而不能进行真正的"创造"。……AIGC 的内容生成基于输入数据的统计规律和模式。这种生成方式不是创造，它目前还不具有人类的想象力、直觉、思维灵活性、创新目的性，所以不具有创造性。AIGC 生成的内容没有产生新的思想、新概念、新方法，而这些正是人类创造力的表现。
这段话后面，作者引了一份报告做支撑：2024 年 11 月，牛津大学和犹他州立大学的一份题为《无法被 AI 取代的力量：人类认知的理论驱动力》的报告，说报告"从一个很重要的角度揭示了人为什么能够创造而机器还不能"，因为"AI 目前具有能力并非真正的智能突破，而是源于其背后的数据驱动机制"，"这种能力局限于对已有知识的模仿，而非对知识的创造性探索"。
我要在这里说得直接一点：这是全书论证最薄弱的地方，而它偏偏是作者最想让你接受的地方。有三个问题。
第一，把时间判断偷换成了本质判断。同一段里，作者自己写的是"它目前还不具有"——这是一个关于当下的陈述。但结论句写的是"本质上……不能"。目前不能，和本质上不能，中间隔着一整个归纳问题。牛顿那时候的机器也不能做微积分，那说明什么？说明当时的机器不行，不说明机器本质上不行。用"现在不行"论证"永远不行"，是这本七十年史最不该犯的错——因为这本书自己的前六章，讲的全是"当时不行、后来行了"的故事。
第二，引用报告只取结论，不取方法。书里告诉我们这份报告"揭示了人为什么能够创造"，但没有告诉我们它怎么定义"理论驱动"，怎么测量，样本是什么，有没有对照组。一份认知科学的报告，如果只留下"AI 只会模仿"这一句，它就从证据退化成了引语。我并不是说这份报告站不住，我是说读者无从判断它站不站得住，而这正是一本史书该替读者做的事。
第三，"新思想、新概念、新方法"这个标准，人类自己也大面积不达标。按这个门槛筛一遍，绝大多数被我们称为创造的东西都要被筛掉：一首遵循格律的诗、一部类型小说、一篇按范式写的论文。人类的创造大部分是组合式的——把两个已有的东西接到一起，接得好的那个被叫做天才。如果组合不算创造，那人类也没多少创造；如果组合算创造，那这条标准就筛不掉 AIGC。
我的判断是，这个问题问错了。不该问"机器能不能创造"，该问"机器造出来的东西，能不能通过同行评议、市场检验和时间筛选"。创造不是一种内在的心理状态，是一个社会性的认定过程。按前一个标准，你永远只能靠内省来争论；按后一个标准，它可以被观测、被统计、被逐年比较。作者选了前一个，因为前一个能给出确定答案，而后一个只能给出趋势——但趋势才是七十年的尺度上唯一有意义的东西。
六、"第四范式"与"科学智能"：一次漂亮的抢注
第十七章讲 AI 与科学的结合，是全书概念最密集的一章，也是我读得最警惕的一章。
书里先交代了"第四范式"的来历：由 1998 年图灵奖得主吉姆·格雷在 2007 年提出，指的是"在科学研究过程中，通过大规模数据分析和处理来发现新知识的一种方法论"，并且补了一句很有人情味的注脚——"可惜，吉姆·格雷不幸在海上失踪，来不及完善这一理论体系"。
然后作者做了一件事：他把这个框架改了。原文说，"计算、数据过去被认为是科学新范式，现在应该被修正。在 AI 发展过程中，计算和数据都是基础，应与 AI 看成一体，不应该被分开看待。计算、数据和 AI 应统一成一种范式，这就是继实验、理论之后的第三种科学范式，即人工智能范式，简称智能范式，这种范式也被称为科学智能。"
这一段我读了三遍。它有问题，而且问题不止一处。
先说小的：序号乱了。前一句说第四范式是格雷的提法，后一句说 AI 范式是"继实验、理论之后的第三种"。实验是第一范式，理论是第二范式，计算是第三，数据是第四——这是格雷那套编号的通行理解。把 AI 说成第三种，等于把中间两个跳过去了。这种编号上的随意，会让不熟悉这段学术史的读者建立一张错的坐标系。
再说大的：这是一次概念的合并同类项，而合并的理由不成立。格雷提"第四范式"，强调的是一件很具体的事：数据量大到科学发现的主要方式从"提出假设再验证"变成了"先扫数据再找模式"。计算是手段，数据是对象。而 AI 不是第三样东西——AI 恰恰是"从数据里找模式"这件事最有效的实现方式，它是第四范式里的工具，不是与计算、数据并列的第三个要素。把工具升格成范式，是把方法论的层级搞混了。
我理解作者为什么这么做。因为"科学智能"这个词，中国学界确实在用，也确实需要有一个自己的命名。书里紧跟着就讲了 AI4S 的由来：两位中国学者在 2018 年北大一次论坛前的午饭上想到 AI for Science 这个主题，"当时两人特别高兴，觉得想到了一个好名字"，还专门解释"AI for Science 有时也简称为 AI4S（4 即 for，是 for 的谐音）"。
这段写得挺可爱，但它的写法本身有问题。一个概念的诞生被写成了饭桌上的灵光一闪，这符合人物特写的趣味，却抹掉了这个概念真正重要的部分：它要解决的问题是什么、它和已有的"计算科学"有什么区别、为什么此前没人这么叫。把概念史写成轶事史，读者记住的是饭桌，不是概念。
我的判断是：AI4S 是个好词，因为它准确——它说的是"AI 服务于科学"，服务关系清楚。而"智能范式"这个词是坏的，因为它把服务关系说成了并列关系，听起来更气派，含义更模糊。一个领域如果靠改名字来提升地位，通常说明它还没找到自己不可替代的那件事。
七、"六小虎"那一页：把快照当成了定论
第十九章写中国 AI，用了一整节的篇幅介绍几家大模型创业公司。这一节写法很典型：一家一段，每段三句话，交代创始背景、技术路线、一句愿景。
书里的描述是这样的：MiniMax 的初心是"做下一代 AI，做接近图灵测试的智能体"，做出了"国内第一个基于 MoE（混合专家模型）的新一代大模型，水平直追 GPT-4o"；阶跃星辰成立第一天，展板上就画出了"一条与 OpenAI 相似的业务主线——从单模态模型到世界模型"；月之暗面的 Kimi"支持 20 万字长文本输入，而 GPT-4-32k 只支持约 2.5 万字"，因此短期内获得了大量用户；零一万物由李开复创办，"志向是通过开源模型和开放平台，吸引开发者共同提升模型，建设全球 AI 2.0 的开发者生态"；百川智能专注医学，王小川认为"能否人工制造医生，是判断 AGI 的重要标志"；智谱 2019 年 6 月成立，清华背景，"国内第一批探索大模型的公司"，还自定义了 AGI 的分级：L1 代表 AI 学会使用语言，L2 代表具备逻辑思维能力与多模态理解能力。
这些描述都准确，问题在结构。六家公司被并列摆在同一页上，读者自然会读成一个格局；但它其实只是一张截面。
我读到这里的时候想的是：这一节在写作时是对的，在出版时可能还勉强对，在读者拿到手的时候大概已经不对了。原因不复杂——这一节的判断依据几乎全是"愿景"和"路线"：谁对标 OpenAI，谁要做世界模型，谁要做 AGI 分级。而创业公司的愿景是最不值钱的信息，它几乎不变，变的全是资源和节奏。用不变的愿景去描述一个高速变化的行业，得到的必然是一张过期的合影。
更要紧的是，这一节缺了另一个维度：钱从哪来，靠什么收钱。六段里没有一段讲商业模式。一家公司说自己要做"接近图灵测试的智能体"，和它这个月能不能付得起 GPU 账单，是两件完全不同的事，而后者才决定它明年还在不在名单上。一本七十年的史书，写到最近这三年，反而把最影响存亡的变量省掉了，这不太合理。
我给这一节的评价是：作为人物速写合格，作为行业分析不合格。如果它是全书唯一一处这样写，那没关系；问题是这种写法贯穿了十九章——写人写得活，写局写得糊。
八、它的短板
图文对照：全书的知识骨架
前面几节我把具体的账算过了，这里集中说短板。我把它们按严重程度排。
第一，通篇二手材料，且没有出处。我数了一下我逐页核过的七个位置，每一处的信息形态都一样：转述公开报道、转述访谈、转述发布会。第四章讲黄仁勋和李飞飞，第七章讲机器翻译的冷战起源，第十七章讲 AI4S 的定名，叙事都很顺，但没有一处标注来源，书末也没有参考文献和索引。这对一本 294 屏的史书是硬伤——史书的价值一半在叙述，一半在可核查；去掉后一半，它就降级成了长篇特稿。我作为读者想把某句话追到原始访谈，追不到。
第二，章节体例像专栏结集，同一件事讲了两遍。第五章讲语音识别，末尾是语音交互大战：谷歌 Assistant、苹果 Siri、亚马逊 Echo、微软、叮咚、小米。第六章讲语音合成，末尾又是一轮语音交互大战。两处内容高度重叠，读者读到第二遍会有明确的"这段我见过"的感觉。这通常不是作者的问题，是把连载专栏直接装订成书的痕迹。十九个章节里，只要有三处这样的重复，全书就会显得比实际更松散。
第三，只有胜利者的故事，没有失败者的解剖。全书写了大量"谁做成了"：辛顿坚持到深度学习登场，李飞飞做出 ImageNet，黄仁勋把 GPU 塞进 AI。但"谁做错了、错在哪、错得值不值"几乎没有专节。唯一的失败叙事是两次寒冬，而寒冬被归因成一个词——算力。一本技术史如果不写失败的技术细节，读者学到的就只有"坚持终将胜利"这种安慰，而不是"哪种坚持是徒劳的"这种判断力。
第四，判断缺席。这是我认为最可惜的一点。作者显然有判断力——Siri 与 Assistant 那半句对比、格雷海上失踪那句注脚、"连插线板也不例外"这个细节，都是会写的人才会挑出来的东西。但每到该下结论的地方，他就退回陈述句。第十章该说"这个判断方式有问题"，他说了"答案是否定的"；第十七章该说"这个范式合并站不住"，他直接接受了合并。材料够，眼光够，就是不肯把话说到底。这本书因此停在"很好读"，没到"很难被替代"。
第五，时效性没有护栏。这不是说它写错了，是说它没有告诉读者哪里会过期。六小虎那一节、GPT-4o 的横评、20 万字上下文的对比，全是强时效信息，但书里没有任何一处标注"截至某年某月"。技术书的诚实，有一半体现在它敢不敢给自己的结论打上日期。
最后：怎么读它，以及我改了什么看法
我的建议很具体。
把它当索引，值。七十年里的关键人名、关键会议、关键产品，它基本都点了名，而且时间线不乱。你可以拿它当地图，看到感兴趣的一段，再去找那一带的专著。
把它当判断依据，不值。它对因果的处理太软，对失败的解剖太少，对概念的合并太随意。特别是"生成不等于创造"和"智能范式"这两处，我建议读到就停下来自己想一遍，别顺着走。
把它当中国 AI 的官方叙事读，最准确。从序言的四重信心，到第十九章"中国传奇正在书写"，这本书的立场是清楚的、一致的、不加掩饰的。这不是缺点，读者知道自己在读什么就好。怕的是把它当成中立的技术史。
最后说一个我读完之后改了的看法。
我原来以为，AI 的历史是由几个天才的想法推动的。读完这七十年，我改成了另一种理解：AI 的历史是由"什么时候有人愿意为它付电费"推动的。感知机死在算力，专家系统死在维护成本，深度学习活过来靠的是游戏显卡和免费图片，大模型活过来靠的是能烧钱的公司。书里每一章的转折点上，站着的都不是提出想法的人，是买单的人。
这本书没有明说这件事，但它把材料都摆出来了——摆得足够全，以至于我自己拼出了这个结论。这大概是它真正的价值：它不是一本给出答案的书，是一本材料足够让你自己得出结论的书。只不过，愿意自己拼的读者，可能比作者预期的少。
一句话收尾：它把七十年写成了一条让人安心的直线，可这条线上每一处接缝，都是有人赔光了钱才焊上的——这本书写清了焊缝在哪，却没写清是谁在流血。
阅读记录：《人工智能70年：从达特茅斯会议到大模型时代》，雷军作序，微信读书逐页翻阅 294 屏，全书 19 章，另附人工智能大事记。重点核对了序言中的"四重信心"与 8.6 亿台设备、第二章感知机与明斯基批评及 860 亿神经元/100 万亿突触的推算、第五章 Google Assistant 与 Siri 的定位对比及叮咚与小米音箱的时间线、第九章 2017 年 3 月华尔街数据争夺、第十章"生成不等于创造"与 2024 年 11 月牛津—犹他州立报告、第十七章第四范式与 AI4S 的定名、第十九章六小虎速写。2026-11-04。
发表评论: