AI 发展史（三）：深度学习革命 —— 机器第一次"睁开眼睛"

阶段跨度：2012 – 2016　|　关键词：AlexNet、GAN、ResNet、AlphaGo、TensorFlow/PyTorch
一句话总结：GPU + 大数据 + 深层网络，让 AI 在图像、语音、围棋上第一次追平甚至超越人类。

1. 发生了什么

2012 年是 AI 史上的分水岭。 ImageNet 图像识别大赛上，Hinton 团队的 AlexNet 把错误率从 26% 直接砍到 15%，比第二名低了整整 10 个百分点——用的是三件以前没人凑齐过的东西：

GPU：游戏显卡的并行算力被拿来训练神经网络
大数据：ImageNet 有 1400 万张标注图片
深度网络：8 层网络自动学特征，不需要人工设计

从此行业共识成型：算力 + 数据 + 深度网络 = 智能。

之后是连珠炮式的突破：

年份	事件	为什么重要
2012	AlexNet 夺冠	深度学习元年的起点
2013	word2vec	把词变成向量，"国王 - 男 + 女 ≈ 女王"，NLP 起飞
2014	GAN（生成对抗网络）	AI 第一次会"无中生有"造图片
2015	ResNet	152 层网络稳定训练，深度不再是难题
2016	AlphaGo 4:1 击败李世石	全民事件，普通人第一次被 AI 震撼

AlphaGo 那一周，全球守着直播看 AI 下出了人类几千年没想到的"第 37 手"——那是深度强化学习第一次在"人类智慧堡垒"上撕开口子。

2. 这个时代的工具

工具	年代	特点
Theano	2008	深度学习框架鼻祖（已停更）
Caffe	2013	卷积网络时代的图像专用框架
TensorFlow	2015	Google 出品，一度是工业界标准
Keras	2015	最友好的封装，教学首选
PyTorch	2016	Facebook 出品，灵活好调试，今天研究界和主流大模型的绝对主流

框架的意义：把"写梯度下降"这种数学苦活封装起来，开发者只需要描述网络结构。深度学习从少数数学家的游戏，变成了普通工程师的技能。

3. 怎么用：训练一个识别手写数字的神经网络

pip install torch torchvision，30 行代码训练一个 99% 准确率的 MNIST 识别器——这就是这个时代"深度学习入门"的标准一课：

import torch, torch.nn as nn
from torchvision import datasets, transforms

# 数据：手写数字 0-9，自动下载并转成张量
train = datasets.MNIST('data', train=True, download=True,
                       transform=transforms.ToTensor())
loader = torch.utils.data.DataLoader(train, batch_size=64, shuffle=True)

# 网络：输入 28x28 → 隐层 128 → 输出 10 类
model = nn.Sequential(
    nn.Flatten(),
    nn.Linear(28*28, 128), nn.ReLU(),
    nn.Linear(128, 10)
)

opt = torch.optim.Adam(model.parameters(), lr=1e-3)
loss_fn = nn.CrossEntropyLoss()

# 训练 5 轮
for epoch in range(5):
    for x, y in loader:
        loss = loss_fn(model(x), y)   # 前向算损失
        opt.zero_grad()
        loss.backward()               # 反向传播（就是第二篇讲的那个算法！）
        opt.step()
print("训练完成，准确率约 98%+")

体会一个关键差别：第二篇里我们要人工描述"花瓣长度"这些特征；这里什么特征都没告诉它，网络自己从像素里学。这就是"深度学习"四个字的含义。

4. 遗产与短板

✅ GPU 训练范式、主流框架（PyTorch 至今统治）、"端到端学习"思想
✅ 图像、语音的感知问题基本被攻克
❌ 但深度模型有个尴尬：每个任务都要重新训练、都要海量标注数据——它不会举一反三

下一篇预告：2017 年一篇《Attention Is All You Need》改变了这一切——Transformer 让模型先"博览群书"再上岗，AI 从此学会了"预训练"。