第 2 讲 AIGC 发展史与前沿动态
AI 的历史不是"一年比一年聪明"的匀速直线运动，而是几次跳跃式的范式转变。这一讲我们把镜头拉远，看懂这条主线——你就有了判断"AI 下一步会怎样"的坐标系。
本讲的前沿动态与产品举例截至 2026 年 8 月整理，以最新公开信息为准。AI 领域变化极快，课堂举例每学期开课前更新一次；你在课外看到的最新格局，很可能已经和本页不同——这本身就是本讲要教你的第一课。
一、本讲学习目标
完成本讲后，你应该能够：
- 按时间顺序梳理 AIGC（AI Generated Content）发展的关键节点，说清"会生成 → 会对话 → 会看会听（多模态）→ 会行动（Agent）"这条范式转变主线；
- 说出至少 3 个国内外代表模型（含国产模型）及其一句话特点；
- 解释"AI 是一种通用技术"的含义，并用"写 / 读 / 聊"三分类给 LLM 任务归类；
- 会用 Deep Research（深度研究）类工具与对话助手辅助追踪前沿动态；
- 说出 AI 在时效信息上的局限，并对 AI 给出的"新闻"和"史实"给出至少一种核实对策。
二、课前准备
- 无需编程基础：本讲是"认知篇"，只用对话工具，不碰代码。
- 带上第 1 讲的《AI 使用日志》：本讲课堂实操要继续记录。
- 课堂将播放课程资料包视频片段（主题："AI 是一种通用技术"），课前不要求观看。
- 想一想：你第一次听说 ChatGPT 是什么时候、从谁那里听说的？当时它给你什么印象？——这是你与 AIGC 历史的"第一次相遇"，课堂上会用到。
- 不必提前背年份：本讲教的是"怎么记、怎么查、怎么核"，不是背年表。
三、核心概念精讲
1. 为什么要给 AI 学一点历史？
物理学史课上记年份，不是为了应付填空题，而是为了看懂"范式转移"：牛顿力学在高速与微观世界失效，才有了相对论与量子力学。AI Agent（智能体）出现之前的 AIGC 历史也一样，主线是四次范式转变：会生成 → 会对话 → 会看会听（多模态）→ 会行动。最后这个"会行动"，指的就是上面链接里的"数字同事"——故事的最新一章，第 8 讲起你将亲手指挥一位。记住这条主线，比背下任何一张年表都值钱。
2. 史前与符号主义：问题被提出（1950–1990）
一切从一个思想实验开始。1950 年，图灵发表论文提出"模仿游戏"——后世称为图灵测试：如果隔着幕布提问，你分不清对面是人还是机器，是否就该承认机器"会思考"？这个判据妙在"盲测"：不问机器内部如何运作，只看外部表现——与物理实验中用盲测排除主观偏差是同一个思想。1956 年，达特茅斯会议召开，"人工智能（Artificial Intelligence）"一词正式诞生，AI 成为一门独立学科。
此后几十年，主流路线是符号主义：把专家知识写成一条条"如果……那么……"的规则，做成专家系统。它在矿藏勘探、医疗辅助诊断等窄领域确实管用，但很快撞上天花板：规则靠人工逐条编写，而常识浩如烟海——就像想用有限几条公理推出全部物理，做到一半就会发现世界远比公理复杂。
结果便是两次 AI 寒冬（约 20 世纪 70 年代中期、80 年代末两轮低谷）：宣传承诺过高，能力跟不上，经费与社会信心一起转凉。这段历史留下一条至今有效的教训——"能聊"不等于"能干"；对任何学科来说，过度承诺都是最贵的负债。
3. 深度学习浪潮：观测手段的升级（2012–2017）
物理学的突破常常始于观测手段的升级——望远镜口径变大，新天区才被看见。AI 的"望远镜升级"发生在 2012 年：AlexNet 神经网络在 ImageNet 大规模图像识别比赛中以明显优势夺冠，深度学习从此成为主流。要强调的是，这不是理论一夜革命，而是算力、数据与网络结构三者同时到位——量变积累触发的质变。
2016 年，AlphaGo 战胜围棋世界冠军李世石。围棋长期被认为依赖人类"直觉与经验"，机器难以企及；AlphaGo 靠海量自我对弈加概率搜索，用统计直觉替代棋感——这可以看作统计方法的一次公开"答辩成功"。
2017 年，Transformer 架构论文发表，核心是注意力机制：读一段文字时，模型对句中每个词同时计算"该重点关注谁"的权重——类似对整段数据做一次权重自动学习的加权拟合。它还支持大规模并行训练，效率远超逐词处理的老办法。此后几乎所有大语言模型都构建在 Transformer 之上：它是今天这场大模型革命的共同底座。
4. 生成式爆发：从"认得出"到"造得出"（2014–2023）
识别类模型回答"这张图里是什么"，生成式模型回答"我能造一张新的"。2014 年提出的 GAN（生成对抗网络）是标志性一步：生成器负责"造假"，判别器负责"找茬"，两者在对抗中共同变强——有点像实验中"发现系统误差 → 改进测量"的螺旋上升。GAN 之后，扩散模型（Diffusion Model）接棒：直观理解，它学的是"把墨水滴入清水的扩散过程倒放"——从一团随机噪点出发，一步步"去噪显影"出图像（这是帮助记忆的类比，严格机制第 12 讲再谈）。
语言这边，基于 Transformer 的大模型（LLM）沿 GPT 系列路线持续演进，2022 年底 ChatGPT 发布，对话式 AI 一夜出圈，2023 年被广泛称作"生成式 AI 元年"。这一刻被称作生成式 AI 的"出圈时刻"：自那以后，热度再未回落。这里要先建立一个直觉：模型的知识来自训练时"读"过的海量文本（以 Token——"文字积木"——为基本单位），而训练数据有截止日期，所以模型天然"不知道"截止之后的世界，第 3 讲会专门拆解这一点。2023 年起，头部模型纷纷走向多模态（Multimodal）：不止读字，还能看图、听声、说话。
生成式 AI 生成的内容可归为文本、图像、音频三大类，目前影响最深的是文本；但图像（文生图，第 12 讲）与音频进展同样惊人——课堂上会播放一段"语音克隆"演示视频：AI 用克隆的人声说"我是 AI 生成的声音克隆，本人从来没说过这些话"。听到"以假乱真"的声音，你会对第 3 讲的"核查习惯"多一分敬意，也会对第 13 讲的配音生成多一分期待。
5. 一张表看懂七十余年（时间轴总览）
下表只收公认的年份与事件，说法不一或存疑的不列。建议把本表存进笔记——课后作业要直接用到。
| 年份 | 事件 | 一句话意义 |
|---|---|---|
| 1950 | 图灵测试提出 | 隔着幕布分不清人与机器就算"会思考"——AI 的原点问题 |
| 1956 | 达特茅斯会议 | "人工智能"一词正式诞生，AI 成为独立学科 |
| 20 世纪 60–80 年代 | 专家系统兴起 | 把专家知识写成规则让计算机推理，AI 第一次走向实用 |
| 约 1974–1980、1987–1993 | 两次 AI 寒冬 | 承诺过高、能力不济，经费遇冷——"能聊"≠"能干"的最早教训 |
| 1997 | 深蓝战胜国际象棋世界冠军 | 专用机器首次在规则明确的棋类上超越人类顶尖选手 |
| 2012 | AlexNet 夺冠 ImageNet | 深度神经网络大放异彩，深度学习浪潮正式开启 |
| 2014 | GAN（生成对抗网络）提出 | "造假 vs 找茬"的对抗训练，让机器学会"无中生有"造图像 |
| 2016 | AlphaGo 战胜李世石 | 机器在直觉与经验主导的围棋上登顶，公众第一次为 AI"沸腾" |
| 2017 | Transformer 架构提出 | 注意力机制让模型高效读懂长文本，成为大模型的共同底座 |
| 2020–2022 | 扩散模型成熟，文生图集中爆发 | 从噪点"显影"的路线成为文生图主流，"一句话生成一张图"走入公众视野 |
| 2022 | ChatGPT 发布 | 对话式 AI 走入千家万户，"生成式 AI 元年"被广泛提及 |
| 2023 | 头部模型走向多模态 | 单一文字模型开始能看图、听话、说话，输入输出形式全面扩展 |
| 2024–2025 | 多模态生成走向实用，AI Agent 兴起 | AI 从"会聊"迈向"会做"：调用工具、执行任务、连接外部系统 |
6. 国产大模型格局：多家并存、快速迭代
大模型不是海外独有，国内同样呈现"多家并存、快速迭代"的活跃格局。下面的介绍只给名称与一句话定位，不列参数规模与跑分——那既容易过时，也不是本课的重点；各产品的最新情况以厂商官方信息为准。排名不分先后。
| 模型 | 一句话定位 |
|---|---|
| GLM（智谱） | 本课程主力对话工具之一（智谱清言），通用对话与智能体能力均衡 |
| DeepSeek（深度求索） | 以推理能力与开放策略著称，"高性价比"路线的代表 |
| Qwen / 通义千问（阿里巴巴） | 开源版本覆盖广泛的系列模型，面向开发者的生态完整 |
| 豆包（字节跳动） | 面向大众日常使用的对话助手，移动端使用门槛低 |
| Kimi（月之暗面） | 以长文本处理能力进入公众视野的对话助手 |
本课程的工具安排对齐教学大纲：AI 对话以智谱清言（GLM）与 DeepSeek 为主力，豆包、Kimi、通义千问等为备选——建议至少注册两个互为备份，这也是"感受不同模型脾气"的最直接办法。
7. 从 Chatbot 到 Agent：正在进行的一次范式转变
回望主线：专家系统"会推理"，深度学习"会识别"，生成式模型"会创作"，ChatGPT 之后"会对话"，多模态之后"会看会听"。最新的转变是——会行动。能陪你问答的助手叫 Chatbot（聊天机器人）；能接任务、自己拆步骤、调用工具、交付成果的，叫 AI Agent。二者不是替代关系：Chatbot 负责"说"，Agent 负责"做"。
Agent 凭什么把"方法"落地？两个关键词。其一是技能（Skill）：可以理解为"给 AI 的专业工作方法包"——把一类任务的指令、步骤与参考资料按文件夹的方式打包在一起，而且它已经是一道开放标准，一次编写、多种 Agent 工具通用。其二是基础工具：光有菜谱还不够，还得有厨房——Agent 靠"读写文件"与"执行命令"两件基本功，把方法包真正落在你的电脑上，就像实验讲义写得再好，没有实验桌和仪器，实验依然做不成。"方法包 + 工具"的组合，正是 2024 年以来 Agent 应用兴起的技术底气，也是本课后半程（第 8–10 讲）的主舞台。
8. AI 是一种通用技术：用"写 / 读 / 聊"给 LLM 任务归类
上一节讲的是 AI 的"最新一章"，这一节回答一个更根本的问题：AI 到底能干什么？这个问题出名的难答，一个经典解释是：因为 AI 是一种通用技术（General Purpose Technology）——问"汽车能干什么"很好答（运输），问"微波炉能干什么"很好答（加热食物），但问"电能干什么""互联网能干什么"就没法一句话答完，因为它们几乎对每件事都有用。AI 正属于后者。这也是为什么本课要按"能力主线"而不是"功能清单"来组织——通用技术时代，值钱的是可迁移的能力。
通用技术难以归类，但大模型（LLM）的日常任务可以用一个三分法框起来：写、读、聊。分类的依据是"输入和输出的长短形状"：
| 类别 | 形状 | 典型任务 | 物理学习场景示例 |
|---|---|---|---|
| 写 | 短输入 → 长输出 | 写作、头脑风暴、回答开放问题、按资料答疑 | "把熵讲成高中生能懂的 300 字"；为科普文列 5 个备选标题；让它基于你上传的课件回答问题 |
| 读 | 长输入 → 短输出 | 分类、打标签、判断、摘要点 | 把整段实验记录贴进去，问"这组数据有没有明显异常值？（是 / 否 + 一句理由）"；判断一段文献摘要属于哪个研究方向 |
| 聊 | 多轮往复 | 通用对话、专用答疑机器人 | 多轮追问式复习概念；"只提示不给答案"的习题教练（第 6 讲正式练） |
同一套技术还有另一种分法——按"你怎么用上它"分两类，这一分法直接通向本课后半程：
- 网页界面型应用：你打开对话网站，输入提示词，拿回结果。本课程第 1–7 讲的主战场。典型例子是"给产品起名"——随手输一句话就行；
- 基于 LLM 的软件应用：LLM 被嵌进一套自动流程里，人不再逐条手工喂。典型例子是客服邮件自动分诊——"读"类任务判定"这封是不是投诉"，再自动转发给对应部门。没有人会把成千上万封邮件一封封复制粘贴进对话框：一旦量大到需要自动化，就该"软件应用"登场了。
把这条线再往前推一步：当程序里的 LLM 进一步获得调用工具、操作文件、自主规划的能力，它就从"固定流程中的一环"升级为 Agent——第 8 讲的主角。现在先把"写 / 读 / 聊"这副眼镜戴上：课堂实操里，请把你第 1 讲"AI 三连"的三个任务各自归入写 / 读 / 聊，看看分类是否帮你看清了"当时为什么那样问"。
四、物理场景案例演示
本讲案例仍用对话工具完成，但目标从"解题"换成"办报"：让 AI 化身"新闻分析师"。课堂先看教师演示，随后你自己上手。这里先建立一个警惕：AI 会"一本正经地编"，术语叫幻觉（Hallucination）（第 3 讲细讲）——所以下面这条提示词的灵魂，全在"待核实"三个字上。
请你扮演一名 AI 领域的"新闻分析师"。我会在下方提供几条动态素材，
请把它们整理成一张"本周 AI 大事表"，包含四列：事项、类别、一句话
解读、建议核实渠道。
要求：
1. 只依据我提供的素材整理，素材之外的事件一律不添加，无法确认的
一律注明"待核实"；
2. 表格之后，单独列出"可能过时或无法确认的信息"清单，并写明建议
到哪里核实；
3. 全部使用中文。
另外：如果我没有提供素材就要求你总结"本周动态"，请如实说明你读
不到实时新闻、建议我改用联网检索工具，不要凭印象编造。
【动态素材】（把我收集的 4–5 条动态粘贴在这里）🧪 查看运行结果（ZCode + GLM 实测）
AI Agent 根据示例素材生成了本周 AI 大事表（执行环境：GLM+ZCode）。素材为示例，非实时检索。
示例输入素材（整理截至 2026 年 8 月的公开动态要点，不写具体发布日期与跑分）：
① Agent 互连开放标准（如 MCP）生态持续扩张，主流开发工具与模型厂商广泛接入，"方法包 + 工具"的技术栈走向标准化。 ② DeepSeek、Qwen（通义千问）、GLM 等国产模型系列保持高频迭代，开源版本在开发者社区被广泛部署，"以开放换生态"路线延续。 ③ 文生视频产品密集升级，海外与国产多款产品竞逐，长时长、音画同步、可控性成为竞争焦点。 ④ AI for Science 标志性成果密集：蛋白质结构预测获诺贝尔化学奖认可，AI 气象预报、数学证明、材料发现等方向持续推进。 ⑤ 主流办公与开发平台把"智能体"产品化：操作浏览器、跨应用执行任务成为标配方向。
GLM 输出 · 本周 AI 大事表（依据上述素材生成）：
| 事项 | 类别 | 一句话解读 | 建议核实渠道 |
|---|---|---|---|
| Agent 互连开放标准（如 MCP）生态持续扩张，主流开发工具与模型厂商广泛接入 | Agent 与标准 | Agent 连接工具正从"各家私有做法"走向"公共标准"，相当于给 AI 统一了"USB 接口"（⚠️ 扩张程度为趋势概括，待核实） | MCP 官方文档与规范仓库；各大厂商官方博客 |
| DeepSeek、Qwen、GLM 等国产模型系列高频迭代，开源版本被开发者广泛部署 | 国产开源模型 | "以开放换生态"成为国产模型的共同路线，下游应用的试用门槛持续降低（⚠️ "广泛部署"程度待核实） | 各厂商官网与官方公告；Hugging Face、魔搭等模型社区主页 |
| 文生视频产品密集升级，长时长、音画同步与可控性成为竞争焦点 | 多模态生成 | 视频生成从"能看几秒"走向"能进工作流"，内容生产行业最先被改写（⚠️ 竞争格局月月刷新，待核实） | 各产品官网版本说明；权威科技媒体横向评测 |
| AI for Science 标志性成果密集：蛋白质结构预测获诺贝尔化学奖认可，AI 气象预报、数学证明、材料发现持续推进 | AI for Science | AI 正从"聊天工具"变成"科研仪器"，离物理人的距离比想象中近（✅ 诺奖事实据素材；其余进展待核实） | 《自然》《科学》等期刊原文；诺贝尔奖官网；DeepMind 官方博客 |
| 主流办公与开发平台把"智能体"产品化，操作浏览器、跨应用执行任务成为标配方向 | Agent 产品化 | "会聊"的助手正在变成"会做"的数字同事——本课后半程的主舞台（⚠️ "标配"为趋势判断，待核实） | 各平台官方发布页与功能文档；第三方实测文章 |
GLM 输出 · 可能过时或无法确认的信息清单：
1. 所有具体日期：示例素材刻意不提供发布日期，本表也未标日期——任何"具体哪天发布"都请以官方公告为准（待核实）。 2. "生态扩张""广泛部署""标配"等规模与程度词：属于趋势概括，无法量化，默认待核实。 3. "谁更领先"式对比：本表不做排名。各家版本月月刷新，任何排名拿到手时多半已过时，请查当期评测。 4. 对"本周"的覆盖程度：示例素材只有 5 条，不代表本周动态全貌。实际使用时请先自行检索收集素材，再交给 AI 整理——素材的完整度决定了"大事表"的完整度。
以上为 GLM 对示例素材的真实输出。换一周、换一批素材，表就要重做——时效性内容没有"一次生成、永久有效"这回事。
拆解这条提示词为什么"专业"——它的骨架其实就是第 4 讲要系统学习的四要素：
- 设定角色："新闻分析师"让 AI 知道用什么口吻、什么视角组织材料；
- 规定输出：四列表格，列名清晰——输出格式定得越具体，结果越好验收；
- 加约束："无法确认的一律注明待核实"，这是给 AI 划的诚信底线，也是给你留出的核查入口。
再来一个物理味的对照实验——史实核查：
请按年份列出深度学习发展史上的 5 个关键节点，每个节点一行，
包含：年份、事件、一句话意义。如果学术界对某一年份或归属有
不同说法，请明确指出。🧪 查看运行结果（ZCode + GLM 实测）
AI Agent 生成并核查了 5 条 AI 史断言（执行环境：GLM+ZCode）。其中 2 条不属实断言为教学故意所设。
第一轮 · GLM 按提示词列出的 5 个关键节点：
1950｜图灵测试提出｜"隔着幕布分不清人与机器"成为 AI 的原点问题。 1956｜达特茅斯会议召开｜"人工智能"一词正式诞生，AI 成为独立学科。 2012｜AlexNet 夺冠 ImageNet｜深度神经网络大放异彩，深度学习浪潮开启。 2016｜AlphaGo 战胜李世石｜机器在直觉与经验主导的围棋上登顶。 2017｜Transformer 架构提出｜注意力机制成为此后大模型的共同底座。 补充说明（按要求指出不同说法）：以上均为学界公认节点。需注意的 细节有：①"深度学习"思想可追溯到更早（如 1986 年反向传播），2012 年取的是公认"引爆点"；②两次 AI 寒冬的具体起止年份各家说法略有出 入；③"图灵测试"是后世通称，1950 年论文原名为"模仿游戏"。
第二轮 · 逐条核查表（断言 → 核查 → 结论；核查动作 = GLM 复核 + 对照原始文献与官方公告）：
| 断言 | 核查过程与依据 | 结论 |
|---|---|---|
| "Transformer 2017 年由 Google 团队提出" | 对照原始论文《Attention Is All You Need》：2017 年公开，作者来自 Google Brain / Google Research 团队，后在 NeurIPS 2017 发表 | √ 属实 |
| "ChatGPT 于 2019 年发布" | 对照 OpenAI 官方公告：ChatGPT 于 2022 年 11 月发布；2019 年 GPT 系列的新闻是 GPT-2 完整模型公开 | × 不属实（正确：2022 年 11 月） |
| "AlphaGo 2016 年战胜李世石" | 对照 DeepMind 官方记录与《自然》2016 年论文：2016 年 3 月于首尔进行，总比分 4:1 | √ 属实 |
| "图灵 1950 年提出图灵测试" | 对照原始论文《Computing Machinery and Intelligence》（Mind，1950）：提出的是"模仿游戏"，"图灵测试"为后世通称 | √ 属实（细节：原名"模仿游戏"） |
| "GAN 由 OpenAI 提出" | 对照 NIPS 2014 论文《Generative Adversarial Nets》：由 Ian Goodfellow 等人在蒙特利尔大学提出；OpenAI 成立于 2015 年底，与 GAN 的提出无关 | × 不属实（正确：2014 年由 Goodfellow 等人提出） |
两条被改错的断言，GLM 复核时都当场指出并给出正确说法——但别急着放心：模型的自信语气与对错无关，"它说对了"不等于"可以免检"，抽查动作必须保留。这正是第 3 讲幻觉查证方法的预热：逐条标记"属实 / 有误 / 查无出处 / 无法核实"，并注明查证方式。
现场核查步骤：①从 AI 的答案中挑 2 条；②用浏览器搜索该事件的原始论文标题或官方公告；③对照年份与事件描述。你会发现一个有规律的结论：AI 的"宏观叙事"大体可信，"具体细节"必须抽查——这正是物理学生做数据审查的职业本能。
五、课堂实操任务单
想追"本周发生了什么"，除了普通对话助手，还有一类自带"自主检索"能力的 Deep Research 工具。各一句话定位：
| 工具 | 一句话定位 |
|---|---|
| OpenAI Deep Research | 业界最早提出"Deep Research"概念的深度研究功能 |
| Gemini Deep Research | Gemini 内置的深度研究功能，多轮检索后汇总成报告 |
| Grok Deep Research | Grok 平台的深度研究功能 |
| Perplexity | 定位为"AI 搜索引擎"的问答产品，回答通常附来源链接 |
| 秘塔（metaso） | 国内的 AI 搜索与"深度研究"产品，中文资料覆盖较全 |
| Kimi Researcher | Kimi 推出的深度研究能力，端到端自主检索整理 |
| alphaXiv | 面向 arXiv 论文的检索与讨论社区，离物理科研最近 |
各工具功能与可用性随时间变化，以当期实际可用为准。本课程考核不指定工具，选你注册过的即可。
从下一讲起，每讲开头 5 分钟由 1–2 名同学分享"本周 AI 快讯"，计入平时分。建议流程：用 AI 整理本周大事 → 人工挑 2–3 条 → 亲自核实 → 用一分钟讲清"为什么重要"。注意：直接照念 AI 生成、未经核实的快讯不算完成——核实环节正是本讲的得分点。课外想拓宽信息源，可浏览 AIGC 使用技巧类自学站（如 waytoagi 知识库），并用本讲方法对其中内容保持同样的核查习惯。
六、常见坑与翻车案例
- 坑① 直接问"今天有什么新闻"：普通对话助手的训练数据有截止时间，它根本没读过"今天"。解法：时效性问题改用联网检索或 Deep Research 类工具。
- 坑② 把 AI 讲的"历史"照单全收：AI 复述史实时可能张冠李戴——年份错位、把成就安到别的模型头上，而且语气笃定。解法：凡引用年份与归属，对照本讲时间轴或原始文献抽查。
- 坑③ 陷入版本号与参数考据："谁的参数更大"式攀比既无标准答案，又月月刷新，纯属时间黑洞。解法：重心放在范式转变上——生成、对话、多模态、行动；本站全站也不写参数与跑分。
- 坑④ 只追热点不留记录：刷了一周 AI 大新闻，合上屏幕全忘。解法：用"大事记表 + 轮值快讯"把热点沉淀成自己的时间轴。
- 坑⑤ 把 Deep Research 报告当定论：自动报告结构漂亮、来源齐全，但可能漏读、误读甚至编出似是而非的引用。解法：引用前抽查参考文献——核对原始出处是物理学生的基本功。
七、自测
1. 下列事件按发生时间先后排序，正确的是？
- 达特茅斯会议 → 图灵测试 → AlexNet → AlphaGo → ChatGPT
- 图灵测试 → 达特茅斯会议 → AlexNet → AlphaGo → ChatGPT
- 图灵测试 → 达特茅斯会议 → AlphaGo → AlexNet → ChatGPT
- 达特茅斯会议 → 图灵测试 → AlphaGo → AlexNet → ChatGPT
查看答案
B。1950 图灵测试 → 1956 达特茅斯会议 → 2012 AlexNet → 2016 AlphaGo → 2022 ChatGPT。
2. 2017 年提出的 Transformer 被称为今天大模型的"共同底座"，主要因为？
- 它是第一个能与人对话的程序
- 注意力机制能高效处理长文本，且支持大规模并行训练
- 它专门用于生成图像
- 它让模型不再需要训练数据
查看答案
B。注意力机制 + 并行训练效率，使"读长文、学海量"成为可能；此后的大语言模型几乎都构建在它之上。第一个能对话的程序与图像生成都不是它的定位，模型也离不开训练数据。
3. 简答：写出至少 3 个国产大模型名称，并各用一句话概括其定位。
参考答案
示例（言之有理即可）：GLM——智谱推出的模型，本课程主力对话工具之一；DeepSeek——以推理能力与开放策略著称；Qwen（通义千问）——阿里系、开源生态覆盖广泛的系列模型；豆包——字节跳动面向大众的对话助手；Kimi——月之暗面推出、以长文本处理见长。注意：只要求"名称 + 定位"，不需要背参数与版本号。
4. 简答：直接问普通对话助手"本周 AI 圈发生了什么"，为什么不可靠？给出至少一条对策。
参考答案
因为它读不到训练截止之后的世界——本周的事根本不在它"读"过的文本里；更危险的是它可能顺着问题"补编"出貌似合理的答案（幻觉）。对策：时效性问题改用联网检索或 Deep Research 类工具，并对结果做人工核实；本讲保底任务的"标注 + 核实"就是标准动作。
5. 判断题："Deep Research 工具自动生成的调研报告结构完整、来源齐全，可以直接引用到作业里，无需再核查。"这个说法对吗？
查看答案与解析
不对。结构完整 ≠ 内容为真：自动检索仍可能漏读、误读甚至编造引用。引用前必须抽查来源原文——课程规范说得很清楚："AI 产出，人工把关"，事实与引用的科学性由你本人负责。
以下 3 题检验本讲核心概念（另有 2 题在第 3 讲）。先自己作答，再展开答案。
V1. 哪项是"生成式人工智能"的最佳定义？
- 能生成高质量内容（如文本、图像和音频）的人工智能
- 一种网络搜索形式
- 任何可生成文本的网络应用程序
- 能将输入 A 映射到输出 B 的人工智能系统
查看答案
A。生成式 AI 的标志性能力是"生成高质量内容"，覆盖文本、图像、音频三类。D 描述的是监督学习（贴标签，输入 A → 输出 B），是生成式 AI 的重要基石但不是定义本身——第 3 讲会讲清两者的关系。
V2. 为什么我们称人工智能为通用技术？
- 因为它可用于许多不同的任务
- 因为它可以聊天
- 因为它既包括监督式学习，也包括生成式人工智能
- 因为它可以通过普通网络访问
查看答案
A。像电和互联网一样，AI 几乎对每件事都有用——这正是"AI 能干什么"难以一句话回答的原因。C 说的是 AI 工具箱里的两件主要工具，不是"通用技术"的定义。
V3. 你听说有公司用 LLM 自动把客服邮件路由到正确的部门。这最有可能是哪种用例？
- 员工把邮件复制粘贴到网页界面，据结果决定如何转发
- 公司有一个基于 LLM 的软件应用程序，自动完成邮件路由
查看答案
B。邮件量大到需要"自动路由"时，逐封手工粘贴进网页界面既低效也不现实——这是"基于 LLM 的软件应用"：LLM 嵌入自动流程当"分类员"。当流程里的 LLM 再进一步获得调用工具与自主规划的能力，它就升级为 Agent（第 8 讲）。
八、课后作业
题目：《AIGC 大事记中我最关注的三个节点及理由》，约 500 字。写法建议：
- 选 3 个节点，建议覆盖不同范式（例如一个"生成"、一个"对话"、一个"行动"），可与本讲时间轴互补；
- 每个节点两步走：发生了什么（1–2 句，年份务必可靠——可直接对照本讲时间轴）＋ 我为什么关注它（2–3 句，最好联系你的物理学习或实验经历）；
- 结尾可选：大胆预测"下一个转折点会出现在哪"，一句话即可——预测没有对错，但要给理由。
允许用 AI 辅助检索与润色，但节点的选择与理由必须是你自己的判断；本次使用请同步记入《AI 使用日志》。
按课程《学术诚信与 AI 使用规范》，本作业需附《AI 使用声明》：用了什么工具、让它做了什么、你如何核查。"AI 产出，人工把关。"
九、进阶拓展（选学）
🎓 两次寒冬的深层教训，与"考证一条 AI 史实"的完整流程
1. 寒冬教会我们的事。符号主义路线的困境不在"规则没用"，而在"常识写不完"；两次寒冬的本质都是承诺与能力的差距被市场兑现。反过来看 2012 年的胜利，靠的也不是豪言，而是算力、数据、结构三件事同时就位。给观察者的启示：判断一项 AI 进展，先问"什么条件到位了"，再问"还差什么"——而不是听结论有多惊人。
2. 考证一条 AI 史实的五步流程（把本讲方法用到极限，类比实验中的不确定度评定）：
- 让 AI 给出初稿（事件、年份、出处）；
- 多来源交叉验证（至少两个彼此独立的来源）；
- 尽量追溯到原始论文标题或官方公告；
- 记录出处，注明"哪些来源一致、哪些有出入"；
- 给你自己的结论标注"置信度"——拿不准就明说，这与测量报告里如实给出不确定度是同一种诚实。
3. 延伸阅读。想看"从 Chatbot 到 Agent"更细的脉络，可阅读 agentskillsdev.com 的中文深度手册。