人工智能70年：它写了两次寒冬，却不肯承认第三次

2026-11-13silcano

微信读书《人工智能70年：从达特茅斯会议到大模型时代》（陈宗周 著）· 逐页翻阅 293 屏 · 抓取标记 reached_end=True（end_reason=last_page，书尾落在"文后"）· 阅读器共记录 132 个章块，十九章加附录
抽样说明：这本是通史写法，章多节碎，我按"史观—人物—当下—结论"四条线抽读：p0006 序（雷军撰，核对书名）、p0012 第一章开篇、p0017 AlphaGo 到 AlphaFold、p0031 日本五代机与渊一博、p0034 施密德胡伯与辛顿、p0054 李飞飞与 ImageNet、p0090 谷歌翻译实测、p0144 规模法则的是与非、p0147 算力与能源、p0160 具身智能、p0169 智能体崛起、p0238 OpenAI 宫斗、p0241 AGI 快来了吗、p0268 中国大模型。
章屏数按阅读器顶部章标签切分，标签有滞后（约 ±2 屏），统计时按实际页位校正。所有引文只来自上述页面与全书章块统计，不引书外材料。这本书抓取完整、读到了最后一屏，所以下面的判断是按整本给的，不是按残篇。

这本书 293 屏，19 章，132 个章块。平均一个章块 2.2 屏。

这个数字我第一眼看到时没在意，写到一半才反应过来它意味着什么：全书没有一处能连续论述超过三屏。你刚跟上一个人的思路，翻一页就换人了；你刚觉得某个判断有意思，下一节标题已经在讲另一个国家。

所以它不是一本"论证某种观点"的书，是一本"按时间把人和事排好队"的书。这类书有它的用处——当索引、当回忆录、当行业编年史。但它也有它的代价，而这个代价，恰好落在它最想说的那个话题上。

还有一个细节，翻开第一页就该注意到：这本书的序，是一位企业家写的。

序里讲的是小米 2018 年把手机上的人工智能计算引擎 MACE 完全开源，把智能物联网设备的连接协议全部公开，把智能问答系统全部开源；讲"成为新一代全球硬核科技引领者"；讲 AI 是"人车家全生态"战略最关键的底层支撑之一；还讲到 2025 年两会上的一个建议——健全 AI 终端标准体系，力争到 2030 年率先形成全球领先的 AI 终端标准体系。

我不是说企业家不能写序。我是说，序言的调子会决定全书的骨架。这篇序给的调子是"AI 是这个时代的确定性机会"，于是后面十九章的任务就变成了"把这个确定性铺开来讲"——而不是"检验这个确定性是否成立"。

这就是为什么全书 293 屏里，找不到一节叫"如果这一轮又错了会怎样"。不是作者不敢写，是这本书的入口就没给这个题目留位置。

一、先看这 293 屏是怎么排的

十九章摊开，主题是这样的：诺奖与 AlphaFold（第 1 章）、两次寒冬（第 2 章）、辛顿（第 3 章）、深度学习的三根支柱（第 4 章）、语音识别（第 5 章）、语音合成（第 6 章）、机器翻译（第 7 章）、计算机视觉（第 8 章）、数据科学（第 9 章）、生成式 AI（第 10 章）、机器人（第 11 章）、智能体（第 12 章）、无人机（第 13 章）、自动驾驶（第 14 章）、教育（第 15 章）、医疗（第 16 章）、科学智能（第 17 章）、AGI 与治理（第 18 章）、中国 AI（第 19 章）。

看得出作者的设计：前面按"技术门类"切，后面按"应用领域"切，最后收在"未来"和"中国"。这是一个很稳的教科书式结构，稳到几乎不会出错，也稳到不会有惊喜。

真正的问题在颗粒度。第 10 章讲生成式 AI，全章十节，覆盖 ChatGPT 一鸣惊人、大模型狂潮、跨越模态、人人都有大模型、AIGC 改变一切、ChatGPT 惹来风波、幻觉与偏见、规模法则的是与非、算力与能源、机器能创造吗——十个题目，每一个都够写一本书，这里每个分到两三屏。

第 10.8 节"规模法则的是与非"，是全书我认为最该展开的一节。它只有两屏左右。而这两屏里塞了三个可以各自成章的东西：GPT-4 之后进步放缓的观察、马库斯的公开质疑、以及《自然》上一项关于"模型越大简单任务错得越多"的研究。

三样东西，两屏。这不是取舍，这是通报。

二、最好的十屏，在 1997 年的东京

翻完整本，我最想留下的一段，在第 2 章，讲日本第五代计算机。

故事本身不新鲜：1982 年日本通产省启动五代机计划，目标是造出能听、能看、能说话、能自己理解任务而不需要人写指令的机器。预算从预计 4.5 亿美元，加上企业投入到 8.5 亿，最终可能超过 10 亿。领军人是 ICOT 所长渊一博，当年 46 岁，要求研究员年龄不超过 35 岁，团队被戏称"四十浪人"。项目 1992 年终止。

新鲜的是作者的位置。他不在资料室里写这段，他去了现场：

1997年6月，我在日本拜访传奇人物渊一博，见证了AI在日本的退潮期。我们见面时，他早已从东京市区豪华办公楼搬到庆应大学一间简陋办公室。在低沉的气氛中……
——第 2 章，p0031

这一段的价值不在信息，在坐标。一个项目的失败，在教科书里是一个年份（1992），在一间简陋办公室里是一张桌子。作者亲眼看见了那张桌子，所以他能写出"低沉的气氛"这四个字，而同样的四个字如果由一个没去过的人写，就是形容词。

这本书里还有几处类似的东西：第 5 章讲语音识别，作者写自己当年怎么跟着一代代技术跑；第 7 章讲机器翻译，他能把 2017 年 1 月国内一家媒体用特朗普就职演说测谷歌翻译的结论拿出来——"基本上达到 70% 到 80% 的正确率"，然后补一句：到 2025 年 1 月特朗普再发表就职演讲时，各平台都有准确度很高的实时翻译，"这件事已经没有新闻性了"。

这两句话放在一起，是这本书里少见的、有历史感的判断：一项技术真正成功的标志，不是它上了头条，是它不再上头条。

可惜这样的句子太少。全书 293 屏，我数得出来的、带着"我在场"或"我有个判断"的段落，不超过十屏。其余两百八十多屏，是把公开报道按年份码好。

而这本书最像小说的段落，其实在第一章，讲的是一个"接力"的故事。

2013 年 12 月，太浩湖边的机器学习会议上，DeepMind 演示了一款自己学会玩游戏的 AI，在场专家被震住。一个月后，谷歌以 4 亿英镑全资收购 DeepMind。再过两年，AlphaGo 战胜李世石。作者提了一句马斯克——他先发现了哈萨比斯的才华并投资，又向谷歌推荐。

然后是全书我最喜欢的一个时间点：

"当 AlphaGo 在人机大战中势如破竹时，坐在韩国首尔赛场旁边观战室的他，开始思考这项智能技术的未来应用方向，蛋白质结构研究正是其中之一。今天声名大噪的 AlphaFold，在那时就已经涌上他的心头。AlphaGo 团队凯旋的第二天，AlphaFold 项目悄悄启动。"

这一段写得好，因为它把"胜利的第二天"和"下一个难题"接在了一起。一个团队在最风光的那天早上，去做了一件要等八年才有结果的事——这件事本身就是对"AI 是什么"最好的注解：它不是一次胜利，是一串还没解决的问题。

而这一页之后，作者紧接着写蛋白质：20 种氨基酸折叠成三维结构，一个只有 100 个氨基酸的蛋白质，可能的结构数量是个天文数字，"蛋白质折叠谜题"折磨了科学家 50 年。

这两段放在一起，是我认为全书最接近"好科普"的地方：先给你一个人，再给你一个具体的难，最后告诉你有人在这两者之间搭了一座桥。可惜全书这样的段落，我只找到三四处。

三、这本书真正的发现，被它自己浪费了

第 2 章的标题叫"酷暑与寒冬——AI 的艰难历程"。这一章在我看来是全书的钥匙，因为它在讲一件比"AI 很厉害"重要得多的事：AI 是怎么失败两次的。

第一次，算力不够。第二次，专家系统的知识库维护成本压垮了商业模型。这两次崩盘有一个共同点，作者写出来了，但他自己好像没意识到这句话有多重。

共同点是：每一次崩盘，都不是因为算法不够聪明，而是因为人们把"能跑通一个演示"当成了"理解了问题"。

五代机想造"能听能看能说话"的通用机器，用当时的硬件去做一件需要今天几千张 GPU 才干得动的事。专家系统想把专家的经验一条条抄进规则库，抄到几万条时发现维护成本比请专家还贵。两次都不是"技术方向错了"，是"对难度的估计错了"。

这个规律，如果作者肯往当下推一步，这本书会是另一本书。因为在第 10 章，他自己写下了推这一步所需要的全部材料：

GPT-4 之后，进步在放缓。马库斯的原话是——"我们都知道 GPT-3 比 GPT-2 好得多，知道 GPT-4 比 GPT-3 好得多，但那以后发生了什么呢？"《自然》上西班牙瓦伦西亚理工大学的一项研究发现，模型越大答案不一定越准，GPT-4 在基本加法和猜字谜这类简单任务上的错误率，比某些小模型高出 15%。而最重的一句来自伊利亚·苏茨克维：2024 年底他几次指出，预训练大模型走到头了，规模法则已经碰壁。

作者写这一段时加了一句很关键的注脚：伊利亚在 OpenAI 时是推扩大模型规模最力的人，"'越大越好'曾经是他的信条。这种反转，自然成为新闻报道的焦点"。

材料到这里已经齐了：一个曾经最相信规模的人说规模到头了；一项研究说大模型在简单任务上更差；一个公开的怀疑者说增长停了。

然后，作者翻页了。

四、伊利亚说预训练走到头了，作者听见了，然后翻页

第 10 章之后是第 11 到 17 章：机器人、智能体、无人机、自动驾驶、教育、医疗、科学智能。一路向下，语气越来越亮。到第 18 章讲 AGI，第 19 章讲中国 AI，全书收在"奔跑吧，中国AI"这样一个标题上。

我不反对乐观。我反对的是乐观与前面的材料不对账。

第 18 章有一节叫"AGI 快来了吗"，作者的处理方式很典型：两边都摆。一边是 GPT-4 在模拟律师资格考试中得分排进前 10%（GPT-3.5 排在倒数 10%），GRE 能拿接近满分；另一边是它在抽象推理和反向图灵测试中跟人差距明显。然后是奥特曼说 2025 年实现，黄仁勋说"当我们谈论 AGI 时，必须明确其定义和标准。如果 AGI 的定义是模糊或不可定义的，那么我们就很难给出一个确切的实现时间表"。

摆得很公道。但摆完就完了——作者没有给出自己的判断。一本写到第 18 章的书，读者最有资格期待的就是这一句，而这一句缺席了。

更麻烦的是，第 10 章那个"规模法则碰壁"的结论，在第 18 章完全没有被调用。好像第 10 章是一个独立的房间，讲完就锁上门，第 18 章从另一扇门重新开始，假装前面没发生过。

这就是我说的"不肯承认第三次"。作者用整整一章讲了两次寒冬的机制，又在第 10 章亲手收集了"第三次可能正在酝酿"的三条证据，然后在剩下九章里，把这三条证据忘得干干净净。

书里唯一接近自觉的地方，是第 10.9 节讲算力和能源。作者在那里算了一笔账，而这笔账，是全书最硬的部分。

五、一本能耗账，胜过十个"未来可期"

p0147 那一页，四个数字，一个比一个实：

GPT-4 的一次训练会用掉 2.4 亿度电。
谷歌每年用于 AI 训练的电量 23 亿度，相当于美国一个州首府所有家庭一年的用电量。
微软 2022 年用水量同比激增 34%，达到 640 万立方米，比 2500 个奥林匹克标准游泳池用水还多。
全球数据中心 2022 年耗电 4600 亿度，2026 年预计到 1 万亿度，相当于日本目前全国一年的用电量。

这四个数字为什么有价值？因为它们可以被反驳。你可以说 2.4 亿度电里有多少是绿电，可以说 1 万亿度的预测建立在什么增长曲线上，可以说 640 万立方米对一个年营收千亿美元的公司意味着什么。这些反驳都能落到具体的数上，讨论因此可以推进。

而"未来已来""AI 将重塑一切"这类话，无法被反驳，因此也无法被讨论。

同一页还有一句我读了两遍的话：作者说，由于大模型运营成本比互联网高很多，多数公司难以像互联网公司那样长期免费，不得不建收费模式；而"我国的 DeepSeek 由于大幅度降低了成本，所以能够对用户免费，因而在全球大受欢迎，其他大模型开发者纷纷效仿，开拓了 AI 发展的新路"。

这句话的分量，作者没掂出来。如果成本真是这一轮竞争的核心变量，那么"降本"就不是一条商业策略，而是对"规模法则"的一次现实修正——当扩大规模不再带来能力提升，剩下的竞争就只能在成本上打。这正好接上第 10.8 节伊利亚说的那句话。两个相隔几十页的段落，其实在讲同一件事，但书里没有任何一处把它们连起来。

这就是"大事记写法"的代价：事情都记下了，关系没建起来。

六、人物写得有血肉，因果写得像通稿

书里的人物章节，是全书可读性最高的部分，也是问题最集中的部分。

写得最好的是李飞飞。作者写她大学毕业后放弃华尔街 10 万美元年薪的工作，去西藏研究藏医一年；写她进加州理工学院读 AI 博士时正赶上 AI 低潮期，母亲中风又患上癌症，"学习、科研与生活多副重担压在她身上"；写她后来对人说的一句话——"如果再重来一次，我不认为我自己还能挺过来"。然后才是 ImageNet：2007 年起下载近 10 亿张图片，用亚马逊的土耳其机器人平台做众包标注，高峰期是那个平台上最大的雇主之一，来自 167 个国家的近 5 万人参与筛选、排序、标注。

这段之所以好，是因为它给了一条从人到事的因果链：一个人扛过什么，决定了她会去做什么样的事。ImageNet 不是一个聪明的技术选择，是一个吃过苦的人做出的笨选择——先攒数据，攒十年。

辛顿那一章也不错，写到 2024 年诺奖时，作者的落点是"辛顿等科学家在人工神经网络领域锲而不舍地研究与探索"，以及施密德胡伯那条线：1990 到 1991 年间深入研究 GAN 和自监督预训练原理，1997 年推出 LSTM，后来 Siri、谷歌翻译都用过 LSTM 架构，马斯克说"施密德胡伯发明了一切"。

但到黄仁勋这里，笔法变了。第 4.2 节标题叫"疯狂冒险家黄仁勋与 GPU"。问题在于，GPU 本来是为游戏图形计算造的，深度学习撞上它是历史巧合，不是谁的预判。作者用"冒险家"这个词，把一场巧合叙述成了远见。

这个差别不是修辞问题。如果 GPU 的成功是远见，那结论是"要相信有远见的人"；如果它是巧合，那结论是"要给没被看好的方向留出生存空间"。前者导向英雄叙事，后者导向制度设计。一本讲七十年历史的书，在这里选错了因果，后面所有的"启示"都跟着偏。

同样的问题出现在第 12 章讲智能体：OpenAI 2023 年 11 月开发者大会推出 GPTs Builder，2024 年 1 月上线 GPT Store，用户创建的智能体数量很快达到 300 万；谷歌 2024 年 4 月推出 Vertex AI Agent Builder；字节 2024 年 2 月上线 Coze（扣子）。三段时间线，一条产品发布记录。没有一句"这些智能体里有多少还在被使用"。

更值得说的一处，是第 7 章讲机器翻译。作者在那一章里给出了一个少见的、跨度八年的对照：2017 年 1 月，媒体拿特朗普就职演说的英文，一分钟内译成中文，评测结论是通篇正确性"基本上达到 70% 到 80%"，如果不是准确性要求非常严格的文本，"在可用性上基本可以满足"。然后他说，到 2025 年 1 月特朗普再发表就职演讲时，各平台都有准确度很高的实时翻译系统，"这件事已经没有新闻性了"。

同一章还埋了一条更早的时间线：2014 年 12 月微软 Skype 翻译推出预览版，当时只支持英语和西班牙语在通话中翻译，已经引起轰动；2015 年 4 月，已经能支持中文普通话。

把 2014、2017、2025 三个点连起来，是一条很干净的曲线：能用 → 好用 → 无所谓。这条曲线上最值得问的问题不是"AI 怎么做到的"，是"为什么 70% 到 80% 的正确率在 2017 年叫奇迹，在今天叫不可接受"。

书里没问这个问题。它只是把三个点摆出来了。而这三个点之间的距离，恰恰是这七十年里最容易被忽略的东西——人的容忍度是被技术自己一点点磨低的，每一代产品都在重新定义什么叫"可以接受"。

七、它的短板

第一，越靠近当下，材料越依赖公开报道，判断越少。

第 2 章的 1997 年东京，是作者在场。第 10 章之后的 OpenAI 宫斗、智能体大战、百模大战，是作者在读新闻。他写宫斗那一节，全是可查的时间线：2023 年 11 月 17 日董事会突然解雇奥特曼，几小时后布罗克曼被免职，第二天内幕传出伊利亚是主要推手，微软等投资方施压，11 月 20 日凌晨 770 名员工中 738 名联署公开信要求董事会辞职，几天后奥特曼回归、董事会重组、伊利亚和一批高级研究人员陆续离开。

这条时间线一个字都没错，但它也一个字都没多。读者看完知道"发生了什么"，不知道"这意味着什么"。而作者其实有能力给出后者——他在前九章证明过。

第二，数字给结论，不给口径。

豆包 1.6 亿用户、"居全球第二，而且直追 ChatGPT"；智能体数量 300 万；华为盘古"开发了 80 多个行业模型"。三个数字都很有冲击力，但读者无从判断它们的统计方式：1.6 亿是月活还是累计注册？300 万智能体里有多少是公开可用的？80 多个行业模型是产品还是项目？

对比一下同一本书里的能耗数字——2.4 亿度电、640 万立方米、4600 亿到 1 万亿度，每一个都带单位和对比物（2500 个泳池、日本全国一年）。能写出那种数字的作者，不该在用户数上含糊。这不是能力问题，是取舍问题：前者需要查，后者只需要抄。

第三，缺一个真正的反方。

书里提到了马库斯的质疑，但只用了一句话，而且是用"尖锐质疑""暗讽"这样的词包装起来的，读者读完的感觉是"有人不服气"，而不是"他的理由是什么"。同样，AI 威胁论那一节（18.3）也是把正反两方各放一段，不做取舍。

一本通史可以不站队，但不可以不给反方完整的论证。因为读者要的不是"世界上有两种看法"，是"这两种看法各自能撑住多少"。

第四，结尾让位给了口号。

第 19 章第五节，标题叫"奔跑吧，中国AI"。前面十八章的克制，到这里松了。我理解这种情绪——书写到 2025 年，中国 AI 确实有值得写的东西（吴文俊 1977 年的"吴方法"、1979 年访美、2023 年的百模大战、"六小虎"），但"奔跑吧"是一个标语，不是一个结论。而一本书的最后一句，应该是结论。

第五，体例上不便于复查。

附录有人工智能大事记，有推荐阅读，有作者简介——该有的都有。但没有注释，没有页码索引。读者看到"GPT-4 一次训练 2.4 亿度电"这种数字，无法顺着一条注找到出处，只能选择相信或不相信。一本以"史料"为卖点的书，缺了注释，就等于把最值钱的部分做成了不可验证的。

八、如果你只想带走一句

这本书值得读，但要读对地方。

第 2、3、4、5、7 章值得慢读，那里有作者的一手采访、现场感，和几处真正有历史感的判断（"技术真正成功的标志是它不再上头条"这一句，值回票价）。第 10 章之后可以当编年史翻，别指望判断。第 19 章可以跳。

而全书最该被记住的，不是任何一章的结论，是第 2 章那个没有被展开的规律：AI 的两次崩盘，都不是因为算法不够聪明，而是因为人们把"能跑通一个演示"当成了"理解了问题"。

这条规律，作者写完就放下了。而 2026 年的我们，正站在第三次"演示"的中央。

所以这本书的遗憾不是它写得不好，是它明明摸到了那把钥匙，却只用它开了一扇已经开着的门。

我给它一个很具体的评价：前九章值一个收藏位，后十章值一次速读，中间那两屏值得抄下来贴在显示器上。那两屏是 10.8 节，是伊利亚那句"预训练走到头了"，是马库斯那句"那以后发生了什么呢"。

如果你只有半小时，就读第 2 章和第 10.8 节。前者告诉你 AI 曾经怎么摔过，后者告诉你它可能正踩在同一块砖上。剩下的十七章，是这个国家最会写科技报道的人之一，用记者的手整理出来的行业档案——档案有用，但档案不会替你做判断。

一句话收尾：它把七十年讲成了一条上升曲线，可七十年真正的教训是——这条曲线从来不是直线。

阅读记录：微信读书《人工智能70年：从达特茅斯会议到大模型时代》，陈宗周 著。逐页翻阅 293 屏，19 章 132 个章块，抓取标记 reached_end=True（end_reason=last_page），耗时 294 秒。抽读页码：p0006、p0012、p0017、p0031、p0034、p0054、p0090、p0144、p0147、p0160、p0169、p0238、p0241、p0268。
本笔记所有引文与数据均来自上述页面及全书章块统计，未引入书外材料。文中对"第三次寒冬"的推论属于我的判断，不是书中原有观点。