实验室主张
AI 芝士不是资讯堆场，而是一个让知识慢慢熟成的实验室。这里记录的不是“模型又更新了什么”，而是人类如何在智能时代建立更稳的判断、更长的复利和更清晰的协作秩序。
三段式进化路径
学习阶段
先建立概念、边界和可验证的理解框架，让知识从“知道一点”变成“能独立解释”。
协作阶段
把 prompt、工作流和复盘机制沉淀成可复用的方法，让人与 Agent 的协作不再依赖运气。
治理阶段
把事实校验、边界约束、责任归属和回滚机制前置到流程里，让效率提升不以事故率上升为代价。
AI 历史
人工智能关键跃迁
这条时间线只保留那些真正改变研究范式、技术路径和系统能力边界的关键节点。
1956-1958
命名与早期神经网络
达特茅斯会议
人工智能被正式命名为独立研究方向，AI 学科由此诞生。
感知机（Perceptron）
神经网络路线首次进入主流视野，机器“学习”开始有可计算模型。
1986-1997
可训练深层网络与符号路线高峰
反向传播
多层神经网络获得有效训练方法，深层学习第一次有了坚实技术基础。
Deep Blue
基于搜索与规则的智能系统在复杂博弈中击败世界冠军，符号主义路线达到公众认知高点。
2012-2016
深度学习复兴
AlexNet
在 ImageNet 上显著刷新结果，深度学习从边缘路线跃升为主流范式。
神经机器翻译
端到端序列建模开始取代传统 NLP 管线，统一建模思路走向成熟。
AlphaGo
深度学习与强化学习结合完成历史性验证，AI 不再只是在感知任务中领先。
2017-2022
基础模型时代
Transformer
现代大语言模型的核心架构被建立，后续生成式 AI 基本都沿这条路线展开。
BERT
预训练语言模型成为 NLP 主范式，语言理解开始进入“先大规模预训练，再微调”的时代。
GPT-3
超大规模语言模型展示出少样本学习与通用生成能力，基础模型逻辑成形。
ChatGPT
生成式 AI 从研究与开发者圈层进入大众与产业主流，AI 进入全民使用阶段。
下一阶段
AI 的下一次跃迁，可能不只来自更大的模型，也来自更强的可验证性、工具调用、长期记忆与多智能体协作能力。
工作原则
- 先判断问题值不值得做，再考虑模型能不能做。
- 先建立验证与回滚机制，再追求自动化速度。
- 先沉淀可以反复复用的方法，再追求一次性的漂亮结果。
- 让内容像芝士一样经过时间熟成，而不是像热点一样快速挥发。