那个最早把AI训练模型搞出来的人，到底是谁？

你有没有想过，现在天天挂在嘴边的“AI训练模型”，最早到底是谁提出来的？

可能很多人第一反应是：“肯定是图灵吧？”或者，“会不会是某个硅谷天才？”这个故事比我们想象的要曲折得多，甚至可以说，它并不是某一个人的灵光一闪，而是一群“偏执狂”跨越半个世纪的接力。

要说清楚这件事，得先回到上世纪50年代。

那时候，计算机还像一台台笨重的铁柜子，内存小得可怜，速度慢得让人想打瞌睡，但偏偏有一批人，已经开始琢磨怎么让机器“学习”了。

这里面有个不得不提的名字——弗兰克·罗森布拉特（Frank Rosenblatt），这老兄是个心理学家，却在1957年搞出了一个叫“感知机”（Perceptron）的东西，你可以把它理解成今天神经网络的“曾祖父”，感知机能通过调整权重，学着去识别一些简单的模式，比如分辨字母是“O”还是“X”。

当时《纽约时报》还吹过牛，说这玩意儿“将来能走路、说话、看东西，甚至能自我复制……”结果呢？感知机虽然轰动一时，但它的局限性很快被另一个大佬——马文·明斯基（Marvin Minsky）——给戳破了，明斯基在1969年写了本书，直接指出感知机连“异或”这种简单逻辑都搞不定，这一盆冷水泼下来，整个领域差点凉透，进入了所谓的“AI寒冬”。

你看，罗森布拉特虽然没提出“训练模型”这个词，但他实实在在地做了第一台能通过数据调整自己、完成分类的机器——这，不就是训练吗？

时间晃晃悠悠来到80年代。

寒冬里总有人不放弃点火，有个叫杰弗里·辛顿（Geoffrey Hinton）的英国人，偏偏对“神经网络”着了魔，那时候搞这玩意儿，在学术界简直像个异类——没钱、没资源、没论文可发，但辛顿就是不信邪，他带着几个学生，硬是琢磨出了“反向传播”算法。

简单说，反向传播就是让网络能够从错误中学习，一层层往回调整参数，这玩意儿在今天看来理所当然，但在当时，它让多层神经网络的训练成为可能，因为计算机算力太差，数据又少，他们的成果一开始也没掀起多大水花。

辛顿后来回忆说，那段时间他们经常被同行嘲笑是“搞玄学的”，但他没放弃，一边教书一边写论文，偶尔还自嘲：“我们大概是在等待计算机跑得足够快的那一天。”

这一等，就等到了21世纪。

互联网爆发，数据井喷，GPU被拿来干计算的活儿……突然之间，算力、数据、算法三件套齐了，2006年，辛顿和团队发表了那篇著名的深度信念网络论文，一下子把“深度学习”这概念重新点燃，再后来，2012年，AlexNet在图像识别比赛里碾压全场，准确率甩开传统方法一大截——所有人都坐不住了。

从那时起，“训练模型”不再只是实验室里的玩具，它成了科技公司争相押注的赛道。

回到最初的问题：AI训练模型是谁提出来的？

你会发现，根本没法单独归功于某一个人，罗森布拉特做了第一个能学习的机器；明斯基虽然“泼冷水”，但也逼着后人去找更强大的方法；辛顿在无人看好的角落里坚持了几十年，终于等到时代赶上了他的想法，还有吴恩达、杨立昆、本吉奥……太多人填了砖、加了瓦。

这就像一场没有终点的接力赛，有人起跑，有人中途加速，有人摔倒又爬起来，还有人是在观众席上突然冲进跑道——比如那个用GPU加速训练的程序员，或者那个灵机一动改了个激活函数的博士生。

有时候我会想，如果我们今天觉得“训练模型”理所当然，那可能是因为我们忘了它背后那些“不酷”的部分——那些在机房熬夜调参的夜晚，那些被拒稿的论文，那些没人相信时的自我怀疑。

也许真正的答案并不是某个名字，而是一种固执：总有人愿意去做那些“看起来没啥用”的事，哪怕要花上一辈子。

而我们现在用的每一个AI工具，背后站着的,都是这样一群人。

（免费申请加入）AI工具导航网

相关标签： # AI训练模型是谁提出来的