欢迎来到第二展厅，这里陈列着一份很短却极其重要的研究提案。 1955 年，麦卡锡等人提交了著名提案，计划在 1956 年夏天于达特茅斯学院组织一次研讨会。提案首次系统使用了“Artificial Intelligence”这个名字。 一、为什么这次会议是“学科诞生”而不只是“学术活动”？ 在达特茅斯之前，相关研究分散在数学、控制论、逻辑学、心理学和计算机科学中。 达特茅斯会议做了三件...

欢迎来到第九展厅，也是当前系列时间线的最后一站。 2022 年 11 月，ChatGPT 发布后，AI 进入了一个全新的公共阶段： 不再只是研究论文和企业内部工具 而是全民可直接交互的产品形态 一、为什么是 ChatGPT，而不是更早的模型“破圈”？ 在 ChatGPT 之前，大模型能力已经快速上升，但普通用户门槛仍高： 使用方式不友好 产品体验不连续 反...

欢迎来到第四展厅。这里是一场“方法论复活”。 如果说前一展厅讲的是“神经网络为何降温”，这一展厅讲的就是“神经网络如何重新站起来”。 一、关键问题：多层网络怎么训练？ 早期研究者已经知道多层网络更强，但一直有个难点： 输出误差如何有效传回前面每一层参数？ 1986 年，Rumelhart、Hinton、Williams 的工作系统化展示了反向传播（Backpropagati...

欢迎来到第七展厅。这里播放着那场全球直播：2016 年 AlphaGo 对战李世石。 这场比赛的意义，远超“围棋胜负”。 一、为什么围棋比国际象棋更难？ 在当时的主流认知中，围棋的搜索空间远高于国际象棋，传统穷举搜索难以直接奏效。 所以在很多人看来，围棋是“人类直觉”的最后堡垒之一。 二、AlphaGo 的方法组合 AlphaGo 的核心并非单一算法，而是系统组合： 深度...

欢迎来到第六展厅。这里有一条著名曲线：ImageNet 比赛误差率在 2012 年出现断崖式下降。 这一年，AlexNet 让深度学习从“可行路线”变成“主流路线”。 一、历史背景：为什么 2012 成为拐点？ 反向传播早就有了，但直到这一时期，三块拼图才同时到位： 大规模标注数据集（ImageNet） GPU 训练能力 更成熟的网络训练技巧 AlexNet 把这三...

Transformer 是现代 LLM 的核心架构。很多同学“知道它很重要”，但一到公式、维度、训练流程就容易卡住。 这篇文章目标很明确： 讲清楚 Transformer 为什么出现。 讲清楚每个模块到底在做什么。 讲清楚从论文到工程实现的关键细节。 你可以把它当作一份“从入门到可实战”的一站式笔记。 1. 为什么需要 Transformer？ 在 Transfor...

这几年，LLM（大语言模型）几乎重塑了 AI 应用形态。 但如果只看近两年的爆发，很容易误以为 LLM 是“突然出现的新物种”。实际上，它是自然语言处理（NLP）几十年技术累积后的一次集中跃迁。 本文按时间线梳理 LLM 的关键发展阶段，帮助你快速建立一张完整的技术地图。 一、在 LLM 之前：NLP 的“特征工程时代” 在 2010 年代中期之前，NLP 的主流范式大致是： ...

在和 AI 产品、AI 编程工具打交道时，我们经常会听到一串术语：Agent、Subagent、MCP、Function Call、Skills、Workflow、Harness。 这些词单看都不难，难的是不知道它们在一个真实系统里分别负责什么。本文会按“从能跑，到跑稳，再到可迭代”的思路，把它们整合在一起讲清楚，并适当发散到上下文、记忆、观测和评测等相关概念。 先看一句话版本 ...

很多团队把 CRA 核查理解为“来现场看一眼资料”，这其实是最常见误区。 在合规视角下，CRA 核查（监查）的目标是三件事： 受试者权益与安全是否持续被保护； 试验实施是否遵循方案、GCP 与适用法规； 数据是否真实、准确、完整、可追溯。 这篇文章按实务流程，系统回答 7 个问题： CRA 核查通常在什么时候进行？ 每个阶段需要什么前置条件？ 标准核查步...

很多 CRA 的压力不是来自任务量，而是来自“同类问题反复出现”。 这篇给你一个更实战的风险管理框架：可识别、可升级、可闭环。 一、六类高频风险与先导信号 风险类型 先导信号（早期） 典型后果 ICF 风险 重签率异常、版本更新后混用 合规风险与受试者权益风险 ...