AI 简史：从“机器能不能思考”到每个人都能使用 AI

这两年，只要你打开任何一个信息流，基本都绕不开 AI。

有人说 ChatGPT 改变世界，有人说 Agent 会替你干活，有人说普通人再不学就来不及了。听多了以后，很容易有一种感觉：好像 AI 是突然从 2022 年某一天冒出来的，然后所有人都被卷进去了。

我一开始也有这种感觉。

但回头看，AI 不是突然出现的爆款产品，而是一条很长的河。上游有数学、哲学、计算机科学，也有几次过度乐观、几次跌入低谷；中间有一群人不断换方法、换工具、换问题；到了 ChatGPT 之后，这条河才突然冲到了普通人面前。

所以这篇不写成历史考试，也不写成论文综述。我更想像和朋友聊天一样，把这条线先讲清楚：AI 从哪里来，经历过哪些阶段，每个阶段到底在解决什么问题，又有哪些人把它往前推了一步。

如果你暂时不想记那么多人名和年份，也没关系。先抓住一句话：AI 的历史，本质上是机器从“按人写的规则做事”，一步步走向“从数据中学习、连接工具、替人执行任务”的历史。

0. 在 AI 有名字之前：人们先问了一个问题#

人工智能这个词还没出现时，人类已经在问一个更基础的问题：机器能不能思考？

1943 年，沃伦·麦卡洛克和沃尔特·皮茨提出了一种用数学逻辑描述神经元的模型。它很粗糙，但重要的是，它让人第一次认真想象：人的神经活动也许可以被抽象成可计算的结构。

1949 年，唐纳德·赫布提出“共同激活的神经元会更容易连接在一起”的思想，后来很多人把它概括成一句话：一起发放的神经元连接在一起。这成为后来理解神经网络学习机制的一个早期启发。

1950 年，艾伦·图灵发表《Computing Machinery and Intelligence》。他没有陷入“机器到底有没有心灵”这种很难证明的问题，而是换了一个更工程化的问法：如果一台机器在对话里能让人分不清它和人类，那我们是否可以说它表现出了智能？

这就是后来常说的图灵测试。

图灵的重要性不只在于提出一个测试，更在于他把一个哲学问题改写成了一个可操作的问题：不要先争论机器有没有灵魂，先看它能不能表现出智能行为。

这一点对后来 AI 影响很大。因为从这里开始，智能不再只是玄学讨论，而开始变成可以被建模、被实现、被测试的工程问题。

1. 1956：人工智能正式有了名字#

1956 年，达特茅斯会议通常被视为人工智能作为一个研究领域的起点。

这场会议的提案由约翰·麦卡锡、马文·明斯基、纳撒尼尔·罗切斯特和克劳德·香农等人发起。提案里使用了“Artificial Intelligence”这个说法，并且提出一个非常大胆的想法：学习、语言、抽象、问题求解等智能特征，原则上都可以被精确描述，然后让机器来模拟。

这个判断现在看起来仍然很激进。

当时的计算机很弱，存储很小，输入输出也很原始。但这群人相信：如果智能可以被分解成符号、规则和推理步骤，那么机器就有机会执行这些步骤。

所以早期 AI 的主线，很大程度上是“符号主义”。

所谓符号主义，可以简单理解成：人先把知识写成规则，机器再按照规则推理。

比如：

• 如果 A 成立，并且 A 推出 B，那么可以得到 B。
• 如果一个病人有某些症状，就可能对应某种疾病。
• 如果棋局出现某种形态，就优先搜索某些走法。

这个阶段的关键人物包括：

• 约翰·麦卡锡：提出 AI 这个名称，也发明了 Lisp 语言，影响了早期 AI 编程。
• 马文·明斯基：推动 AI、认知科学和神经网络早期研究，也长期影响 MIT AI 实验室。
• 艾伦·纽厄尔和赫伯特·西蒙：做出 Logic Theorist、General Problem Solver 等早期程序，试图让机器进行逻辑推理和问题求解。
• 克劳德·香农：信息论奠基人，也较早研究机器下棋问题。

这一阶段的 AI 有很强的理性主义气质：只要把知识和推理过程写清楚，机器就能变聪明。

2. 1960s-1970s：早期乐观撞上现实#

早期 AI 很快做出了一些令人兴奋的演示。

机器能证明一些数学定理，能玩简单游戏，能在受限环境里和人对话。ELIZA 这样的聊天程序虽然很简单，但已经让很多人第一次感受到“机器好像能交流”。

同时，弗兰克·罗森布拉特提出的感知机也让神经网络路线获得过一次早期关注。感知机可以看成一种非常早期的学习机器：它不是完全靠人写规则，而是通过样本调整参数。

但问题很快出现了。

符号主义系统在小世界里表现不错，一旦进入真实世界就很吃力。现实语言有歧义，常识很难写成规则，环境变化太多，机器也缺少足够算力和数据。

神经网络路线也遇到限制。1969 年，明斯基和西摩尔·帕普特出版《Perceptrons》，指出单层感知机能力有限。虽然这本书后来经常被简化成“打击了神经网络”，但更准确地说，它暴露了当时方法、算力和训练技术的不足。

于是，第一次 AI 低谷逐渐出现。

这件事给后来的 AI 留下一个教训：演示效果不等于真实能力，受限问题里的成功不等于开放世界里的成功。

今天看很多 AI 产品时，这个教训仍然有用。

3. 1970s-1980s：专家系统把 AI 带进商业世界#

AI 并没有因为早期受挫就消失。

到了 1970s 和 1980s，一个新的方向变得重要：专家系统。

专家系统的思路很直接：既然通用智能太难，那就先做特定领域里的专家。让人类专家把经验整理成规则库，机器根据规则进行判断和建议。

比如医学诊断、化学分析、计算机配置、企业流程决策。

这个阶段的代表人物之一是爱德华·费根鲍姆。他推动了知识工程和专家系统的发展。系统不一定“像人一样思考”，但只要在某个专业领域能给出有用建议，就有商业价值。

专家系统带来了一轮 AI 商业热潮。

但它的问题也很明显：规则维护成本太高。真实世界一变，规则就要更新；专家经验很多是模糊的，很难完整写成 if-then；系统越来越大之后，互相冲突的规则也越来越难管理。

所以 1980s 后期到 1990s 初，AI 又经历了一次低谷。

这次低谷说明：只靠人工写规则，很难覆盖复杂世界。

AI 需要从“人告诉机器规则”，走向“机器自己从数据里学规律”。

4. 1980s-2000s：机器学习接过主线#

接下来，机器学习逐渐成为主线。

它的核心变化是：人不再试图把所有知识直接写进机器，而是给机器数据和目标，让它自己调整模型。

这个阶段有几条重要分支。

第一条是神经网络重新恢复生命力。

1986 年，大卫·鲁梅尔哈特、杰弗里·辛顿和罗纳德·威廉姆斯发表关于反向传播的论文。反向传播可以粗略理解成：模型做错了，就把错误一层层传回去，调整内部参数，让下次更接近正确答案。

这让多层神经网络的训练变得更实际。

第二条是统计学习。

支持向量机、决策树、随机森林、贝叶斯网络等方法开始广泛使用。弗拉基米尔·瓦普尼克推动了统计学习理论，朱迪亚·珀尔推动了概率图模型和因果推理。

这些方法不像早期符号 AI 那样强调“人类规则”，也不像今天的大模型那样庞大。它们更像一套实用工具箱：分类、预测、排序、识别模式。

第三条是计算机开始在特定任务上超过人类高手。

1997 年，IBM 的 Deep Blue 击败国际象棋世界冠军加里·卡斯帕罗夫。这个事件当时非常出圈，因为它让大众看到：机器在某些明确规则、可搜索的问题上，已经可以超过最强人类。

但 Deep Blue 也不是今天意义上的通用 AI。它更像是专门为国际象棋打造的超级系统，依赖搜索、评估函数、专用硬件和大量工程优化。

这一阶段的关键变化是：AI 从“写规则”转向“学规律”，但它还没有真正进入普通人的日常表达和创作。

5. 2000s-2012：数据、算力和深度学习终于碰到一起#

深度学习不是 2012 年才出现的。神经网络这条线一直有人坚持，代表人物包括杰弗里·辛顿、杨立昆、约书亚·本吉奥等。

但长时间里，它缺少三个条件：足够多的数据、足够强的算力、足够有效的训练技巧。

2000 年后，互联网带来了大量数据，GPU 开始被用于通用计算，大规模数据集也逐渐出现。

其中一个关键节点是 ImageNet。

李飞飞等人推动构建 ImageNet 大规模图像数据集，让计算机视觉有了更标准、更大规模的训练和评测基础。

2012 年，Alex Krizhevsky、Ilya Sutskever 和 Geoffrey Hinton 用深度卷积神经网络 AlexNet 在 ImageNet 竞赛中取得突破性成绩。这件事通常被视为深度学习浪潮的关键引爆点。

为什么重要？

因为它证明了一个方向：当数据足够多、算力足够强、模型足够深时，神经网络可以直接从原始数据中学出很强的表示能力。

普通人可以这样理解：以前机器看图片，很多特征要人先设计；深度学习开始让机器自己从大量样本里学“什么是边缘、纹理、形状、物体”。

这一步把 AI 从手工规则，进一步推向了自动学习。

6. 2012-2017：AI 开始在看、听、下棋上连续突破#

2012 之后，深度学习迅速扩散到计算机视觉、语音识别、机器翻译、推荐系统等领域。

杨立昆长期推动卷积神经网络在图像识别中的应用；辛顿团队推动深度学习在语音和视觉上的突破；本吉奥在表示学习、序列建模等方向影响很大。

这个阶段，AI 的能力越来越像“感知系统”：能看图、能听音、能识别模式。

2014 年，Ian Goodfellow 提出生成对抗网络 GAN。它让“机器生成图像”这件事变得更有想象空间。虽然 GAN 后来在很多场景被扩散模型超过，但它在生成式 AI 的历史里非常重要。

2016 年，DeepMind 的 AlphaGo 击败李世石。

这次和 Deep Blue 不一样。围棋的搜索空间巨大，不能只靠暴力搜索。AlphaGo 结合了深度神经网络、强化学习和树搜索，让机器在一个长期被认为很难攻克的领域取得突破。

Deep Blue 让人看到机器可以在规则明确的棋类里赢人；AlphaGo 让人感到更震撼：机器似乎开始形成超出人类直觉的策略。

这也是很多普通人第一次强烈感觉到：AI 不只是工具，它可能会产生新的“思路”。

7. 2017-2022：Transformer 把语言模型推到新阶段#

2017 年，Google 团队发表《Attention Is All You Need》，提出 Transformer 架构。

这篇论文非常关键。

在此之前，处理语言这类序列数据，常见方法依赖循环神经网络等结构。Transformer 的核心变化，是用注意力机制让模型更好地处理序列中不同位置之间的关系，并且更适合大规模并行训练。

普通人不需要一开始理解全部数学细节，只要先抓住一个直觉：Transformer 让模型在读一句话、一段话、一本书时，可以更有效地判断哪些部分彼此相关。

这为后来的大语言模型铺平了道路。

随后，BERT、GPT、T5 等预训练语言模型不断出现。它们的共同思路是：先在大量文本上学习语言规律，再迁移到问答、翻译、总结、分类等任务上。

2020 年，OpenAI 发布 GPT-3。它让很多人第一次明显感到：只要模型足够大、数据足够多，语言模型不需要为每个任务重新训练，也能通过提示和少量示例完成很多事情。

这就是后来“prompt”变得重要的原因之一。

AI 开始从“一个专门模型做一个专门任务”，走向“一个大模型通过对话或提示处理很多任务”。

8. 2022 以后：GPT 时刻让 AI 走到普通人面前#

2022 年底，ChatGPT 出圈。

它不是第一个大语言模型，也不是第一项 AI 技术突破，但它改变了 AI 和普通人的接触方式。

以前很多 AI 能力藏在搜索、推荐、识别、广告、风控、翻译系统背后，普通人不一定能直接感受到模型本身。

ChatGPT 把入口变成了聊天框。

这件事非常关键。因为聊天框降低了使用门槛：不用写代码，不用理解模型结构，不用先学一堆专业软件，只要会提问，就能开始使用。

这就是我理解的“GPT 时刻”：不是某一个模型突然代表全部未来，而是 AI 第一次以一个人人都能触摸的产品形态，正面站到了大众面前。

从这一刻开始，AI 的叙事从科研圈、工程圈，进入了普通人的工作和生活。

很多人第一次发现：

• 它能解释概念
• 它能写一封邮件
• 它能改一段文案
• 它能总结一篇文章
• 它能帮你写代码
• 它能陪你把一个想法拆成步骤

这不是“人工智能第一次有用”，而是“普通人第一次低成本感知到它有用”。

9. Scaling 共识和百模竞争#

ChatGPT 出圈之后，还有一个变化很重要：scaling 开始被行业广泛视为一条确定性很强的路线。

所谓 scaling，不是简单说“模型越大越好”。更准确地说，是很多人开始相信：在一定范围内，更多算力、更大模型、更多数据、更好的训练方法，确实能持续换来能力提升。

这个判断不是 2022 年才出现。2020 年 OpenAI 的 scaling laws 研究已经把模型规模、数据规模、训练计算量和 loss 之间的关系讲得很清楚。GPT-3 也已经展示了大模型的 few-shot 能力。

但 ChatGPT 之后，这个判断从研究结论变成了商业共识。

于是出现了所谓“百模竞争”。

OpenAI、Anthropic、Google、Meta、xAI，以及国内的百度、阿里、字节、智谱、月之暗面、DeepSeek 等玩家，都开始围绕基础模型展开竞争。

这场竞争有几个维度：

• 谁的模型更强
• 谁的上下文更长
• 谁的推理能力更好
• 谁的成本更低
• 谁的速度更快
• 谁更适合代码、数学、多模态、企业场景
• 谁能把模型能力更稳定地包装成产品

这一阶段很像一次基础设施竞赛。

每家公司都在做自己的“发动机”。模型能力本身变成了核心资产，也变成了所有应用的底座。

但基础模型混战也暴露出一个问题：如果只比模型，普通用户很难长期感知差异。今天 A 模型领先一点，明天 B 模型追上来；今天榜单第一，过几周又被刷新。

所以 AI 很快进入下一阶段：模型不再只是回答问题，而要和传统软件、数据、工具、终端和工作流结合。

10. 从“会回答”到“会连接”：RAG、tool call、MCP、CLI、skill#

大模型本身有几个天然限制。

它训练时学到的知识会过期；它不知道你公司的内部资料；它不能天然访问你的数据库、浏览器、文件系统和业务系统；它也不应该凭空编造事实。

所以 GPT 时刻之后，一个重要方向就是：让大模型连接外部世界。

这就出现了几类关键技术和工程模式。

RAG：把外部知识接进来#

RAG，全称 Retrieval-Augmented Generation，可以理解成“先检索，再生成”。

模型回答问题之前，先从文档库、知识库、网页、数据库里找相关内容，再基于这些内容生成答案。

这解决了两个问题：

1. 模型不用把所有知识都记在参数里。
2. 回答可以更贴近最新资料和私有资料。

对企业和个人知识库来说，RAG 很重要。因为很多有价值的信息并不在公开训练数据里，而在你自己的文档、项目记录、会议纪要、代码仓库和业务系统里。

Tool calling：让模型调用工具#

Tool calling，也可以叫 function calling，解决的是另一个问题：模型不能只说，它还要能调用外部能力。

比如：

• 查天气
• 查数据库
• 调接口
• 发邮件
• 创建日程
• 执行一段代码
• 调用支付、搜索、地图、CRM 等系统

模型负责理解用户意图、决定什么时候调用工具、生成参数；真正的执行交给外部系统。

这一步非常关键。因为它把 AI 从“会说话的模型”，推进到了“会操作系统能力的中间层”。

MCP：让工具连接变得更标准#

当工具越来越多，一个现实问题就出现了：每个模型、每个应用、每个工具都各接一套接口，会非常混乱。

MCP，也就是 Model Context Protocol，就是试图把模型和外部工具、数据源之间的连接标准化。

你可以把它粗略理解成：给 AI 应用接工具的一种通用插头。

如果这个方向成熟，模型就更容易连接文件、数据库、代码仓库、设计工具、浏览器、企业系统，而不是每个应用都重复造一遍集成。

CLI 和开发环境：让模型进入真实工作台#

对开发者来说，AI 进入 CLI 是另一个重要节点。

聊天窗口适合问问题，但真正开发时，很多动作发生在终端、代码仓库、测试命令、日志、构建脚本和部署流程里。

当 AI 能进入 CLI，它就不只是“给你建议”，而是可以：

• 读代码
• 改文件
• 跑测试
• 看报错
• 修 bug
• 生成提交
• 调整脚本
• 在长任务里持续执行

这也是为什么 Codex CLI、Claude Code 这类工具会重要。它们把模型从聊天框推进到真实开发环境。

Skill：把经验封装成可复用能力#

当 AI 只是每次重新对话，它的使用成本还是很高。

Skill 的意义在于：把一套稳定流程封装起来，让模型下次可以直接按流程做。

比如：

• 怎么生成一篇内容
• 怎么部署一个站点
• 怎么处理图片资产
• 怎么写一份周报
• 怎么审查一段代码
• 怎么把会议纪要变成任务

这类能力一旦封装成 skill，AI 就不只是“聪明”，而是开始“熟练”。

我自己现在越来越关心这一点：未来真正有用的 AI，不只是模型本身，而是模型加上工具、上下文、流程和长期记忆形成的系统。

11. Agent：AI 从助手变成执行者#

当 RAG、tool calling、MCP、CLI、skill 这些东西组合起来，一个更大的方向就出现了：Agent。

Agent 和普通聊天机器人的差别，不是名字更酷，而是职责变了。

聊天机器人主要回答问题；Agent 需要围绕目标持续行动。

一个简单的 Agent 流程大概是：

1. 理解目标
2. 制定计划
3. 调用工具
4. 观察结果
5. 修正计划
6. 继续执行
7. 产出结果
8. 必要时请求人类确认

这就是从“问答”到“执行”的转变。

早期研究里，ReAct 把 reasoning 和 acting 放在一起讨论；Toolformer 让语言模型学习何时调用 API；Voyager 这类工作则展示了模型如何在环境里积累技能。这些研究和工程实践一起，把 Agent 的想象空间打开了。

到应用层，Manus 这类通用 AI agent 让普通人看到：AI 不只是给你一段答案，它可以帮你做市场调研、整理资料、写代码、生成报告、规划旅行，甚至在云端异步跑任务。

OpenManus、OpenClaw、Hermes Agent 这类开源或自托管 agent 项目，则代表了另一条线：把 agent 放到个人电脑、服务器、消息平台、终端和本地工具链里，让它更接近个人工作系统。

这些产品和项目不一定最后都留下来，名字也会变化。但它们共同说明一件事：AI 正在从“一个应用”变成“一个可以操作应用的层”。

这会带来生产效率的变化。

过去你要自己完成一整串动作：查资料、复制、整理、写初稿、做表格、改格式、发邮件、同步到项目管理工具。

现在更合理的方式可能变成：你定义目标和边界，Agent 拆任务、调用工具、执行中间步骤，你负责判断结果、修正方向、批准关键动作。

这不是完全自动化，也不是人被替代。

更准确地说，是工作分工变了：

• 人负责目标、判断、边界、审美和责任
• AI 负责搜索、生成、执行、整理、检查和重复劳动

这就是我理解的“生产效率爆炸”的来源。

不是因为 AI 每次回答都完美，而是因为大量原本卡在中间环节的操作，开始可以被模型和工具链接起来。

12. 回头看：AI 每一阶段其实都在补一块短板#

把这段历史压缩一下，大概可以这样看：

阶段	核心问题	代表路线	代表人物或产品
1940s-1956	机器能不能表现出智能	计算理论、早期神经模型	图灵、麦卡洛克、皮茨、赫布
1956-1970s	能不能把智能写成规则	符号主义、逻辑推理	麦卡锡、明斯基、纽厄尔、西蒙
1970s-1980s	能不能在专业领域解决问题	专家系统、知识工程	费根鲍姆、MYCIN、XCON
1980s-2000s	能不能从数据里学规律	机器学习、统计学习、反向传播	辛顿、鲁梅尔哈特、瓦普尼克、珀尔
2012 前后	能不能让模型自己学特征	深度学习、CNN、GPU、大数据集	李飞飞、Krizhevsky、Sutskever、Hinton
2016 前后	能不能在复杂决策中超过人类	深度强化学习、搜索	AlphaGo、David Silver、Demis Hassabis
2017-2022	能不能用一个模型处理语言任务	Transformer、大语言模型	Vaswani 团队、BERT、GPT-3
2022-2023	能不能让普通人直接使用 AI	对话产品、生成式 AI、多模态	ChatGPT、Claude、Gemini、Midjourney 等
2023-2025	能不能把模型接入真实数据和工具	RAG、tool calling、CLI、MCP、skill	LangChain、OpenAI function calling、MCP、Codex CLI、Claude Code 等
2025 以后	能不能围绕目标持续执行任务	Agent、长任务、个人工作流、自托管执行环境	Manus、OpenManus、OpenClaw、Hermes Agent 等

这条线说明一件事：AI 不是突然爆发的。

它每一次前进，都在补上一块过去缺失的东西：规则不够，就引入学习；数据不够，就建设数据集；算力不够，就利用 GPU；模型不够通用，就做预训练和大模型；入口太难，就做成聊天框和产品。

13. 普通人该怎样理解这段历史#

对普通人来说，了解 AI 简史不是为了背年份和人名。

更重要的是建立几个判断。

第一，AI 经常高估短期，低估长期#

AI 历史上不止一次出现热潮，也不止一次跌入低谷。

每一次热潮里，都会有人觉得通用智能马上来了；每一次低谷里，又会有人觉得这条路走不通。

但长期看，AI 确实一直在积累。算法、数据、硬件、工程、产品，每一层都在往前推。

所以面对今天的 AI 热潮，既不要盲目兴奋，也不要简单否定。

第二，真正改变普通人的，往往不是论文，而是产品入口#

Transformer 很重要，但普通人真正感受到 AI，是因为 ChatGPT 这样的产品把能力变成了可使用的界面。

技术突破如果没有产品形态，影响会停留在专业圈；产品入口如果足够简单，就会把技术带到日常生活。

所以后面看 AI，不只要看模型，还要看它怎样进入真实场景。

第三，AI 的核心变化是从“人写规则”走向“机器学模式”#

早期 AI 试图让人把知识写成规则。

今天的大模型则更像是从海量数据中学会语言、图像、代码和世界知识的统计模式，再通过提示和对话完成任务。

这不代表它真的像人一样理解世界，也不代表它永远可靠。但它确实改变了人和机器协作的方式。

第四，普通人的机会在工作流里#

如果只把 AI 当成一个问答工具，很容易用几次就停。

更重要的是把它接进自己的流程：学习、写作、复盘、做产品、写代码、整理资料、生成素材、检查逻辑。

这也是我后面想继续写的方向：先理解历史，再回到今天，看看普通人怎样把 AI 放进真实生活。

结尾：先把河流看清楚，再决定怎么下水#

如果你读到这里，已经不需要记住所有名字。

AI 简史不是一串冷冰冰的年份。

它更像是一条不断改道的河：有时靠逻辑规则推进，有时靠专家知识推进，有时靠统计学习推进，有时靠神经网络、数据、算力和大模型一起推进。

今天我们站在这条河边，看到的是最热闹的一段：聊天机器人、文生图、AI 视频、Agent、自动化工作流。

但如果不知道上游发生过什么，就很容易被当下的浪花吓到，或者被短期热点牵着走。

所以这个专栏的第一步，我想先把大线索搭起来。

后面再一篇一篇往下拆：图灵测试到底重要在哪，达特茅斯会议为什么给 AI 命名，专家系统为什么兴起又衰落，深度学习为什么爆发，Transformer 为什么成为今天大模型的底座，ChatGPT 又为什么真正让 AI 出圈。

先看清楚历史，再谈怎么使用。

这是普通人进入 AI 洪流时，比较稳的一种开始方式。

参考资料#

• Alan Turing, Computing Machinery and Intelligence
• John McCarthy 等， A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence
• David Rumelhart、Geoffrey Hinton、Ronald Williams， Learning representations by back-propagating errors
• Alex Krizhevsky、Ilya Sutskever、Geoffrey Hinton， ImageNet Classification with Deep Convolutional Neural Networks
• David Silver 等， Mastering the game of Go with deep neural networks and tree search
• Ashish Vaswani 等， Attention Is All You Need
• Tom Brown 等， Language Models are Few-Shot Learners
• Jared Kaplan 等， Scaling Laws for Neural Language Models
• Patrick Lewis 等， Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
• Shunyu Yao 等， ReAct: Synergizing Reasoning and Acting in Language Models
• Timo Schick 等， Toolformer: Language Models Can Teach Themselves to Use Tools
• Anthropic， Model Context Protocol
• OpenAI， Function calling / tool calling