人工智能并不是突然出现的。1956 年的达特茅斯暑期研究项目为这个领域命名；此后的数十年里，研究在符号推理、统计学习与神经网络之间反复推进。2012 年，AlexNet 在 ImageNet 分类任务上的结果让深度学习重新成为主流；2017 年的 Transformer 论文则提供了一种更适合并行训练与处理序列的架构，成为后来语言模型发展的重要基础。
今天的变化不只来自“模型更大”。训练数据、算力、后训练、工具调用和产品交互共同改变了模型的可用性。对学习者来说，理解这条历史线的意义在于：AI 不是魔法，它是一组持续演进的工程方法。
全球大模型，不是一张排名表
当前的大模型生态可以先从两种交付方式理解。第一类是通过 API 或产品使用的托管模型，例如 OpenAI、Anthropic、Google、GLM、Kimi 等模型家族；它们通常将文本、图像、长上下文、推理、工具使用或实时交互组合到一个开发平台中。第二类是可下载或可本地部署的开放权重模型，例如 Qwen、DeepSeek 系列，适合需要私有化、定制或更深部署控制的团队。
选模型不是选“世界第一”，而是为任务选择合适的能力、成本、速度、数据边界与工具生态。例如，长文档分析更看重上下文与检索策略；语音助手关心实时延迟；企业知识库重视权限与数据治理；代码任务则需要模型理解仓库结构、调用工具并遵守测试约束。模型名称和版本会快速迭代，但这套选择标准相对稳定。
AI Coding 能做什么
AI Coding 最适合成为开发者的结对伙伴，而不是无人值守的交付者。它可以先阅读目录与现有测试，解释模块关系；再根据一个明确问题生成小范围补丁；最后运行测试、展示差异并解释风险。这里的关键不是一次生成多少行代码，而是每一步都可检查、可回退。
例一：定位失败测试。把报错栈、失败断言和相关文件交给模型，让它先说明可能原因，再提出最小修改方案。开发者审核 diff 后运行测试。
例二：补齐接口。给出请求与响应契约、错误情况和已有路由，让模型生成校验、类型和测试骨架。
例三：小范围重构。例如把重复的日期格式化逻辑提取为一个纯函数，并要求模型不改动公开 API、补充回归测试。
真正需要保留的能力
模型会遗漏上下文、误解依赖关系，也可能给出看似合理但无法运行的方案。因此，AI Coding 的基本流程应是：明确任务边界、提供必要上下文、限制改动范围、运行测试、人工审阅，再合并。把模型当作加速理解和产出草稿的工具，而不是替代工程判断的终点。