当人们还在为ChatGPT的横空出世惊叹、争论、甚至恐慌时，很少有人知道，这场机器与文字的纠缠，其源头可以追溯到一个连黑白电视都还没普及的年代。那是一个充满了真空管、穿孔卡带和巨大轰鸣声的，属于计算机的“石器时代”。
我们得把时间的指针拨回到1952年。
想象一下那个场景：英国曼彻斯特大学，一台名叫Ferranti Mark 1的庞然大物占据着整个房间，它嗡嗡作响，散发着热量。一个名叫克里斯托弗·斯特雷奇（Christopher Strachey）的计算机科学家，他后来成了牛津大学第一位计算机科学教授，当时正对着这台巨兽琢磨一个听起来有点离经叛道的点子。他没想着要用它来计算导弹弹道或者破解什么惊天密码，他想干一件……特别浪漫又有点无厘头的事：让机器写情书。
是的，你没看错，AI写作的滥觞，人类历史上第一个真正意义上的文本生成程序，不是为了写科学报告，不是为了处理数据，而是一个“情书生成器”（Love Letter Generator）。这本身就像一个绝妙的隐喻。
斯特雷奇的程序，在今天看来简单得可笑。它本质上就是一个“填字游戏”大师。他预设了几个情书的句式模板，比如“我（形容词）地渴望你的（名词）”，然后准备了一堆形容词词库（比如“深情地”、“热烈地”）和名词词库（比如“眼睛”、“双手”）。程序运行时，就从这些词库里随机抓取词语，塞进模板里。
于是，这台冰冷的机器便开始“创作”了。它可能会吐出这样的句子：
“亲爱的，我狂热地爱慕着你可爱的灵魂。”听起来还行，对吧？
但也可能生成：“我的小宝贝，我痛苦地渴望着你迷人的鼻子。”这就……有点诡异了。
这显然不是智能，连“人工智障”都算不上。它不懂什么是“爱慕”，也不懂“鼻子”和“灵魂”的区别。它只是在执行一个简单的、基于随机组合的机械流程。然而，这却是人类第一次，让一台机器自主地、不受单步指令控制地，排列组合语言符号，去模仿一种极具人类情感的创造性行为。
那一刻，潘多拉的魔盒被撬开了一条缝。斯特雷奇的情书生成器，就像是史前洞穴里第一簇被人工点燃的火苗，微弱、跳动，却预示着一个全新纪元的到来。
当然，火苗点燃后，经历了相当漫长的一段“黑暗时期”。
到了60年代，一个叫ELIZA的程序粉墨登场。它由麻省理工学院的约瑟夫·魏泽鲍姆（Joseph Weizenbaum）创造，扮演的是一位心理治疗师。你跟它聊天，它会用提问和重复的方式回应你。
你：“我今天很难过。”ELIZA：“你为什么难过呢？”你：“我感觉我妈妈不爱我了。”ELIZA：“能多谈谈你家人的事吗？”
神奇的是，很多人，真的很多人，对着ELIZA倾诉了数小时，甚至对它产生了情感依赖。他们坚信屏幕背后有一个充满智慧和同理心的“人”在倾听。但ELIZA的内核是什么？比情书生成器更高级一点的模式匹配。它识别你话里的关键词（比如“妈妈”），然后从预设的句式库里（比如“能多谈谈你家人的事吗？”）抛出一个回应。它对你的痛苦一无所知，它只是一个语言的“回声壁”。
ELIZA的出现，与其说是一个技术突破，不如说是一个深刻的社会学实验。它揭示了人类是多么渴望在语言中寻找意义，哪怕对方只是一个简单的程序。
从斯特雷奇到ELIZA，这整个漫长的阶段，我们可以称之为“规则驱动时代”。AI写作就像一个带着镣铐的舞者，它的每一步都由人类事先编写好的、死板的规则（Rule-Based）所决定。科学家们试图将语法、句法、逻辑，所有关于语言的一切，都拆解成一条条IF-THEN指令，然后硬塞给计算机。
这就像教一个孩子说话，不是让他去听去看去感受，而是给他一本厚得能砸死人的《新华字典》和《语法大全》，让他死记硬背。结果可想而知：生成的文本僵硬、死板、缺乏灵魂，而且稍微遇到一点规则之外的情况，整个系统就立刻崩溃。这条路，很快就走到了死胡同。
真正的转折点，发生在计算机算力爆炸和互联网数据井喷之后。人们换了个思路：既然教不会，那就让它自己“学”吧！
于是，“统计学模型”的时代来临了。
这背后的逻辑彻底变了。不再是“因为语法规定主谓宾，所以要这么写”，而是“因为我在上亿个句子里看到‘我’后面最常跟着‘是’，所以‘我’后面就该填‘是’”。这是一种基于概率的“暴力美学”。N-grams模型、马尔可夫链，这些听起来很唬人的术语，本质上都是在做一件事：预测下一个词是什么。
这时的AI写作，像一个模仿能力极强的学舌鹦鹉。你给它看海量的莎士比亚著作，它就能写出充满“thou”和“thee”的伪莎翁风格句子。但它依然不“懂”。它生成的句子在局部看起来可能很流畅，但拉长了看，往往逻辑混乱，前言不搭后语，像一场语言的梦游。这个阶段诞生了无数垃圾邮件、伪原创文章和读起来狗屁不通的机器翻译。
然而，这只“鹦鹉”的出现，意义非凡。它标志着AI写作从“演绎法”（遵循规则）转向了“归纳法”（从数据中学习），这是一场范式革命的惊雷。
真正的海啸，则由“神经网络”和“深度学习”掀起。
一开始的RNN、LSTM模型，让AI拥有了初步的“记忆力”，它能记住一句话前面几个词是什么，从而让生成的句子更连贯。但它还是像个记忆力不太好的金鱼，句子一长就忘了开头。
直到2017年，一篇名为《Attention Is All You Need》的论文横空出世，提出了Transformer架构。这个模型的核心机制——“注意力机制”（Attention Mechanism），彻底改变了游戏规则。
怎么理解“注意力”？很简单，当你在阅读“那个打篮球的男孩，他很高”这句话时，你的大脑在处理“他”这个字时，会瞬间将注意力集中到前面的“男孩”身上。Transformer架构就让机器拥有了这种能力，而且是超级加强版。它在生成每一个词的时候，都能“看到”并权衡前面所有词的重要性，从而真正理解上下文的关联。
这不再是简单的“下一个词是什么”的猜谜游戏，而是在一个巨大的、多维的语言空间里，寻找最合理的路径。
基于Transformer架构的GPT系列模型（Generative Pre-trained Transformer），就像是在这条康庄大道上狂飙的赛车。从GPT-1到GPT-2，再到引发全民热议的GPT-3、GPT-4，它们通过在几乎整个互联网的文本数据上进行“预训练”，学到了人类语言的精髓——语法、语感、风格、甚至是隐藏在字里行间的微妙情感和文化背景。
于是，我们看到了今天的景象。AI可以写诗、写小说、写代码、写论文摘要，它的文本在流畅度、逻辑性和创造性上，达到了前所未有的高度，甚至在某些方面超越了普通人。
回望这段历史，从斯特雷奇那台笨拙的、只会随机拼凑情话的机器，到今天能够与你对答如流、文采斐然的语言大模型，这条路走了七十多年。
它始于一个充满人文色彩的奇思妙想——写情书。它在与人类的“对话”中，让我们认清了自身的心理投射（ELIZA）。它在僵硬的规则囚笼中挣扎过。它在海量数据的概率海洋中学会了模仿。最终，它在神经网络的深度时空里，找到了理解和生成语言的“注意力”焦点。
这是一部技术迭代的史诗，更是一面折射人类自身语言、思维与创造力奥秘的镜子。最早的AI写作系统，那个藏在历史尘埃里的“情书生成器”，它或许幼稚、可笑，但它提出的那个终极问题，至今仍在我们的耳边回响：
机器，真的能“创作”吗？而我们，又该如何定义“创作”本身？
