00｜GPT 是什麼？從 1950 年代到 ChatGPT 的完整時間軸
🤖 一句話：GPT（Generative Pre-trained Transformer）是一種先用海量文字「預訓練」、再用人類回饋調教的語言模型——ChatGPT 就是它的對話版本。
一、GPT 全名拆解
GPT = Generative Pre-trained Transformer
| 英文 | 中文 | 意思 |
|---|---|---|
| Generative | 生成式 | 能「生出」文字，不只是分類或打分數 |
| Pre-trained | 預訓練 | 先用大量文字（書、網頁、程式碼）自我學習，再調整用途 |
| Transformer | 轉換器 | 2017 年誕生的神經網路架構，是現代 AI 的骨幹 |
二、高中生也能懂的解釋
GPT 像一個「讀遍全網的預言家」
想像你有個同學，從小把圖書館所有書、維基百科、GitHub 程式碼、Reddit 討論全部看過一遍，然後練出一個能力：猜下一個字最可能是什麼。
你說：「今天天氣」
他猜：「很好」（因為他看過幾億次這個組合）
你說：「幫我寫一封道歉信給」
他猜：「老師 / 朋友 / 媽媽...」（根據語境推斷）
這個「猜下一個字」的過程，反覆幾千次，就能生出一整篇文章。這就是 GPT 的核心原理。
和舊 AI 有什麼差別？
| 舊 AI（規則式） | GPT（生成式） |
|---|---|
| 工程師寫死規則：「如果有關鍵字 X，回答 Y」 | 從大量例子自己學規律 |
| 遇到沒見過的問題就當機 | 能「舉一反三」產生新回答 |
| 只能做一件事（翻譯 or 分類） | 同一個模型能寫作、翻譯、寫程式、聊天 |
三、時間軸：從規則到 ChatGPT
🕰 1950 年代｜規則時代
AI 剛起步，工程師用 if-else 規則 寫程式。電腦「看起來很聰明」，其實只是查字典：遇到某個句子就照表輸出答案，完全沒有理解能力。
📊 1980 年代｜機器學習登場
工程師不再手寫規則，改讓電腦從資料中學習分類（垃圾信 vs 正常信、貓 vs 狗）。但訓練資料量還很小，能做的事有限。
🧠 1990s–2000s｜神經網路三巨頭
科學家模仿人類大腦神經元，發展出三種重要架構：
| 架構 | 英文 | 主要用途 |
|---|---|---|
| 卷積神經網路 | CNN | 圖片辨識、人臉偵測 |
| 遞歸神經網路 | RNN | 語言翻譯、語音辨識（但記憶力差） |
| 生成對抗網路 | GAN | 以假亂真的圖片生成（DeepFake 前身） |
RNN 雖然能處理語言，但長文章就「忘記」前面說了什麼——這是後來 Transformer 要解決的問題。
⚡ 2017｜Transformer 革命
Google 研究員發表論文 《Attention is All You Need》，提出全新架構 Transformer。
它改變了什麼？
- 舊 RNN：一個字一個字按順序讀，長文讀完後面忘記前面
- Transformer：整篇文章「同時看」，用 Attention（注意力機制） 自己決定哪些字最重要
讀「我昨天去了咖啡廳，喝了一杯我最喜歡的____」
Transformer 同時看到「咖啡廳」和「喜歡的」，
知道空格填「咖啡」最合理。
這篇論文是現代生成式 AI 的基石，GPT 全系列都建立在 Transformer 上。
🚀 2018–今日｜GPT 時代全面開啟
Transformer 問世後，AI 公司瘋狂「放大」——模型越大、資料越多、能力越強。
| 版本 | 時間 | 重要里程碑 |
|---|---|---|
| GPT-1 | 2018.06 | OpenAI 第一個 GPT，1.17 億參數，證明「預訓練 → 微調」可行 |
| GPT-2 | 2019.02 | 15 億參數，文章生成品質嚇到 OpenAI 自己，一度不敢公開 |
| GPT-3 | 2020.06 | 1,750 億參數，Few-shot 能力驚人，幾乎不用訓練就能做新任務 |
| InstructGPT | 2022.01 | 加入 RLHF（人類回饋強化學習），讓模型學會「照指令做事」 |
| ChatGPT | 2022.11 | GPT-3.5 的對話版，上線 5 天破百萬用戶，2 個月破億 |
| GPT-4 | 2023.03 | 多模態（能看圖），推理能力大幅提升，通過律師、醫師執照考 |
| GPT-4o | 2024.05 | 語音、視覺、文字統一處理，回應更快、中文更省 token |
| o1 / o3 | 2024–2025 | 加入「慢思考」推理模式（Chain of Thought），解數學難題能力大增 |
四、「人類回饋」是什麼魔法？
GPT-3 雖然強，但會說廢話、亂答問題。OpenAI 加入 RLHF（Reinforcement Learning from Human Feedback）：
- 讓 GPT 生出多個版本的答案
- 真人評分員選出「比較好」的那個
- 訓練一個「評分模型」模仿人類品味
- 用這個評分模型當獎勵信號，再訓練 GPT
簡單說：讓 GPT 學會「取悅人類」而不只是「猜下一個字」。 ChatGPT 之所以感覺像在聊天，這一步功不可沒。
五、三個數字感受一下規模
| 類比 | 說明 |
|---|---|
| 🧠 人腦神經元 | 約 860 億個 |
| 📄 GPT-3 訓練資料 | 約 45TB 文字（等於 450 億張 A4 紙） |
| 🔢 GPT-3 參數量 | 1,750 億個——每個「參數」就像一個可調整的記憶開關 |
六、2025–2026：Coding 工具大爆炸
GPT 推開了門，接下來兩年是開發者工作流程的全面重組。
🎵 Vibe Coding 誕生（2025 年 2 月）
AI 科學家 Andrej Karpathy（前 OpenAI、前 Tesla）創造了「Vibe Coding」一詞：
你不寫程式，你只是描述「感覺」，讓 AI 把程式碼生出來。
這不只是比喻——資料顯示 2026 年時：
- 92% 的美國開發者每天使用 AI coding 工具
- 41% 的全球程式碼由 AI 生成
- 63% 的 Vibe Coding 使用者不是工程師（PM、設計師、創業者）
🛠 AI Coding 工具大戰時間軸
| 時間 | 事件 |
|---|---|
| 2025.01 | Cursor 達到 ARR $1 億（年化營收） |
| 2025.02 | Andrej Karpathy 提出「Vibe Coding」概念 |
| 2025.05 | Anthropic 推出 Claude Code（CLI 型 coding agent） |
| 2025.06 | Cursor 達到 ARR $5 億，12 個月從 $1M 長到 $5 億 |
| 2025.07 | GitHub Copilot 突破 2,000 萬用戶 |
| 2025.11 | Cursor 達到 ARR $10 億；Google Antigravity 上線 |
| 2026.01 | Claude Code 職場使用率從 3%（2025.04）升到 18% |
| 2026.02 | Cursor 達到 ARR $20 億，估值 $293 億 |
| 2026.04 | GitHub Copilot Pro/Pro+ 暫停新用戶，轉向用量計費 |
| 2026.05 | Google 在 I/O 發表 Antigravity 2.0 |
| 2026.06 | Cognition 將 Windsurf 改版為 Devin Desktop |
2026 年職場使用率排名（Stack Overflow 資料）：
| 工具 | 職場使用率 |
|---|---|
| GitHub Copilot | 29%（2,600 萬用戶） |
| Cursor | 18% |
| Claude Code | 18% |
🔌 MCP：讓 AI 工具「插電」的通用協議
MCP（Model Context Protocol） 是 2024 年 11 月 Anthropic 提出的開放標準，讓 AI 模型能統一接上各種外部工具（資料庫、API、IDE、瀏覽器）。
| 時間 | MCP 里程碑 |
|---|---|
| 2024.11 | Anthropic 開源 MCP 規範 |
| 2025.03 | OpenAI 宣布在 Agents SDK 與 ChatGPT 桌面版支援 MCP |
| 2025.04 | Google DeepMind 確認 Gemini 模型支援 MCP |
| 2025.09 | 官方 MCP Registry 上線（統一搜尋 9,400+ 公開 server） |
| 2025.12 | Anthropic 將 MCP 捐給 Linux Foundation 旗下的 AAIF（OpenAI、Block 共同創辦） |
| 2026.01 | MCP Apps 推出，支援在對話中渲染互動 UI |
| 2026.04 | MCP Dev Summit 北美峰會，約 1,200 人參加 |
MCP 讓「AI 幫你操作工具」從各家自訂 API 收斂成一個標準插頭，等同於 USB-C 之於充電線的地位。
🤖 Agent Coding：下一個階段
2026 年的趨勢不再只是「AI 補全程式碼」，而是 AI 自己跑完整個任務：
你下指令：「幫我把這個 API 加上分頁功能並寫測試」
Agent Squad 自動分工：
Agent A → 讀 codebase，找相關檔案
Agent B → 修改程式碼
Agent C → 執行測試，確認通過
Agent D → 產生 PR 說明
五大 2026 開發趨勢：
- 自主多步驟 Agent——不只補完，直接完成任務
- MCP 成為事實標準——Anthropic、Microsoft、Google、OpenAI 全支援
- 多模態輸入——截圖 UI 就能生出對應程式碼
- AI-native IDE——Cursor、Zed、Claude Code 取代傳統 IDE 外掛
- 工程師角色轉型——從「寫程式」→「審查 + 架構決策 + Prompt 工程」
⚠️ 還沒解決的問題
快速採用的背後有隱憂：
| 指標 | 數字 |
|---|---|
| AI 生成程式碼的 bug 密度 | 人工的 1.7 倍 |
| 通過安全測試的比率 | 只有 55%（45% 有 OWASP 漏洞） |
| 開發者信任 AI 輸出的比例 | 僅 29%（雖然 92% 天天用） |
這是「速度 vs 品質」的典型張力——AI 工具讓你更快到達終點，但審查品質的責任更重了，不是消失了。
資料來源
- ChatGPT Timeline — ByteByteGo
- AI Coding Tools Landscape 2026 · BetterLink Blog
- Top Vibe Coding Statistics & Trends 2026 — Second Talent
- Vibe coding — Wikipedia
- A Year of MCP: From Internal Experiment to Industry Standard — Pento
- Model Context Protocol — Wikipedia
- 10 AI coding trends in 2026: agents, MCP, multimodal, AI IDEs — The Claude Codex
- GitHub Copilot Under Pressure: Cursor and Claude Code Are Eating Its Lunch (2026)