决策树从最初的人工设计的决策流程图，演变为能从数据中自动学习的强大工具，这一转变体现了机器学习如何吸收传统算法并赋予其新的能力。

决策树的发展历程可以分为两个主要阶段：

1. 前机器学习时代（1950s-1970s）

决策树最初作为算法的基本数据结构，用于表达分步决策过程，广泛应用于自动决策系统、专家系统的规则表示以及算法的分治策略可视化。 比如，1959年，Newell和Simon开发的“通用问题求解器（General Problem Solver，GPS）”，决策树扮演了重要角色。

2. 机器学习时代（1980s至今）

1986年，Quinlan 在开发 ID3 算法时，引用了 Newell和Simon关于GPS的研究，使决策树系统化地应用于机器学习。 1984年，Breiman 等人正式提出 CART（Classification and Regression Trees）算法，使用信息熵、基尼系数等数学工具进行特征选择，并发展出系统的剪枝方法以防止过拟合，使决策树成为机器学习核心算法之一。

关键转变点

传统算法的决策树由人工设计决策规则，而机器学习的决策树则能够从数据中自动学习决策规则。

当前，人工智能的快速发展不仅依赖于深度学习等复杂模型，同时也离不开决策树等传统算法的改进和融合。比如，以 XGBoost 和 LightGBM 为代表的增强决策树模型在诸多机器学习竞赛中取得优异成绩，表明传统算法并未被淘汰，反而在新的计算范式下焕发新生。

这种现象类似于文艺复兴时期对古典知识的重新发掘和创新，使得“AI：算法的文艺复兴”成为一个合理的比喻。