AI HISTORY · 1943—2026

人工智能简史

从图灵的一纸提问,到能够对话、创作与推理的生成式 AI——七十年探索,三次浪潮,数次寒冬,故事仍在继续。

70+ 年探索
3 次浪潮
18 个关键节点
沿时间线阅读

01 · 起源

AI 从哪里来?

人工智能并不是某一天突然诞生的。它站在三条思想河流的交汇处:形式逻辑提供了推理的语言,控制论带来自我调节与反馈的想象,神经科学则启发人们用“神经元网络”去模仿大脑。

1950 年,艾伦·图灵在论文《计算机器与智能》中提出一个著名问题:“机器能思考吗?”他给出了一个可操作的替代方案——如果一台机器在对话中让人无法分辨它是人还是机器,我们就不妨说它具备智能。这就是后来的图灵测试。

1956 年夏天,约翰·麦卡锡、马文·明斯基、克劳德·香农等人在美国达特茅斯学院组织了一场为期数周的研讨会。正是在这次会议上,“Artificial Intelligence(人工智能)”一词被正式提出,AI 作为一门学科登上历史舞台。

“我们会尝试让机器使用语言、形成抽象与概念、解决原本只有人类才能解决的问题。” —— 1955 年达特茅斯会议提案

02 · 三次浪潮

起落之间:AI 的三次浪潮

每一次浪潮都由新的方法与乐观情绪推动,也几乎都经历过期望落空后的“AI 寒冬”。

第一次浪潮

符号主义与逻辑推理

1950s — 1970s

研究者相信智能可以由符号操作与逻辑规则实现。程序被用来证明定理、下棋、做规划,通用问题求解器(GPS)和早期自然语言程序相继出现。然而,现实世界的复杂性远超手工规则的覆盖能力,算力与数据也远远不足,第一次浪潮在 1970 年代进入寒冬。

符号主义逻辑第一次寒冬
第二次浪潮

专家系统与知识工程

1980s — 1990s

AI 从“通用推理”转向“领域知识”。专家系统把行业专家的经验写成规则库,在医疗、制造、金融等场景中落地,日本“第五代计算机”计划更把 AI 推向国家战略高度。但知识获取成本高、维护困难、泛化能力弱,随着 Lisp 机器市场崩溃,第二次浪潮退去。

专家系统知识工程第二次寒冬
第三次浪潮

数据、算力与深度学习

2000s — 至今

互联网带来了海量数据,GPU 带来了廉价算力,深度神经网络让机器从数据中自动学习特征。2012 年 AlexNet 在 ImageNet 上一战成名,此后 AlphaGo、Transformer、GPT 与生成式 AI 接连登场,AI 第一次大规模走进普通人的生活。

深度学习大模型生成式 AI

03 · 里程碑

七十年,十八个关键节点

沿着时间线,看 AI 如何从实验室走向每个人的屏幕。

1943

神经元模型问世

沃伦·麦卡洛克与沃尔特·皮茨提出人工神经元模型(M-P 模型),首次用数学方式描述神经元的“兴奋—抑制”机制,为神经网络埋下第一块基石。

理论奠基
1950

图灵测试

艾伦·图灵发表《计算机器与智能》,提出以对话行为判断机器是否具有智能的“模仿游戏”,成为后世讨论机器智能的经典起点。

思想奠基
1956

达特茅斯会议:AI 诞生

麦卡锡、明斯基、香农、纽厄尔、西蒙等学者齐聚达特茅斯,“人工智能”正式成为学科名称,第一代 AI 研究者开始探索推理、学习与语言。

学科诞生
1958

感知机

弗兰克·罗森布拉特提出感知机(Perceptron),这是最早的、可以从样本中学习的神经网络之一,也引发了第一轮“机器能学习”的热潮。

机器学习
1966

ELIZA:第一个聊天机器人

约瑟夫·魏泽鲍姆在 MIT 写出 ELIZA,它用模式匹配模拟心理治疗师对话。人们很快发现,即使规则简单,人类也会不由自主地把“理解”投射到机器身上。

自然语言人机交互
1973

第一次 AI 寒冬

英国《莱特希尔报告》质疑 AI 的进展与投入不成正比,多国研究经费被大幅削减。符号主义的承诺与现实能力之间的鸿沟,让 AI 第一次跌入低谷。

第一次寒冬
1980

专家系统走向商用

DEC 的 XCON 专家系统帮助配置计算机订单,商业价值得到验证;随后专家系统在医疗、金融、制造等行业快速扩散,AI 迎来第二次浪潮。

专家系统商业化
1986

反向传播让神经网络重生

鲁梅尔哈特、辛顿与威廉姆斯系统阐述了反向传播算法,多层神经网络第一次有了可行的训练方法,为日后的深度学习奠定基础。

神经网络
1987

第二次 AI 寒冬

专家系统的维护成本与脆弱性逐渐暴露,Lisp 机器市场崩溃,日本第五代计算机计划未达预期,AI 第二次进入低谷;但连接主义研究仍在悄然积累。

第二次寒冬
1997

深蓝战胜国际象棋世界冠军

IBM 的深蓝以 3.5:1.5 击败加里·卡斯帕罗夫。这是大规模搜索与专用硬件结合的胜利,也让全世界第一次直观感受到机器在复杂智力游戏中的力量。

博弈计算力
2006

深度学习复兴

杰弗里·辛顿等人提出深度信念网络与逐层预训练方法,证明深层神经网络可以被有效训练,“深度学习”一词开始进入主流视野。

深度学习
2009

ImageNet:为视觉 AI 准备数据

李飞飞团队发布 ImageNet 数据集,用数百万张标注图片为视觉识别提供了统一标尺。数据、算法与算力的“三件套”开始汇聚。

数据集计算机视觉
2012

AlexNet 引爆深度学习

AlexNet 在 ImageNet 图像识别竞赛中以显著优势夺冠,GPU 训练深度卷积网络成为范式。此后十年,深度学习几乎重塑了计算机视觉与语音识别。

深度学习GPU
2016

AlphaGo 战胜李世石

DeepMind 的 AlphaGo 以 4:1 击败围棋世界冠军李世石。深度神经网络与强化学习、蒙特卡洛树搜索结合,攻克了曾被认为“至少还要十年”的围棋难题。

强化学习围棋
2017

Transformer 架构诞生

论文《Attention Is All You Need》提出完全基于注意力机制的 Transformer,摆脱循环结构、支持大规模并行训练,成为此后几乎所有大语言模型的基础架构。

大模型注意力机制
2020

GPT-3 展示“规模的力量”

拥有 1750 亿参数的语言模型 GPT-3 展示了少样本学习与通用文本生成能力。人们开始意识到:扩大模型、数据与算力的规模,本身就能带来能力跃迁。

大语言模型
2022

生成式 AI 走向大众

ChatGPT 上线,两个月用户破亿;Stable Diffusion、DALL·E 2 等图像生成模型同时爆发。AI 第一次以“人人可用”的产品形态进入日常生活与工作流。

生成式 AI多模态
2023—2026

多模态、推理模型与 AI Agent

大模型从“会聊天”走向“会看图、会听、会用工具”:多模态理解、长上下文、链式推理与智能体(Agent)成为新方向。与此同时,模型能力、成本与安全治理之间的平衡,成为全社会共同面对的新课题。

多模态推理智能体

04 · 人物

推动历史的人

他们来自数学、计算机、神经科学与认知科学,共同塑造了今天的人工智能。

艾伦·图灵 Alan Turing

提出图灵机与图灵测试,为计算与机器智能奠定理论基础,被誉为“计算机科学之父”。

约翰·麦卡锡 John McCarthy

达特茅斯会议发起人之一,提出“人工智能”一词,并创造了 Lisp 语言。

马文·明斯基 Marvin Minsky

MIT AI 实验室创始人之一,在神经网络、认知科学与智能理论方面影响深远。

杰弗里·辛顿 Geoffrey Hinton

反向传播与深度学习的推动者,2024 年诺贝尔物理学奖得主之一。

杨立昆 Yann LeCun

卷积神经网络(CNN)的奠基人之一,推动深度学习在视觉领域的应用。

约书亚·本吉奥 Yoshua Bengio

深度学习三巨头之一,在神经网络、表示学习与注意力机制方面贡献卓著。

李飞飞 Fei-Fei Li

ImageNet 的创建者,推动了数据驱动计算机视觉与“以人为中心的 AI”研究。

德米斯·哈萨比斯 Demis Hassabis

DeepMind 联合创始人,AlphaGo、AlphaFold 等项目的推动者,2024 年诺贝尔化学奖得主之一。

05 · 影响与未来

更聪明的机器,
更复杂的问题

生产力与创造

AI 正在改变写作、编程、设计、科研与教育。它可以是强大的助手,也提出了“谁来完成、谁来负责”的新问题。

偏见、幻觉与版权

模型从人类数据中学习,也会继承其中的偏见;生成内容可能看似合理却与事实不符。数据来源、版权与责任边界仍在讨论之中。

就业结构变化

重复性任务最先被自动化,而判断、沟通、创造力与跨领域协作的价值更加凸显。适应变化的关键,也许在于学会与 AI 协作。

安全与对齐

当模型能力越来越强,如何让系统理解并遵循人类意图、如何评估风险、如何治理,成为研究与公共政策共同的焦点。

七十多年里,AI 经历过被神化、被质疑、被冷落,也一次次用新的突破回应怀疑。今天,我们正站在生成式 AI 浪潮的中段——它会把人类带向哪里,取决于技术,也取决于使用技术的人。

探索仍在继续。