AI发展概况📘 稍难
前面几章我们动手体验了 AI 的各种能力，感受了它的强大与有趣。但 AI 到底是怎么走到今天的？人工智能并非一夜之间冒出来的奇迹。从 1950 年图灵的一个提问，到 2026 年大模型百花齐放，AI 走过了七十多年波澜壮阔的历程——它有过被捧上天的狂热，也有过被遗忘的漫长寒冬。本节先带你鸟瞰全局，后续各节再深入展开。
- 图灵测试Turing Test 隔着帘子跟对方聊天，分不出对面是人还是机器，就算它通过了
- ELIZA第一个聊天机器人 1966 年诞生，只会照着套路把你的话反问回来
- 专家系统Expert System 把老师傅的经验写成几千条"如果……就……"，让电脑照单查
- AI 寒冬AI Winter 牛皮吹破之后没人再投钱的萧条期，历史上出现过两次
- AlexNet2012 年的夺冠模型 在图像识别大赛上一举夺冠，引爆了这一轮深度学习浪潮
- AlphaGo下围棋的 AI 2016 年击败世界冠军李世石，让全世界第一次直观感受到 AI 的威力
- LLM大语言模型 读遍全网文本的模型，ChatGPT 就是它的代表
写在时间线之前
理解 AI 的历史，有一个关键规律：热潮与寒冬交替。每当出现一项突破性技术，人们就会燃起巨大热情，资金涌入、媒体报道、社会期待飙升；可一旦发现 AI 的实际能力远不及预期，失望随之而来，资金撤走、研究停滞，进入所谓的"AI 寒冬"。如此循环，直到下一次突破再次点燃希望。
而真正让 AI 从"实验室玩具"变成"改变世界力量"的转折点，是数据、算力、算法三者同时成熟的那一刻。下面这条时间线，会带你清楚地看到这三股力量是如何一步步汇聚的。
下面每个时间节点都对应一个里程碑。你可以重点关注三件事：当时出现了什么突破、人们产生了什么期待、最后为什么走向热潮或寒冬。读懂这个节奏，你就读懂了 AI 发展的底层逻辑。
本节是总览，帮助你建立整体脉络。如果你想深入了解某个方面——理论怎么演进的、工程怎么落地的、软件框架怎么进化的、硬件怎么发展的、神经网络怎么迭代的、中国做了什么贡献——请关注下方各子章节。
AI 七十年大事记
英国数学家艾伦·图灵发表了一篇划时代的论文，提出了一个大胆的问题："机器能思考吗？"为了回答这个问题，他设计了一个著名的思想实验——"图灵测试"隔着帘子跟对方聊天，如果你分不出对面是人还是机器，就算它通过了：让一个人通过文字和两个看不见的对象聊天，一个是真人，一个是机器。如果人分不清谁是谁，那就可以认为机器具有了"智能"。
这个问题像一颗种子，种下了整个 AI 领域。直到今天，"机器能不能思考"依然是哲学家和科学家争论的焦点。
在美国达特茅斯学院，一群年轻的科学家开了一场为期两个月的研讨会。正是在这次会议上，首次正式提出了"人工智能"（Artificial Intelligence）这个词。与会者乐观地相信：只要几十年，机器就能拥有和人类相当的智能。
这次会议被公认为 AI 作为一个独立学科的诞生标志，那一年也因此被称为"AI 元年"。
热潮期，研究者们做出了不少令人兴奋的程序。比如 ELIZA1966 年诞生的第一个聊天机器人，只会照着套路把你的话反问回来，却让很多人以为它真懂自己——一个能模仿心理咨询师和人对话的程序，让很多人误以为它真的"懂"自己。再比如能证明数学定理、能解代数题的程序，看起来 AI 似乎无所不能。
但现实很快泼来冷水：那时的计算机算力极弱、数据极少，很多程序只能在极小的"玩具问题"上跑通，一遇到真实世界就抓瞎。研究进展远低于预期，各国政府和机构纷纷削减经费，AI 进入了第一次寒冬，整个领域几乎被人遗忘。
研究者换了个思路：与其让 AI 什么都学，不如把人类专家的知识直接写成规则喂给它。这就是"专家系统"——比如把老中医的诊断经验整理成几千条"如果……就……"的规则，让计算机照着推理。这类系统在医疗诊断、化学分析等领域一度大获成功，AI 迎来第二春。
可问题随之暴露：规则越多越难维护，遇到规则没覆盖的情况就彻底卡住，而且把专家的"直觉"翻译成规则本身就极其困难。随着个人电脑崛起，昂贵又死板的专家系统失去了市场，AI 再次跌入第二次寒冬。
被称为"深度学习之父"的杰弗里·辛顿（Geoffrey Hinton）发表了一系列关键论文，提出用多层神经网络进行"深度学习"的方法。他证明了一件事：只要网络够深、数据够多、算力够强，神经网络就能学到极其复杂的规律。
这一次，数据、算力、算法三块基石终于凑齐——互联网积累了海量数据，GPU 提供了前所未有的算力，深度学习算法也日趋成熟。AI 即将迎来真正的大爆发。
在一年一度的 ImageNet 图像识别大赛上，辛顿的学生用深度神经网络搭建的 AlexNet2012 年在图像识别大赛上一举夺冠的深度神经网络，它的胜利直接引爆了这一轮深度学习浪潮 以压倒性优势夺冠——错误率比第二名低了整整十几个百分点。这一战震惊了整个学界和工业界，深度学习从此被全世界认可，无数公司蜂拥投入这个赛道。
很多人把 2012 年称为"深度学习元年"。从这一年起，AI 再也没有回到寒冬，而是开启了长达十多年的高歌猛进。
韩国首尔，围棋世界冠军李世石坐在 AlphaGo2016 年击败世界围棋冠军李世石的 AI，让全世界第一次直观感受到深度学习的威力 面前。围棋一直被视为"AI 难以攻克的最后堡垒"，因为它的变化比宇宙中的原子还多。然而 AlphaGo 以 4:1 的比分击败了李世石，其中"第 37 手"那步人类看不懂的棋，事后被证明是绝妙的一招。
这一夜，AI 成了街头巷尾的热词。从出租车司机到菜市场大妈，都在讨论"电脑下棋赢了人"。AI 第一次真正走入大众视野。
2022 年 11 月 30 日，OpenAI 发布了 ChatGPT。它能写文章、写代码、解数学题、陪你聊天，回答之流畅让人几乎忘了对面是个程序。上线两个月，用户突破一亿，成为史上增长最快的消费级应用。
ChatGPT 的底层是大语言模型（LLM），它"读"过互联网上几乎所有的公开文本，从而拥有了惊人的语言能力。大语言模型时代正式到来，一场新的技术革命就此引爆。
OpenAI 发布 GPT-4，它不仅能读文字，还能看懂图像——你给它一张搞笑图片，它能解释笑点；给它一道手写的数学题，它能一步步解答。这种同时处理多种信息（文字、图像、声音）的能力叫"多模态"。
同一年，AI 绘画、AI 视频生成也突飞猛进。AI 的能力边界被大幅拓宽，从"只会聊天"变成了"能看能画能创作"。世界各国开始认真讨论 AI 监管，意识到这项技术需要被妥善引导。
AI 的主角从"聊天机器人"升级为"AI Agent（智能体）"——它不只是回答问题，还能自己拆解任务、调用工具、上网查资料、写代码并运行，独立完成一整套复杂工作。你可以让它"帮我调研某款产品并写一份对比报告"，它就能自动搞定。
与此同时，DeepSeek 等中国模型异军突起，以极低的训练成本逼近顶尖模型的表现，震动了全球。大模型价格断崖式下降，曾经按"每千次调用几块钱"计费的 API，降到了几分钱。AI 从奢侈品变成了水电煤，人人用得起。
2026 年，AI 行业进入全新阶段，几件大事格外瞩目：
- OpenAI 发布 GPT-5.6 Sol，在复杂推理和长程任务上达到新高度；
- Anthropic 的 Claude Opus 4.8 登顶科学推理榜单，成为科研人员的得力助手；
- Google 推出 Gemini 3.2 Pro，多模态能力进一步增强；
- 中国 AI 行业保持 30% 以上的高增长，首个全国产 10 万卡 AI 超集群正式投用，算力自主迈出关键一步；
- 国产大模型在全球的下载量突破 100 亿次，中国正从"跟跑"走向"并跑"乃至部分"领跑"；
- 智源研究院发布全球首个通用世界基座模型"悟界·Physis-v0.1"，让 AI 开始理解物理世界的运行规律；
- 多国 AI 立法进程提速，AI 治理从讨论走向落地。
这一年被称为"Agent 元年"——AI 不再只是工具，而开始成为能主动行动的"数字员工"。
热潮与寒冬：藏在历史里的规律
把这七十多年连起来看，你会发现一条清晰的脉络：
每一次热潮，都源于一次技术突破——图灵测试点燃想象、专家系统带来实用、深度学习实现飞跃、大模型引爆革命。
每一次寒冬，都源于期望落空——当 AI 的实际能力远远追不上人们的想象，资金撤走、热情退潮，整个领域陷入沉寂。
而真正让 AI 走进现实的，是 数据、算力、算法三者同时成熟。缺任何一个，AI 都只能在寒冬里等待。这也是为什么 2012 年之后的爆发如此猛烈——三块基石终于齐了。
三块基石的成熟时间表
| 时期 | 数据 | 算力 | 算法 | 结果 |
|---|---|---|---|---|
| 1960s | 几乎没有 | 极弱 | 萌芽 | 寒冬 |
| 1980s | 少量 | 较弱 | 专家系统 | 短暂热潮后寒冬 |
| 2006 | 互联网积累中 | GPU 兴起 | 深度学习提出 | 蓄势待发 |
| 2012 | 海量图片 | GPU 普及 | 深度学习成熟 | 全面爆发 |
| 2022+ | 全网文本 | 万卡集群 | Transformer | 大模型时代 |
从这张表能直观看到：只有在最后一行，三块基石才同时达到"足够强"的水平。前几次热潮之所以都以寒冬收场，根本原因就是某一基石严重短缺。
今天的我们站在哪里
站在 2026 年回望，AI 已经走过了"能不能用"的阶段，正在进入"好不好用、安不安全、该不该用"的新阶段。大模型让 AI 第一次具备了"通用助手"的模样，AI Agent 让它开始"动手干活"，世界模型让它开始"理解物理"。
历史给我们的启示是：不要因为一时的狂热就盲目乐观，也不要因为一时的低谷就否定未来。AI 的浪潮会有起伏，但每一次起伏之后，水位都比上一次更高。理解了这一点，你就能在喧嚣中保持清醒。
"预测未来最好的方式，就是去创造它。"——AI 的历史不是别人写好的剧本，而是无数普通人一步步趟出来的路。也许下一个里程碑，就有你的一份。
深入了解 AI 发展史
上面的时间线为你建立了 AI 七十年的整体脉络。如果你想更深入地了解某个方面，下面六个子章节会带你逐一展开。每个子章节聚焦一个维度，既独立成篇，又相互呼应。
AI 发展史上的关键人物
七十年的 AI 历史，是由一群充满想象力的人共同书写的。下面这几位，是其中最具代表性的"拓荒者"。记住他们，就记住了 AI 发展的几个关键节点。
技术会过时，但人的故事能给我们启示：辛顿在神经网络被冷落的三十年里坚持研究，最终等来了春天；图灵在世人还不理解时就敢问"机器能不能思考"。创新的路上，往往需要这种"众人皆睡我独醒"的勇气。
三次浪潮，一个规律
把 AI 历史上的三次大热潮放在一起对比，规律一目了然：每一次都比上一次走得更远、更扎实。
| 对比项 | 第一次热潮（1956—1970s） | 第二次热潮（1980s） | 第三次热潮（2012—至今） |
|---|---|---|---|
| 核心技术 | 符号推理、搜索 | 专家系统、规则 | 深度学习、大模型 |
| 数据情况 | 几乎没有 | 少量结构化 | 互联网海量数据 |
| 算力情况 | 极弱 | 较弱 | GPU/万卡集群 |
| 代表成果 | ELIZA、定理证明 | 医疗诊断专家系统 | AlphaGo、ChatGPT |
| 结局 | 第一次寒冬 | 第二次寒冬 | 持续高歌（暂无寒冬） |
| 根本原因 | 三基石全缺 | 缺数据、算力 | 三基石齐备 |
从这张表能清楚看到：前两次热潮都因为基石不稳而跌入寒冬，而第三次热潮之所以能持续十几年不停，正是因为数据、算力、算法三块基石同时达到了足够强的水平。这不是运气，而是量变终于引发了质变。
"历史不会简单重复，但会押着韵脚。"AI 的未来会不会再有寒冬？没人能确定。但只要三块基石继续夯实，AI 的水位就会持续上涨——即便有起伏，方向也是向上的。
AI 史给今天的我们什么启示
读史是为了明智。回顾 AI 七十年的浮沉，有几条启示特别值得今天的我们记取——无论你将来做技术还是做别的，都用得上。
启示一：别对短期期望太高，也别对长期潜力太低
每一次热潮里，人们都以为 AI 马上能改变一切，结果期望落空进了寒冬；每一次寒冬里，人们又以为 AI 是骗局，结果它默默积蓄力量卷土重来。这告诉我们：对一两年的进展要冷静，对十年的变化要兴奋。不被短期炒作冲昏头，也不因一时低谷而否定未来。
启示二：基础设施决定上层建筑
AI 三次浪潮的成败，归根结底是"数据、算力、算法"三块基石齐不齐。这启示我们：一项技术能不能成，不光看想法好不好，更看支撑它的基础设施到没到位。今天搞 AI 也是一样——再好的算法，没有数据和算力也跑不起来。脚踏实地把基础打牢，比追新概念更重要。
启示三：坚持长期主义的人，终会被时代奖励
辛顿研究神经网络整整三十年，期间这个方向几乎没人看好，他却一直坚持，最终等来了深度学习的春天。真正的突破，往往来自那些愿意在冷板凳上坐很久的人。在这个追求"快"的时代，能沉下心做难而正确的事，是最稀缺的品质。
如果你穿越回 1980 年代，告诉当时的人"三十年后 AI 能和人下棋、能写文章、能画画"，多半没人信你。那么今天的我们，能不能想象三十年后的 AI 会是什么样？接下来各子章节会带你深入 AI 发展的每个维度，学完你或许能自己推想答案。
"我们总是高估一年内能发生的变化，低估十年内能发生的变化。"——比尔·盖茨。这句话几乎是 AI 发展史的完美注脚。
一张图看懂 AI 七十年
如果把七十年的 AI 史压缩成几个"十年"，每个十年的主旋律各不相同。下面这张表帮你一眼看清每个阶段的关键词。
| 年代 | 主旋律 | 关键词 | 情绪 |
|---|---|---|---|
| 1950s | 萌芽 | 图灵测试、达特茅斯会议 | 充满想象 |
| 1960s—70s | 第一次热潮与寒冬 | ELIZA、算力不足 | 从兴奋到失望 |
| 1980s | 专家系统与第二次寒冬 | 规则引擎、维护困难 | 短暂希望再落空 |
| 1990s—2000s | 默默积蓄 | 互联网、数据积累 | 低调蓄力 |
| 2010s | 深度学习爆发 | AlexNet、AlphaGo | 全面振奋 |
| 2020s | 大模型时代 | ChatGPT、Agent、DeepSeek | 狂热与反思并存 |
你会看到一个有意思的节奏：萌芽 → 狂热 → 寒冬 → 蓄力 → 再爆发，几乎每二十年一个循环，但每一次循环的"水位"都比上一次高得多。今天的 AI 正处在第三波大潮的高点，它会不会也有起伏？也许会，但方向，是向上的。
九、本章术语速查
| 术语 | 一句话解释 |
|---|---|
| 图灵测试 | 通过文字对话判断机器是否具有智能的思想实验 |
| 达特茅斯会议 | 1956年首次正式提出"人工智能"一词，AI学科诞生的标志 |
| 专家系统 | 把人类专家知识写成规则让计算机推理的AI |
| 深度学习 | 用多层神经网络自动从数据中学习复杂规律的方法 |
| 大语言模型（LLM） | 读遍全网文本、具备惊人语言能力的AI模型 |
| AI Agent | 能自主拆解任务、调用工具、执行操作的智能体 |
| 世界模型 | 让AI理解物理世界运行规律的模型 |
| GPU | 图形处理器，擅长并行计算，AI训练的主力算力芯片 |
| CUDA | NVIDIA的GPU编程平台，打通了GPU走向通用计算的通道 |
| ImageNet | 李飞飞创建的大规模图像标注数据集，深度学习革命的燃料 |
| Transformer | 2017年提出的神经网络架构，当今所有大模型的基石 |
| Scaling Law | 模型越大、数据越多、算力越强，效果越好的可预测幂律 |
| RLHF | 人类反馈强化学习，让AI学会"说对话"的关键技术 |
| ELIZA | 1966年诞生的第一个聊天机器人，用简单模式匹配模拟心理医生对话 |
| AlexNet | 2012年引爆深度学习浪潮的图片识别模型，堪称"深度学习奥运会"冠军 |
| AlphaGo | 谷歌DeepMind的围棋AI，2016年击败世界冠军李世石，AI发展的里程碑 |
| AI 寒冬 | 牛皮吹破之后经费撤走、研究停滞的萧条期，历史上出现过两次（1970年代、1980年代末） |
| 多模态 | 能同时处理文字、图像、声音、视频等多种信息的能力，GPT-4是转折点 |
本章小结
AI 的七十年历史，是热潮与寒冬交替的循环——每一次热潮源于技术突破，每一次寒冬源于期望落空。
真正让 AI 走进现实的转折点，是数据、算力、算法三块基石同时成熟，2012年AlexNet一战成名标志着深度学习全面爆发。
从 ChatGPT 到 AI Agent，从百模大战到世界模型，AI 正从"能不能用"走向"好不好用、安不安全、该不该用"的新阶段。
- AI 起源于 1950 年图灵的提问和 1956 年的达特茅斯会议。
- 它经历过两次寒冬：第一次因算力弱、数据少；第二次因专家系统死板难维护。
- 2006 年深度学习崛起，2012 年 AlexNet 让世界认可深度学习。
- 2016 年 AlphaGo 让 AI 走入大众视野，2022 年 ChatGPT 开启大模型时代。
- 2024—2026 年，AI Agent 成主流，中国模型崛起，模型降价，世界模型诞生，AI 立法提速。
- 底层规律：热潮源于突破，寒冬源于期望落空，三基石同时成熟才让 AI 走进现实。
这只是 AI 发展史的总览。下一章，我们将走进AI 理论发展史，从图灵之问到 Transformer，看那些改变 AI 命运的"思想火花"是如何一步步照亮今天的。
"我们总是高估一年内能发生的变化，低估十年内能发生的变化。"——AI 的七十年历史，就是这句话最完美的注脚。