人工智能（AI）的发展史是一部充满起伏、突破与反思的史诗，通常被划分为几个关键阶段，从早期的概念萌芽到如今的生成式AI爆发。
以下是AI发展史的主要脉络：
1. 萌芽与奠基期（1940s - 1950s）
这一时期是理论基础的建立阶段，科学家们开始思考“机器能否思考”。
- 1943年：沃伦·麦卡洛克（Warren McCulloch）和沃尔特·皮茨（Walter Pitts）提出了第一个人工神经元数学模型，为神经网络奠定了基础。
- 1950年：艾伦·图灵（Alan Turing）发表了划时代的论文《计算机器与智能》，提出了著名的“图灵测试”，定义了机器智能的标准。
- 1956年：达特茅斯会议（Dartmouth Conference）召开。约翰·麦卡锡（John McCarthy）、马文·明斯基（Marvin Minsky）等人正式提出了“人工智能”这一术语。这标志着AI作为一门独立学科的诞生。当时大家普遍乐观，认为几十年内就能创造出像人一样聪明的机器。
2. 第一次黄金期与第一次寒冬（1950s末 - 1970s）
- 早期成就：这一时期出现了一些令人兴奋的程序，如“逻辑理论家”（证明数学定理）和ELIZA（早期聊天机器人）。
- 遭遇瓶颈：随着研究深入，科学家发现许多问题比预想的要难得多。计算能力不足、数据匮乏以及算法局限性导致进展缓慢。
- 第一次AI寒冬（1974-1980）：由于承诺未兑现，政府和机构大幅削减了对AI研究的资助，领域进入低谷。
3. 专家系统与第二次寒冬（1980s - 1990s初）
- 专家系统兴起：80年代，AI的研究重点转向了专家系统（Expert Systems）。这些系统基于规则库，能模拟人类专家在特定领域（如医疗诊断、化学分析）的决策过程。日本启动了著名的“第五代计算机”计划。
- 商业应用：专家系统在企业中得到广泛应用，AI再次迎来热潮。
- 局限性暴露：专家系统维护成本高、难以处理不确定性、缺乏常识，且无法自我学习。
- 第二次AI寒冬（1987-1993）：随着个人电脑的崛起和专家系统的衰落，AI再次失去资金支持，许多公司倒闭。
4. 统计学习与互联网时代（1990s - 2010）
- 范式转移：研究者从基于规则的方法转向了统计机器学习。利用概率论和统计学，机器开始能从数据中“学习”规律，而不是依赖人工编写的规则。
- 里程碑事件：
- 1997年：IBM的深蓝（Deep Blue）击败了国际象棋世界冠军卡斯帕罗夫，展示了计算暴力搜索的威力。
- 支持向量机（SVM）、随机森林等算法成为主流。
- 数据积累：互联网的普及产生了海量数据，为机器学习提供了燃料。
5. 深度学习与大爆发（2010 - 2022）
这是AI发展最迅猛的时期，主要得益于三大要素：大数据、强算力（GPU）、新算法（深度学习）。
- 2012年：AlexNet在ImageNet图像识别大赛中以压倒性优势获胜，标志着深度学习（Deep Learning）和卷积神经网络（CNN）的统治地位确立。
- 技术突破：
- AlphaGo（2016）：谷歌DeepMind开发的程序击败了围棋世界冠军李世石，震惊世界，证明了AI在极度复杂博弈中的能力。
- GANs（生成对抗网络）：让机器能够生成逼真的图像。
- Transformer架构（2017）：谷歌提出Transformer模型，彻底改变了自然语言处理（NLP），为后来的大语言模型奠定了基础。
- 应用落地：人脸识别、语音助手（Siri, Alexa）、推荐算法（抖音、Netflix）全面进入日常生活。
6. 生成式AI与大模型时代（2022 - 至今）
- ChatGPT时刻（2022年底）：OpenAI发布ChatGPT，基于大规模预训练的大语言模型（LLM）展现出了惊人的理解、推理和生成能力，引发了全球范围内的AI狂潮。
- 多模态发展：AI不再局限于文本，开始能同时处理文本、图像、音频和视频（如Midjourney, Sora, DALL-E 3）。
- 当前状态（2026年视角）：
- AI已深度融入各行各业，从代码编写、药物研发到自动驾驶。
- 代理型AI（Agentic AI）成为新趋势，AI不仅能回答问题，还能自主规划并执行复杂任务。
- 社会关注点从“技术是否可行”转向了安全性、伦理、版权以及通用人工智能（AGI）的潜在风险。
总结
AI的发展并非直线上升，而是经历了“期望膨胀 - 失望低谷 - 务实复兴”的螺旋式上升过程。从最初的逻辑推理，到现在的深度学习与生成式智能，AI正在从“专用智能”向更通用的方向演进，深刻地重塑着人类社会的生产力和生活方式。