外观
演进简史
一句话定义：人工智能的历史，是一部"能力叙事与资源现实反复对表"的历史——每次浪潮都源于某条技术路线的能力被高估，每次寒冬都源于模型容量与数据、算力、成本的错配被忽视。 1950 年图灵提出"机器能否思考"时，没有人能预见 2025 年的模型可以读图、写代码、做数学推理甚至自主调用工具；但也没有人能预见，这七十五年里 AI 会两次跌入几乎被学界与资本同时抛弃的"寒冬"。
理解这条演进线，比背一串年份重要得多。它让你能回答三个问题：今天的大模型热潮处在历史的什么位置？哪些"颠覆"其实在历史上反复发生过？以及——当所有人都在说"AI 无所不能"时，你该看哪块短板。 本文是本站全景总览的时间轴补充，概念边界辨析见AI vs ML vs DL vs GenAI vs Agent，今日系统的完整骨架见总体架构解剖。
一、开场：三次浪潮与两次寒冬的叙事框架
主流历史叙事把这段历程概括为三次浪潮（boom）与两次寒冬（winter）：
text
第一次浪潮 1950s─1960s 符号主义·感知机：人写规则/神经元模拟 → 1970s 第一次寒冬
第二次浪潮 1980s 专家系统·知识工程：if-then 规则商业化 → 1980s 末第二次寒冬
第三次浪潮 2012─至今 深度学习→大模型→Agent：数据×算力×规模法则（尚未全局性"入冬"）| 阶段 | 代表性技术 | 核心假设 | 破灭原因 | 留下遗产 |
|---|---|---|---|---|
| 1950s–1960s 符号主义浪潮 | 感知机、逻辑推理、早期 NLP | "思维 = 符号运算"，写对规则就能智能 | 规则写不完、单层感知机有表达极限 | 搜索、逻辑、知识表示的数学基础 |
| 1970s 第一次寒冬 | —— | —— | Lighthill 报告与 DARPA 撤资 | "AI 必须兑现工程承诺"的教训 |
| 1980s 专家系统浪潮 | XCON、MYCIN、知识工程 | "知识 = 规则库"，堆规则就能覆盖领域 | 知识获取瓶颈、维护成本爆炸 | 知识图谱/本体的思想源头 |
| 2012–2015 深度学习革命 | AlexNet、ResNet、GAN | 表征可自动学习 | （未破灭，转入下一阶段） | CNN、表征学习、生成模型 |
| 2018–2021 预训练大模型 | BERT、GPT 系列 | 大规模预训练 + 缩放定律 | （未破灭，加速演进） | 基础模型（foundation model）范式 |
| 2022–2025 生成式 AI 浪潮 | ChatGPT、GPT-4、扩散模型、Agent | 规模 + 对齐 = 通用助手 | 尚未定论：成本、安全、评测难题 | 大众级 AI 产品与基础设施 |
这套框架的关键判断是：每一次"冬"都不是技术彻底死亡，而是特定技术路线的假设被证伪；而每一次"春"的到来，都是同一批旧想法在算力、数据或算法上获得新的支撑。用这个视角看今天，你会对"AGI 即将到来"和"AI 已死"这两种极端叙事同时保持警惕。
二、前夜与第一波浪潮（1950–1969）
1950：图灵测试——问题的第一次精确化
1950 年，艾伦·图灵（Alan Turing）在《Mind》杂志发表《计算机器与智能》（Computing Machinery and Intelligence），提出著名的图灵测试（Turing Test）：如果一台机器能在对话中让人类无法分辨它是机器还是人，就应当认为它"会思考"。图灵的贡献不在于给 AI 下了定义，而在于把一个哲学问题变成了可操作的实验——这条"以行为论智能"的路径，至今仍是大模型评测的精神源头（今天的 benchmark 本质上是图灵测试的工程化变体，见LLM 评估与基准）。
1956：达特茅斯会议——AI 正式诞生
1956 年夏天，约翰·麦卡锡（John McCarthy）等人在达特茅斯学院组织了一场为期两个月的研讨会，会上正式启用"人工智能（Artificial Intelligence）"一词。会议提案中的目标在今天看来依然激进："让机器使用语言、形成抽象概念、解决只有人类能解决的问题。"这个目标至今没有完全实现——记住这一点，是你在各种"AI 无所不能"的营销话术面前保持清醒的锚点。
1957：感知机——第一个"会学习"的机器
1957 年，弗兰克·罗森布拉特（Frank Rosenblatt）提出感知机（Perceptron），第一个能从样本中学习权重的神经网络雏形，并在模拟器上演示了图像分类能力。媒体随即渲染"会思考的机器"。1969 年，明斯基（Minsky）与派珀特（Papert）在《Perceptrons》中严格证明单层感知机连异或（XOR）都表示不了。注意：这不是"神经网络不行"，而是"单层不行"——但这个结论被当时的学界误读为神经网络死路一条，直接助推了第一次寒冬。
1966：ELIZA——最早的"聊天机器人幻觉"
1966 年，MIT 的约瑟夫·维森鲍姆（Joseph Weizenbaum）写出 ELIZA，一个用简单模式匹配扮演心理治疗师的程序。有趣的是，很多用户明知它是程序，仍愿意向它倾诉——这是历史第一次演示"人与程序的情感投射"，也是第一次暴露"人对机器智能的过度解读"。今天的对话式 AI 在工程上早已不同，但"用户倾向于把流畅的文本当成真智能"这个心理机制，七十年没有变。
早期大事记
| 年份 | 事件 | 一句话意义 |
|---|---|---|
| 1950 | 图灵发表《计算机器与智能》 | 提出图灵测试，AI 问题首次被精确化 |
| 1956 | 达特茅斯会议 | "人工智能"学科诞生 |
| 1957 | Rosenblatt 提出感知机 | 第一个可学习的神经网络雏形 |
| 1958 | Rosenblatt 发表感知机论文 | 引发"机器会思考"的媒体热潮 |
| 1966 | Weizenbaum 发布 ELIZA | 首个对话程序，也是"过度解读"案例 |
| 1969 | Minsky & Papert 出版《Perceptrons》 | 单层感知机局限被证明，第一次寒冬的引信 |
三、两次寒冬与两次回暖（1970s–1990s）
1970s：第一次寒冬——"AI 过热"被清算
1970 年代初期，早期乐观预期全面落空：机器翻译质量远低于承诺（1966 年 ALPAC 报告已泼冷水），感知机路线遭理论否定。1973 年，英国数学家莱特希尔（James Lighthill）向英国政府提交报告，直言 AI 的多数承诺"未兑现且难以兑现"；1974 年起，DARPA 大幅削减 AI 研究经费。寒冬的本质是信任破裂：不是没有进展，而是进展配不上宣传。这个教训值得用一句话记住——"热度不能替代成熟度"。
1980s：专家系统与知识工程——第二次浪潮
寒冬期的主流转向符号主义的工程化：把领域专家知识写成 if-then 规则，构建专家系统（Expert System）。1980 年代，DEC 公司的 XCON 配置系统、医疗诊断的 MYCIN、地质分析的 PROSPECTOR 相继成功，商业上大获成功，第二次浪潮到来。与之相伴的是**知识工程（Knowledge Engineering）**的繁荣：语义网络、框架、本体等知识表示方法成为 AI 的核心工具箱——这正是今天知识图谱的学术源头。需要说明的是，"Knowledge Graph"这个命名要到 2012 年才由 Google 正式提出，但"把人类知识结构化、交给机器使用"的路线，从 1980 年代的知识工程就已确立。
1986：反向传播复兴——神经网络"借尸还魂"
就在专家系统如日中天时，1986 年鲁梅尔哈特（Rumelhart）、辛顿（Hinton）、威廉姆斯（Williams）在《Nature》发表论文，系统化提出**反向传播（Backpropagation）**算法，让多层神经网络的训练成为可能，联结主义（connectionism）短暂复兴。但 1980 年代末至 1990 年代初，第二次寒冬接踵而至：专家系统的知识获取瓶颈（规则靠人写、无法覆盖开放问题、维护成本爆炸）让泡沫破裂，而当时的神经网络在算力不足面前也无力兑现宣传。两股力量同时退潮，AI 在 1990 年代初几乎退回到学术界的小圈子。
1997：深蓝——窄任务上的人类冠军
1997 年 5 月，IBM 的深蓝（Deep Blue）以 3.5:2.5 战胜国际象棋世界冠军卡斯帕罗夫，成为第一个在智力博弈中击败人类世界冠军的机器。深蓝没有"深度学习"、没有大模型，靠的是暴力搜索 + 评估函数 + 专用硬件——它证明的是：在规则清晰、算力可枚举的封闭任务里，机器可以碾压人类。这也为后来 AlphaGo（2016 年，机器学习 + 蒙特卡洛树搜索）的叙事做了铺垫。深蓝与 AlphaGo 的完整拆解，见本站案例对应的"AI for Science"精神——把 AI 用在边界清晰、可度量的任务上。
寒冬与回暖大事记
| 年份 | 事件 | 一句话意义 |
|---|---|---|
| 1966 | ALPAC 报告 | 机器翻译承诺被清算，早期降温开始 |
| 1973 | Lighthill 报告 | 英国政府削减资助，第一次寒冬的标志 |
| 1974 | DARPA 削减 AI 经费 | 美国跟进，"AI 寒冬"正式得名 |
| 1970s–1980s | 专家系统兴起（XCON、MYCIN 等） | 符号主义商业化的高光时刻 |
| 1986 | 反向传播论文发表 | 多层网络可训练，联结主义复兴 |
| 1980s 末 | 专家系统泡沫破裂 | 知识获取瓶颈导致第二次寒冬 |
| 1997 | 深蓝战胜卡斯帕罗夫 | 窄任务 AI 的标志性胜利 |
四、深度学习与大模型时代（2012–至今）
2012：AlexNet——引爆点与"错误率断崖"
2012 年 ImageNet 大规模视觉识别挑战赛（ILSVRC）上，Alex Krizhevsky 的 AlexNet（8 层卷积网络，用两块 GTX 580 GPU 训练）把 top-5 错误率一举压到 15.3%，比第二名低了近 11 个百分点——此前的冠军成绩在 25%–26% 徘徊。"错误率断崖"成为深度学习革命的公开证据：图像领域的核心共识从"特征工程决定上限"彻底翻转为"表征可以自动学习"。注意，CNN 本身并不新（LeNet 1998 年已存在），2012 年的突破本质上是算力（GPU）终于跟上了模型——这是"技术突破 = 算法 × 算力 × 数据"公式的第一次完整兑现。原始论文的深度解读见经典论文精读。
2014：GAN——生成模型的新范式
2014 年，Ian Goodfellow 提出生成对抗网络（Generative Adversarial Network, GAN）：让一个生成器与一个判别器互相对抗，直到生成器能骗过判别器。GAN 开启了"让机器从数据分布中采样新样本"的浪潮，也为后来的生成式 AI 定下基调。它和 2015 年的 ResNet（152 层、top-5 错误率 3.57% 首次超过人类基线 5.1%）共同构成了 2014–2015 深度学习的黄金两年。
2017：Transformer——《Attention Is All You Need》
2017 年，Vaswani 等人发表 《Attention Is All You Need》，提出 Transformer 架构：完全抛弃循环与卷积，只用**自注意力（self-attention）**建模序列。它的三大优势——并行计算（GPU 友好）、长程依赖建模、可规模化——使其在数年内成为几乎所有大模型的基础。今天所说的"大语言模型"、"多模态模型"，绝大多数都是 Transformer 的变体。这个架构的机制拆解见Transformer 与注意力机制，原始论文见经典论文精读。
2018：BERT 与 GPT-1——预训练范式确立
2018 年是 NLP 的"范式年"：
- GPT-1（OpenAI，6 月，约 1.17 亿参数）：验证"生成式预训练 + 微调"路线；
- BERT（Google，10 月，3.4 亿参数）：用双向 Transformer 编码器横扫 11 项 NLP 基准，确立"预训练 + 微调"（pretrain-finetune）范式——先在无标注语料上学习语言，再在小数据集上适配任务。
这条范式后来演化为"预训练 + 提示/对齐"：今天的模型不再针对每个任务微调，而是通过提示词、对齐（RLHF/DPO）和微调（LoRA）来按需塑造行为。详见大语言模型。
2020：GPT-3 与缩放定律——"大力出奇迹"有了数学形式
2020 年 5 月，OpenAI 发布 GPT-3（1750 亿参数），论文标题《Language Models are Few-Shot Learners》直接点出了那个此前近乎幻觉的结论：模型足够大之后，仅凭提示（few-shot / in-context learning）就能完成从未专门训练过的任务。 同期 Kaplan 等人的《Scaling Laws for Neural Language Models》从实证上给出"损失随参数、数据、算力呈幂律下降"的规律——**规模法则（Scaling Laws）**第一次把"大力出奇迹"变成可预测的工程曲线。2022 年 Chinchilla 进一步修正为"参数与数据要同步扩大"。这条主线至今仍是行业军备竞赛的理论底座，也是评估大模型"潜力与代价"时的参照系（见LLM 评估与基准）。
2021：DALL·E 与扩散模型——生成式 AI 的主场转移
2021 年，OpenAI 的 DALL·E 让"文生图"进入大众视野；同期，扩散模型（Diffusion Models）——从 2020 年 DDPM 论文起，经 2021 年 GLIDE 等模型被用于条件生成——快速崛起，并在 2022 年通过 DALL·E 2 与开源的 Stable Diffusion 引爆图像生成。扩散模型与 GAN 的路线之争由此展开（详见扩散模型与生成式 AI、Midjourney 与图像生成）。它的意义不仅是图像：2024 年的视频生成模型也建立在扩散/自回归混合路线之上。
2022 年 11 月：ChatGPT——从技术到大众的引爆点
2022 年 11 月 30 日，OpenAI 发布 ChatGPT（GPT-3.5 加上 RLHF 对齐），两周内用户破百万，成为史上增长最快的消费应用之一。技术关键不是模型规模，而是把模型训练成"对话助手"：预训练负责能力，对齐负责"听话"。从此 AI 走出论文与开发者社区，进入大众生活；随之而来的是对提示词工程的系统需求。这个案例的完整复盘见ChatGPT 与对话式 AI。
2023：GPT-4、多模态与 Agent 元年
- GPT-4（2023 年 3 月）：在多类专业考试中达到人类前 10% 水平，把"通用能力"推向新高度；
- 多模态：GPT-4V、Gemini 等把文本、图像、音频统一进一个模型，见多模态模型；
- Agent 元年：AutoGPT 等应用把大模型从"聊天"推向"干活"——模型 + 工具调用 + 循环决策，见AI 智能体与Manus 与 Agent 应用。
2024–2025：开源追赶、推理模型与视频生成
| 时间 | 事件 | 一句话意义 |
|---|---|---|
| 2024.02 | OpenAI 发布 Sora 视频生成模型 | 文生视频进入"物理合理"阶段，见视频生成 |
| 2024.04 | Meta 发布 Llama 3 | 开源模型接近闭源旗舰 |
| 2024.09 | OpenAI 发布 o1 推理模型 | "思维链 + 强化学习"开启推理范式 |
| 2024–2025 | Qwen、DeepSeek 系列快速迭代 | 中国开源社区成为全球重要力量 |
| 2025.01 | DeepSeek-R1 开源 | 以极低成本复现 o1 级推理，震撼行业，见DeepSeek-R1 与推理模型 |
| 2025 | GPT-4.5/GPT-5、Claude 4、Gemini 2.5 等迭代 | 行业从"拼参数"转向"拼推理、拼效率、拼 Agent 能力" |
2024–2025 年产业格局的关键变化是闭源与开源的双轨并行：闭源巨头（OpenAI、Anthropic、Google）保持能力领先，开源社区（Llama、Qwen、DeepSeek）以低成本追平一代之差的局面形成。最新模型与榜单速查见模型与榜单速查，私有化部署的成本与优化问题见部署与推理优化实战。
大模型时代大事记（速览表）
| 年份 | 事件 | 意义 |
|---|---|---|
| 2012 | AlexNet 引爆深度学习 | 错误率断崖，算力 × 数据 × 算法兑现 |
| 2014 | GAN 提出 | 生成模型新范式 |
| 2017 | Transformer 论文发表 | 现代大模型的架构起点 |
| 2018 | BERT 与 GPT-1 | 预训练 + 微调范式确立 |
| 2020 | GPT-3、缩放定律 | "大力出奇迹"获得数学形式 |
| 2021 | DALL·E、扩散模型崛起 | 生成式 AI 转向图像/视频 |
| 2022.11 | ChatGPT 发布 | AI 进入大众生活 |
| 2023 | GPT-4、多模态、Agent 元年 | 通用能力 + 自主行动 |
| 2024–2025 | 开源追平、o1/R1 推理、Sora 视频 | 行业从拼参数转向拼效率与工程化 |
五、三条贯穿始终的主线
七十五年看下来，所有起伏都能归到三条主线。它们比任何单个年份都重要。
主线一：能力跃迁——感知 → 语言 → 推理 → 多模态自主
| 阶段 | 标志 | 解决的问题 |
|---|---|---|
| 感知智能 | 2012 AlexNet 图像识别、2016 AlphaGo | 看：识别与模式匹配 |
| 语言智能 | 2018 BERT、2020 GPT-3 | 说：理解与生成自然语言 |
| 推理智能 | 2024–2025 o1、DeepSeek-R1 | 想：多步逻辑与数学推理 |
| 多模态 + 自主 | 2023–2025 GPT-4V、Sora、Agent | 做：跨模态感知 + 调用工具 + 完成任务 |
每一次跃迁都不是替代前一个，而是叠加：今天的 Agent 需要感知（读图读文）、语言（对话）、推理（规划步骤）三者同时在线。
主线二：架构演进——符号 → 统计 → Transformer → 扩散
符号主义（规则由人写） → 统计学习（规律从数据学） → Transformer（注意力 + 规模法则） → 扩散模型（生成新样本）- 符号 → 统计：从"人写规则"到"机器从数据中学规则"，是第一次根本范式转移；
- 统计 → Transformer：从"任务专用模型 + 特征工程"到"通用预训练 + 按需适配"，是第二次；
- Transformer → 扩散：生成模型另起一路，用"加噪-去噪"从分布中采样，成为图像/视频/音频生成的主流。
主线三：产业格局——闭源巨头 vs 开源社区
| 维度 | 闭源阵营 | 开源阵营 |
|---|---|---|
| 代表 | OpenAI、Anthropic、Google DeepMind | Meta Llama、Mistral、Qwen、DeepSeek |
| 优势 | 能力领先一代、生态完善、安全投入大 | 成本低、可私有化、可定制、透明 |
| 风险 | 依赖 API、数据出境、供应商锁定 | 安全滥用、维护责任、缺乏支持 |
| 历史参照 | 1980s 的"厂商知识库" | 1990s 以来的自由软件运动 |
2025 年的事实是：两者互相追赶、差距缩小到"一代以内"。对从业者而言，选择哪条路线不是信仰问题，而是成本、合规与能力需求的最优解——判断框架可参考学习路径与常见陷阱与反模式。
六、技术乐观与寒冬教训
大模型时代的能力暴涨容易让人忘记：历史上每一次"无所不能"的宣传，最终都被现实清算。 今天同样存在三块不容忽视的短板：
| 短板 | 具体表现 | 本站入口 |
|---|---|---|
| 成本 | 训练与推理的算力、电力、水耗巨大；一次前沿模型训练成本以千万美元计 | 推理优化与量化、部署与推理优化实战 |
| 安全 | 幻觉、越狱、偏见、深度伪造、Agent 越权行动 | AI 安全与治理 |
| 评测 | 基准饱和与"刷榜"，能力是否真实、是否可复现 | LLM 评估与基准 |
历史给今天的三个提醒
- 热度不等于成熟度：1960 年代和 1980 年代都有过"AI 无所不能"的媒体叙事，泡沫破裂后留下的才是真本事。判断技术是否落地，看的是评估方法与业务指标，而不是 demo 视频。
- 范式不会简单重复：今天的大模型与当年的专家系统共享"知识/数据瓶颈"的隐忧，但缩放定律与 RLHF 提供的路径是历史上前所未有的——所以"这次不一样"也并非全无道理，两者都要听。
- 技术史是渐进的：Transformer 的注意力、ResNet 的残差、反向传播、统计学习——今天每个"奇迹"都能在历史上找到零件。带着这条时间线读论文和案例，你会看得更清楚。
七、时间线：你该记住哪几个年份
不需要记住上面每一行。真正值得刻进脑子的里程碑只有 6 个——它们分别代表一次"范式更换"：
| 年份 | 里程碑 | 为什么必须记住 |
|---|---|---|
| 1956 | 达特茅斯会议 | AI 学科诞生，目标设定至今未完全达成 |
| 2012 | AlexNet 引爆深度学习 | 算力 × 数据 × 算法公式首次完整兑现 |
| 2017 | Transformer 论文 | 今天所有大模型的架构起点 |
| 2020 | GPT-3 + 缩放定律 | "大力出奇迹"成为可预测的工程规律 |
| 2022 | ChatGPT 发布 | AI 从技术圈进入大众生活 |
| 2025 | 推理模型（o1/R1）与开源追平 | 行业从拼参数转向拼推理效率与工程化 |
记住这 6 个年份，你就抓住了整个领域的"主干"，其余细节都可以按需填充。面试与简历中如何把这条历史线转化为竞争力，见面试题库与术语表。
延伸阅读
- 什么是 AI 热门概念（全景总览）——本文结论的概念底座
- AI vs ML vs DL vs GenAI vs Agent——概念边界切分
- 总体架构解剖——今天一个 AI 系统的完整骨架
- 学习路径——按历史主线安排的三条学习路线
- Transformer 与注意力机制——2017 年至今的主线技术
- 扩散模型与生成式 AI——图像/视频生成的技术根基
- AI 智能体——2023 年起的"干活"时代
- ChatGPT 与对话式 AI——大众引爆点的完整复盘
- DeepSeek-R1 与推理模型——2025 年推理范式的代表案例
- 经典论文精读——历史关键节点的原始论文
- 前沿进展——从历史看未来
- 模型与榜单速查——2025 年各阵营模型一览
参考资料
- Turing. Computing Machinery and Intelligence（Mind, 1950） —— 图灵测试原文
- McCarthy et al. A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence（1955） —— AI 诞生文件
- Rosenblatt. The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain（1958） —— 感知机原始论文
- Weizenbaum. ELIZA—A Computer Program for the Study of Natural Language Communication（1966） —— 首个对话程序
- Rumelhart, Hinton, Williams. Learning representations by back-propagating errors（Nature, 1986） —— 反向传播系统化
- IBM. Deep Blue（官方历史档案） —— 1997 年战胜卡斯帕罗夫的官方记录
- Krizhevsky, Sutskever, Hinton. ImageNet Classification with Deep Convolutional Neural Networks（NeurIPS 2012） —— AlexNet，深度学习引爆点
- Goodfellow et al. Generative Adversarial Networks（NeurIPS 2014） —— GAN 原始论文
- Vaswani et al. Attention Is All You Need（NeurIPS 2017） —— Transformer
- Devlin et al. BERT: Pre-training of Deep Bidirectional Transformers（NAACL 2019） —— 预训练范式确立
- Brown et al. Language Models are Few-Shot Learners（NeurIPS 2020） —— GPT-3，1750 亿参数
- Kaplan et al. Scaling Laws for Neural Language Models（2020） —— 缩放定律
- Ho et al. Denoising Diffusion Probabilistic Models（2020） —— DDPM，扩散模型起点
- Ramesh et al. Zero-Shot Text-to-Image Generation（DALL·E, 2021） —— 文生图
- OpenAI. Introducing ChatGPT（2022） —— 官方发布博客
- OpenAI. GPT-4 Technical Report（2023） —— GPT-4
- OpenAI. Introducing OpenAI o1（2024） —— 推理模型首发博客
- DeepSeek-AI. DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning（2025） —— DeepSeek-R1 论文
- OpenAI. Sora: Creating video from text（2024） —— 视频生成模型官方博客