本文轉自：圖靈編輯部

2025 年，人工智能已經不再只是前沿科技圈的熱詞，而是真真正正地走進了我們的日常：生成圖像、寫代碼、自動駕駛、醫療診斷……幾乎每個行業都在討論 AI，擁抱 AI。

但今天的大模型奇點不是一夜之間到來的，它背后是一條充滿突破、爭議、冷寂與復興交織的進化之路。從 1956 年達特茅斯會議開始，到如今數千億參數模型引發的全球技術競賽，AI 的發展史是一部關于人類如何模擬、拓展，乃至重新定義智能的故事。

本文將帶你一起回顧這條歷程中的 10 個關鍵的歷史性時刻，幫你理清人工智能是如何一步步從紙上設想，走向今天這場技術浪潮核心的。

達特茅斯會議（1956年）

1956 年的達特茅斯會議被廣泛認為是人工智能（AI）誕生的標志性時刻。會議由四位人工智能領域的先驅人物約翰·麥卡錫、馬文·明斯基、內森·羅切斯特和克勞德·香農發起，匯聚了一群志同道合的研究者，他們共同的目標是探索機器智能這一未知領域。

在為期六周的會議中，與會者進行了深入的討論、辯論與合作，奠定了人工智能作為一個正式學科的基礎。他們嘗試定義人工智能的概念、明確其研究目標，并規劃可能的研究方向。會議成員探討了一系列深刻問題，包括問題求解、機器學習和符號推理等。

這次關鍵性的會議不僅開啟了之后數十年人工智能研究與創新的大門，也凝聚了一個充滿信念的學術群體——他們相信機器有能力復制人類的認知能力。達特茅斯會議的深遠影響在于，它確立了人工智能作為一門學科和實踐領域的地位，推動人類邁向一個智能機器與人類協作的未來。

2、感知機（1957年）

1957 年，弗蘭克·羅森布拉特（Frank Rosenblatt）開發了感知機（Perceptron），這是最早的人工神經網絡之一。感知機是模仿生物神經元的簡化模型，用于進行二值分類決策。

盡管模型結構簡單，感知機卻首次提出了“用訓練數據優化模型”的思想。這種“訓練-預測”范式后來成為機器學習和深度學習的核心方法。感知機為我們今天所熟知的神經網絡和深度學習技術奠定了基石。

盡管感知機存在一些局限（如不能處理非線性可分問題），它卻促成了后續更復雜模型的研究。感知機的影響延續至今，被廣泛應用于圖像識別、語音處理、自然語言理解等前沿領域。

3、ELIZA（1966年）

由 MIT 計算機科學家約瑟夫·維森鮑姆（Joseph Weizenbaum）于 1966 年開發的 ELIZA，是第一個被廣泛認可的聊天機器人，能夠模擬人與人之間的對話。它以心理治療為模擬場景，將用戶的回答轉化為追問，從而延續對話——也被稱為“羅杰式對話法”。

維森鮑姆本想用 ELIZA 證明機器智能的“拙劣”，結果卻適得其反——許多用戶認為他們在與真正的心理醫生交談。他在論文中寫道：“有些被試很難相信 ELIZA 不是人類。”

盡管以今天的標準來看功能十分基礎，ELIZA 卻展示了人工智能在自然語言處理方面的潛力。通過與用戶進行對話，它證明了計算機可以生成類似人類的回應，激發了人們對對話式 AI 領域的濃厚興趣。

4、專家系統（20世紀70年代）

20 世紀 70 年代，AI 研究主要集中在符號主義，以邏輯推理為中心，專家系統的興起（如 Dendral 和 MYCIN）標志著人工智能首次在實際領域中展現出類人智能。

Dendral 是一個面向化學領域的專家系統，能分析質譜數據，推斷有機化合物的分子結構，展現了 AI 在專業領域內模擬專家推理的能力。而 MYCIN 則聚焦于醫療診斷，能夠識別細菌感染并推薦抗生素治療方案。

這些系統證明，AI 不僅能處理通用邏輯問題，也能轉化為特定領域的“知識專家”。專家系統的出現，奠定了 AI 在醫療、法律、金融、工程等專業領域廣泛應用的基礎。

5、深藍贏得象棋比賽（1997年）

深藍（Deep Blue），一臺 IBM 超級計算機，與世界象棋冠軍加里·卡斯帕羅夫之間的歷史性象棋對局，吸引了全世界的關注。深藍的勝利標志著人工智能的一個重要里程碑，證明了機器能夠在需要戰略思維、評估和決策的復雜游戲中超越人類。

6、機器學習（1990-2000年代）

計算機科學家湯姆·米切爾（Tom Mitchell）將機器學習定義為“一個有關計算機算法的研究，旨在允許程序通過經驗積累自動提高其性能”。這一定義標志著人工智能研究方向的轉變，強調了數據驅動算法的重要性，并推動了能夠隨著時間不斷適應和提升性能的人工智能系統的發展。

7、深度學習興起（2012年）

Deep Learning 是一種機器學習算法，核心在于通過多層神經網絡結構，以及“反向傳播”（Backpropagation）技術來進行模型訓練。這一領域由 Geoffrey Hinton 奠定基礎。

早在 1986 年，Hinton 與合作者發表了關于深度神經網絡（DNN，Deep Neural Networks）的開創性論文，首次系統引入了反向傳播算法。這種算法能夠在訓練過程中動態調整網絡中的權重，使神經網絡更有效地逼近正確輸出，從而實現了對多層網絡的高效訓練，打破了 Minsky 在 1966 年提出的感知器局限，成為神經網絡發展的關鍵轉折點。

AlexNet 在 ImageNet 競賽中取得了震撼業界的成績，成為深度學習浪潮的引爆點。

8、生成對抗網絡（2014年）

伊恩·古德費洛（Ian Goodfellow）提出了生成對抗網絡（GANs）的概念，徹底改變了生成模型領域。GANs 由兩個神經網絡——生成器和判別器——相互競爭組成。這一框架使得創建逼真的合成數據成為可能，如圖像和文本，并對圖像合成、視頻生成和數據增強等多個應用領域產生了深遠的影響。

9、AlphaGo(2016年）

由 DeepMind 開發的 AlphaGo，通過擊敗世界圍棋冠軍李世石，達成了一個非凡的壯舉。這一里程碑標志著人工智能在一個擁有大量可能棋步、需要直覺和戰略思維的復雜游戲中取得了勝利。AlphaGo 的成功突顯了人工智能在解決曾被認為是人類獨有的挑戰中的潛力。

10、Transformer與大模型（2017-2025）

大語言模型的發展始于 2017 年 Transformer 架構的提出，其自注意力機制有效解決了長距離依賴問題，為理解和生成長文本奠定了基礎。2018 年，GPT-1 與 BERT 分別基于自回歸和遮蔽語言模型的預訓練方式，確立了“預訓練+微調”范式，使模型能從海量無標注語料中學習通用語言能力。2020 年，GPT-3 憑借 1750 億參數初步展現出“涌現能力”，包括零樣本學習、邏輯推理與代碼生成，標志著模型規模帶來的質變。

2023 年，GPT-4 進一步融合文本與圖像的多模態能力，并通過人類反饋強化學習（RLHF）顯著提升了模型的安全性與實用性。同時，Anthropic 推出了 Claude，Google 則發布 Gemini 系列，Meta 也發布了開源模型 LLaMA。國內大模型生態也在迅速演進。百度的文心一言、阿里的通義千問、字節的豆包等等，而 DeepSeek 則以一己之力掀起大眾 AI 熱潮，憑借其開放參數和高性價比模型引發廣泛關注。從 1956 年達特茅斯會議上的一紙設想到 2025 年大模型走入千行百業，人工智能的發展從未是一帆風順的直線，而是一條曲折、迂回卻令人驚嘆的演化之路。這 10 個關鍵時刻，是人類在探索智能本質、突破技術邊界時一次次重要的集體躍遷。回望過去，不只是為了致敬里程碑，更是為了理解今日種種現象的來龍去脈。而下一次“奇點”，也許正在悄然靠近。