本文轉(zhuǎn)自：圖靈編輯部

2025 年，人工智能已經(jīng)不再只是前沿科技圈的熱詞，而是真真正正地走進(jìn)了我們的日常：生成圖像、寫代碼、自動(dòng)駕駛、醫(yī)療診斷……幾乎每個(gè)行業(yè)都在討論 AI，擁抱 AI。

但今天的大模型奇點(diǎn)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(fù)興交織的進(jìn)化之路。從 1956 年達(dá)特茅斯會(huì)議開始，到如今數(shù)千億參數(shù)模型引發(fā)的全球技術(shù)競賽，AI 的發(fā)展史是一部關(guān)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(gè)關(guān)鍵的歷史性時(shí)刻，幫你理清人工智能是如何一步步從紙上設(shè)想，走向今天這場技術(shù)浪潮核心的。

達(dá)特茅斯會(huì)議（1956年）

1956 年的達(dá)特茅斯會(huì)議被廣泛認(rèn)為是人工智能（AI）誕生的標(biāo)志性時(shí)刻。會(huì)議由四位人工智能領(lǐng)域的先驅(qū)人物約翰·麥卡錫、馬文·明斯基、內(nèi)森·羅切斯特和克勞德·香農(nóng)發(fā)起，匯聚了一群志同道合的研究者，他們共同的目標(biāo)是探索機(jī)器智能這一未知領(lǐng)域。

在為期六周的會(huì)議中，與會(huì)者進(jìn)行了深入的討論、辯論與合作，奠定了人工智能作為一個(gè)正式學(xué)科的基礎(chǔ)。他們嘗試定義人工智能的概念、明確其研究目標(biāo)，并規(guī)劃可能的研究方向。會(huì)議成員探討了一系列深刻問題，包括問題求解、機(jī)器學(xué)習(xí)和符號(hào)推理等。

這次關(guān)鍵性的會(huì)議不僅開啟了之后數(shù)十年人工智能研究與創(chuàng)新的大門，也凝聚了一個(gè)充滿信念的學(xué)術(shù)群體——他們相信機(jī)器有能力復(fù)制人類的認(rèn)知能力。達(dá)特茅斯會(huì)議的深遠(yuǎn)影響在于，它確立了人工智能作為一門學(xué)科和實(shí)踐領(lǐng)域的地位，推動(dòng)人類邁向一個(gè)智能機(jī)器與人類協(xié)作的未來。

2、感知機(jī)（1957年）

1957 年，弗蘭克·羅森布拉特（Frank Rosenblatt）開發(fā)了感知機(jī)（Perceptron），這是最早的人工神經(jīng)網(wǎng)絡(luò)之一。感知機(jī)是模仿生物神經(jīng)元的簡化模型，用于進(jìn)行二值分類決策。

盡管模型結(jié)構(gòu)簡單，感知機(jī)卻首次提出了“用訓(xùn)練數(shù)據(jù)優(yōu)化模型”的思想。這種“訓(xùn)練-預(yù)測(cè)”范式后來成為機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的核心方法。感知機(jī)為我們今天所熟知的神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)技術(shù)奠定了基石。

盡管感知機(jī)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(xù)更復(fù)雜模型的研究。感知機(jī)的影響延續(xù)至今，被廣泛應(yīng)用于圖像識(shí)別、語音處理、自然語言理解等前沿領(lǐng)域。

3、ELIZA（1966年）

由 MIT 計(jì)算機(jī)科學(xué)家約瑟夫·維森鮑姆（Joseph Weizenbaum）于 1966 年開發(fā)的 ELIZA，是第一個(gè)被廣泛認(rèn)可的聊天機(jī)器人，能夠模擬人與人之間的對(duì)話。它以心理治療為模擬場景，將用戶的回答轉(zhuǎn)化為追問，從而延續(xù)對(duì)話——也被稱為“羅杰式對(duì)話法”。

維森鮑姆本想用 ELIZA 證明機(jī)器智能的“拙劣”，結(jié)果卻適得其反——許多用戶認(rèn)為他們?cè)谂c真正的心理醫(yī)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(biāo)準(zhǔn)來看功能十分基礎(chǔ)，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(jìn)行對(duì)話，它證明了計(jì)算機(jī)可以生成類似人類的回應(yīng)，激發(fā)了人們對(duì)對(duì)話式 AI 領(lǐng)域的濃厚興趣。

4、專家系統(tǒng)（20世紀(jì)70年代）

20 世紀(jì) 70 年代，AI 研究主要集中在符號(hào)主義，以邏輯推理為中心，專家系統(tǒng)的興起（如 Dendral 和 MYCIN）標(biāo)志著人工智能首次在實(shí)際領(lǐng)域中展現(xiàn)出類人智能。

Dendral 是一個(gè)面向化學(xué)領(lǐng)域的專家系統(tǒng)，能分析質(zhì)譜數(shù)據(jù)，推斷有機(jī)化合物的分子結(jié)構(gòu)，展現(xiàn)了 AI 在專業(yè)領(lǐng)域內(nèi)模擬專家推理的能力。而 MYCIN 則聚焦于醫(yī)療診斷，能夠識(shí)別細(xì)菌感染并推薦抗生素治療方案。

這些系統(tǒng)證明，AI 不僅能處理通用邏輯問題，也能轉(zhuǎn)化為特定領(lǐng)域的“知識(shí)專家”。專家系統(tǒng)的出現(xiàn)，奠定了 AI 在醫(yī)療、法律、金融、工程等專業(yè)領(lǐng)域廣泛應(yīng)用的基礎(chǔ)。

5、深藍(lán)贏得象棋比賽（1997年）

深藍(lán)（Deep Blue），一臺(tái) IBM 超級(jí)計(jì)算機(jī)，與世界象棋冠軍加里·卡斯帕羅夫之間的歷史性象棋對(duì)局，吸引了全世界的關(guān)注。深藍(lán)的勝利標(biāo)志著人工智能的一個(gè)重要里程碑，證明了機(jī)器能夠在需要戰(zhàn)略思維、評(píng)估和決策的復(fù)雜游戲中超越人類。

6、機(jī)器學(xué)習(xí)（1990-2000年代）

計(jì)算機(jī)科學(xué)家湯姆·米切爾（Tom Mitchell）將機(jī)器學(xué)習(xí)定義為“一個(gè)有關(guān)計(jì)算機(jī)算法的研究，旨在允許程序通過經(jīng)驗(yàn)積累自動(dòng)提高其性能”。這一定義標(biāo)志著人工智能研究方向的轉(zhuǎn)變，強(qiáng)調(diào)了數(shù)據(jù)驅(qū)動(dòng)算法的重要性，并推動(dòng)了能夠隨著時(shí)間不斷適應(yīng)和提升性能的人工智能系統(tǒng)的發(fā)展。

7、深度學(xué)習(xí)興起（2012年）

Deep Learning 是一種機(jī)器學(xué)習(xí)算法，核心在于通過多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，以及“反向傳播”（Backpropagation）技術(shù)來進(jìn)行模型訓(xùn)練。這一領(lǐng)域由 Geoffrey Hinton 奠定基礎(chǔ)。

早在 1986 年，Hinton 與合作者發(fā)表了關(guān)于深度神經(jīng)網(wǎng)絡(luò)（DNN，Deep Neural Networks）的開創(chuàng)性論文，首次系統(tǒng)引入了反向傳播算法。這種算法能夠在訓(xùn)練過程中動(dòng)態(tài)調(diào)整網(wǎng)絡(luò)中的權(quán)重，使神經(jīng)網(wǎng)絡(luò)更有效地逼近正確輸出，從而實(shí)現(xiàn)了對(duì)多層網(wǎng)絡(luò)的高效訓(xùn)練，打破了 Minsky 在 1966 年提出的感知器局限，成為神經(jīng)網(wǎng)絡(luò)發(fā)展的關(guān)鍵轉(zhuǎn)折點(diǎn)。

AlexNet 在 ImageNet 競賽中取得了震撼業(yè)界的成績，成為深度學(xué)習(xí)浪潮的引爆點(diǎn)。

8、生成對(duì)抗網(wǎng)絡(luò)（2014年）

伊恩·古德費(fèi)洛（Ian Goodfellow）提出了生成對(duì)抗網(wǎng)絡(luò)（GANs）的概念，徹底改變了生成模型領(lǐng)域。GANs 由兩個(gè)神經(jīng)網(wǎng)絡(luò)——生成器和判別器——相互競爭組成。這一框架使得創(chuàng)建逼真的合成數(shù)據(jù)成為可能，如圖像和文本，并對(duì)圖像合成、視頻生成和數(shù)據(jù)增強(qiáng)等多個(gè)應(yīng)用領(lǐng)域產(chǎn)生了深遠(yuǎn)的影響。

9、AlphaGo(2016年）

由 DeepMind 開發(fā)的 AlphaGo，通過擊敗世界圍棋冠軍李世石，達(dá)成了一個(gè)非凡的壯舉。這一里程碑標(biāo)志著人工智能在一個(gè)擁有大量可能棋步、需要直覺和戰(zhàn)略思維的復(fù)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(rèn)為是人類獨(dú)有的挑戰(zhàn)中的潛力。

10、Transformer與大模型（2017-2025）

大語言模型的發(fā)展始于 2017 年 Transformer 架構(gòu)的提出，其自注意力機(jī)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(chǔ)。2018 年，GPT-1 與 BERT 分別基于自回歸和遮蔽語言模型的預(yù)訓(xùn)練方式，確立了“預(yù)訓(xùn)練+微調(diào)”范式，使模型能從海量無標(biāo)注語料中學(xué)習(xí)通用語言能力。2020 年，GPT-3 憑借 1750 億參數(shù)初步展現(xiàn)出“涌現(xiàn)能力”，包括零樣本學(xué)習(xí)、邏輯推理與代碼生成，標(biāo)志著模型規(guī)模帶來的質(zhì)變。

2023 年，GPT-4 進(jìn)一步融合文本與圖像的多模態(tài)能力，并通過人類反饋強(qiáng)化學(xué)習(xí)（RLHF）顯著提升了模型的安全性與實(shí)用性。同時(shí)，Anthropic 推出了 Claude，Google 則發(fā)布 Gemini 系列，Meta 也發(fā)布了開源模型 LLaMA。國內(nèi)大模型生態(tài)也在迅速演進(jìn)。百度的文心一言、阿里的通義千問、字節(jié)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(shù)和高性價(jià)比模型引發(fā)廣泛關(guān)注。從 1956 年達(dá)特茅斯會(huì)議上的一紙?jiān)O(shè)想到 2025 年大模型走入千行百業(yè)，人工智能的發(fā)展從未是一帆風(fēng)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(gè)關(guān)鍵時(shí)刻，是人類在探索智能本質(zhì)、突破技術(shù)邊界時(shí)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(xiàn)象的來龍去脈。而下一次“奇點(diǎn)”，也許正在悄然靠近。