总时间线

本页给出 AI 技术从 1950 年到 2026 年的总演进时间线，是理解各技术分类时代坐标的基准：每个分支（符号主义、传统机器学习、深度学习、强化学习、生成式 AI）都能在这条线上找到自己的登场时刻。关于时间线背后的兴衰因果与年代归属分析，见寒冬、热潮与范式转移。

如果你是计算机专业但第一次接触 AI，可以这样理解这条时间线：AI 的发展不是一条平滑上升的曲线，而是经历了**“热情高涨 → 现实碰壁 → 寒冬低谷 → 技术积累 → 新突破引爆”**的周期性循环。每一次循环都不是简单的重复，而是技术范式的根本性转变——从”用规则推理”到”从数据中学习”，再到”用海量参数规模化”。下面的时间线标注了这些转变的关键节点。

Mermaid 时间线总览

各时代详解

孕育期（1943–1955）：思想的种子

AI 的根基可以追溯到计算机科学诞生之初。1943 年，McCulloch 和 Pitts 发表了第一个神经网络的数学模型——将神经元抽象为简单的逻辑门（开/关），证明了网络可以执行任意逻辑运算。1949 年，心理学家 Hebb 提出”一起激发的神经元会增强连接”的学习假说（即 Hebbian learning，赫布学习规则），这成为了后来神经网络权重更新的理论基础。

1950 年，Alan Turing（图灵）发表了论文 Computing Machinery and Intelligence，提出了著名的图灵测试（Turing Test）：如果一台机器通过文字对话让人类无法判断它是不是机器，就可以认为它具有智能。这个标准至今仍是 AI 讨论中的核心概念。

与此同时，Marvin Minsky 在 1951 年建造了 SNARC（Stochastic Neural Analog Reinforcement Calculator），这是世界上第一台神经网络模拟机器，用 3000 个真空管和继电器模拟了 40 个神经元的学习过程。

第一次热潮（1956–1974）：符号主义的黄金时代

符号主义（Symbolicism）：认为智能的本质是操作符号——就像人类用语言和逻辑推理一样。研究者通过编写规则（“如果…那么…”）让计算机模拟人类的推理过程。

1956 年的达特茅斯会议（Dartmouth Conference）是 AI 的”创世纪”。John McCarthy（麦卡锡）在 proposal 中首次使用了 “Artificial Intelligence” 这个术语，与会者包括 Minsky、Shannon（信息论创始人）等。会议的核心假设是：“学习的每一个方面或智能的任何其他特征，原则上都可以被精确描述，以至于可以制造一台机器来模拟它。”

这一时期的代表性工作：

Logic Theorist（1956）：Newell 和 Simon 编写的程序，能证明罗素《数学原理》中 38 条定理中的前 15 条，被 Simon 称为”我们解决了心身问题”。这是公认的第一个 AI 程序。
GPS 通用问题求解器（1959）：Newell 和 Simon 的目标是将人类”手段-目的分析”（means-ends analysis）的思维方式抽象为通用算法——先分析当前状态和目标之间的差距，再选择能缩小差距的操作。
感知机（Perceptron, 1957/58）：Rosenblatt 提出了一种能从数据中自动学习分类的简单神经网络。这是**连接主义（Connectionism）**路线的起点——不同于符号主义的人工编码规则，连接主义让机器自己从数据中”学”出模式。
ELIZA（1965）：Weizenbaum 在 MIT 编写的聊天机器人，通过简单的模式匹配模拟心理治疗师对话。尽管技术上非常简单，却让许多人误以为它有真正的理解力——Weizenbaum 本人对此深感忧虑，后来写了 Computer Power and Human Reason 警告 AI 的风险。
SHRDLU（1971）：Winograd 的程序能理解关于积木世界的英语指令（“把红色方块放到蓝色立方体上”）并执行操作。这是自然语言理解的里程碑，但也暴露了一个问题：它在极其受限的”积木世界”中才能工作，无法推广到真实场景。

这一时期，AI 先驱们极度乐观。1965 年 Simon 预言：“二十年内，机器将能做人能做的任何工作。“这种过度承诺为后来的寒冬埋下了伏笔。

组合爆炸（Combinatorial Explosion）：许多看似简单的问题，当规模增大时，可能的解空间会指数级膨胀。比如国际象棋——在每一步有约 35 种合法走法的情况下，向前看 7 步就要搜索 35⁷ ≈ 640 亿种局面。搜索空间增长太快导致实际问题无法在合理时间内解决，这是符号主义 AI 遇到的核心障碍。

第一次寒冬（约 1974–1980）：承诺的破灭

到 1970 年代初，AI 的局限性开始暴露：

Lighthill 报告（1973）：英国数学家 James Lighthill 受英国政府委托评估 AI 研究。他得出极其负面的结论：AI 未能实现”宏伟目标”，而且”AI 在做的事没有一项是其他学科做不了的”。他特别点名了组合爆炸问题——大部分 AI 算法只能解决”玩具问题”（toy problems），面对真实世界问题时就力不从心。这份报告导致英国政府几乎完全停止了对 AI 的资助，只保留了爱丁堡、埃塞克斯和苏塞克斯三所大学的研究。
ALPAC 报告（1966）：美国国家科学院委员会评估了机器翻译（自动将俄语翻译成英语），结论是机器翻译比人工翻译更贵、更慢、更不准确。在投入了约 2000 万美元后，美国政府终止了所有机器翻译经费。NLP（自然语言处理）研究因此停滞了多年。
DARPA 撤资：美国国防高级研究计划局在 1960 年代几乎无条件地资助 AI 研究——负责人 Licklider 的信条是”投资人，不投项目”。但 1969 年的 Mansfield 修正案要求 DARPA 只资助”与军事任务直接相关的定向研究”。AI 研究者之前过度乐观的承诺到期无法兑现，DARPA 失去了耐心，大幅削减经费。据 Hans Moravec 回忆，DARPA 有人甚至明确说”要给这些人一个教训”。
《Perceptrons》（1969）：Minsky 和 Papert 出版的这本书严格证明了单层感知机（一种最简单的神经网络）存在根本性局限——比如连简单的 XOR（异或）函数都无法表示。这本书严重打击了连接主义路线的信誉，神经网络研究经费几乎断绝。值得注意的是，多-layer 网络可以克服这些局限，但当时还没有有效的训练方法（反向传播尚未普及）。Rosenblatt 在《Perceptrons》出版后不久因游艇事故去世，未能看到连接主义的复兴。

不过，历史学家 Thomas Haigh 在 2023 年提出了不同观点：如果用 ACM SIGART（AI 特别兴趣组）的会员数来衡量，1973-1978 年间 AI 社区非但没有萎缩，反而增长了近三倍（从约 1,241 人增至 3,500 人）。所谓的”寒冬”主要影响的是大型实验室和政府资助项目，整个领域的研究者数量和发现速度实际上在加速。这说明”寒冬”更多是资金和公众形象的问题，而非学术研究的停滞。

第二次热潮（1980–1987）：专家系统的商业化

专家系统（Expert System）：一种将人类专家的知识编码为”如果…那么…”规则（即产生式规则，production rules），然后用这些规则进行推理的程序。它由”知识库”（存储规则）和”推理引擎”（根据规则推导结论）两部分组成。

1980 年，名为 XCON（eXpert CONfigurer，也叫 R1）的专家系统成为 AI 商业化的里程碑。它由卡内基梅隆大学（CMU）为 DEC 公司（Digital Equipment Corporation）开发，专门负责根据客户需求自动配置 VAX 计算机系统。据报道，XCON 在六年内为 DEC 节省了约 4000 万美元。到 1985 年，全球公司在 AI 上的投入超过 10 亿美元，主要花在内部 AI 部门和专家系统开发上。

其他重要的专家系统：

MYCIN（1974）：Stanford 大学开发的医疗诊断系统，能诊断细菌感染并推荐抗生素。MYCIN 的准确率甚至超过了部分实习医生，但它从未被实际部署——部分原因是法律和伦理问题。
DENDRAL（1965）：被认为是第一个专家系统，由 Stanford 大学开发，用于从质谱数据推断有机化合物的分子结构。

这一时期还诞生了一个专门的职业——“知识工程师”（knowledge engineer），他们的工作是采访领域专家，将专家的知识提取并编码为规则。这个过程被称为知识获取（knowledge acquisition），后来暴露出严重的”瓶颈”问题（详见寒冬分析）。

日本第五代计算机计划（1981）：日本通产省投入 8.5 亿美元，目标是用大规模并行计算建造能进行对话、翻译、推理的”第五代计算机”。这个计划引发了全球连锁反应——美国启动了 DARPA 的战略计算计划（Strategic Computing Initiative），英国启动了 Alvey 计划（3.5 亿英镑）。事后看，五代机是一个远超当时技术能力的宏大目标。

硬件方面，为高效运行 LISP 语言（AI 研究的首选语言）而设计的专用计算机——LISP 机（LISP Machine）——成为 1980 年代中期的热门产品。Symbolics 和 LISP Machines Inc. 等公司专门生产这类工作站。

1986 年，**反向传播算法（Backpropagation）**的普及标志着连接主义的”地下活动”终于重回舞台。Rumelhart、Hinton 和 Williams 在 Nature 上发表的论文证明了多层网络可以通过反向传播误差来有效学习——即 Werbos 在 1974 年博士论文中已提出但未被重视的想法。同年，Quinlan 的 ID3 决策树算法也奠定了机器学习的一个实用方向。

第二次寒冬（约 1987–1993）：泡沫再次破裂

第二次寒冬的触发因素是多方面的：

LISP 机市场崩盘：1987 年，Sun Microsystems 等公司生产的工作站性能快速提升，价格远低于专用 LISP 机。到 1987 年，Apple 和 IBM 的个人电脑也能运行 LISP 程序。Symbolics、LISP Machines Inc. 等公司纷纷倒闭——一个价值 5 亿美元的专用硬件产业在一年内被通用计算机取代。
专家系统的维护成本暴露：XCON 等系统规模膨胀到数万条规则后，更新和维护变得极其困难。它们”脆弱”（brittle）——遇到训练规则之外的输入就会产生荒谬的错误，而且无法学习新知识。知识获取瓶颈意味着每添加一个新领域的规则都需要大量人工采访和编码。
五代机未能实现目标：到 1992 年，日本第五代计算机计划在远未达成 1981 年设定的宏伟目标的情况下悄然终止。

“AI”一词一度成为业界避讳——许多研究者开始把自己的工作改称为”机器学习""智能系统""计算智能”等名称，以避免”AI”带来的负面联想。John Markoff 在 2005 年的《纽约时报》上写道：“在最低谷时期，一些计算机科学家和软件工程师刻意避免使用’人工智能’这个词，生怕被人当成不切实际的梦想家。”

但在寒冬中，统计学习（statistical learning）路线悄然崛起——成为寒冬中”闷声发财”的一支。

统计学习时代（1990s）：寒冬中的技术积累

统计学习（Statistical Learning）：与符号主义的”手写规则”不同，统计学习让计算机从大量数据中自动发现统计规律。核心理念是”数据驱动”而非”规则驱动”。

1990 年代的重要进展：

支持向量机（SVM, 1995）：Cortes 和 Vapnik 提出的分类算法，通过在高维空间中寻找最优分类超平面来实现精准分类。SVM 在 2012 年深度学习崛起之前，一直是最强大的通用分类器之一。
AdaBoost（1997）：Freund 和 Schapire 提出的集成学习（ensemble learning）算法，将多个”弱分类器”（比随机猜测略好的简单模型）组合成一个强分类器。后来的随机森林也是集成学习的重要成果。
TD-Gammon（1992）：Gerry Tesauro 用 TD 学习（Temporal Difference learning，时序差分学习——一种强化学习方法）训练的西洋双陆棋程序达到了世界冠军水平。这是**强化学习（Reinforcement Learning, RL）**的第一个里程碑式成功。
Deep Blue 胜 Kasparov（1997）：IBM 的深蓝击败国际象棋世界冠军卡斯帕罗夫。但需要注意，Deep Blue 本质上是 alpha-beta 搜索 + 手工评估函数——它不是”学习”出来的，而是用暴力搜索穷举大量棋局。它是符号主义/搜索范式的巅峰，而非机器学习的胜利。
LSTM（1997）：Hochreiter 和 Schmidhuber 提出的长短期记忆网络（Long Short-Term Memory），解决了循环神经网络（RNN）训练中的梯度消失问题，让网络能够”记住”长期依赖信息。LSTM 在 2010 年代成为自然语言处理的核心技术，直到被 Transformer 取代。

深度学习革命（2006–2016）：感知任务的突破

深度学习（Deep Learning）：使用多层（“深层”）神经网络从数据中自动学习层次化特征表示的方法。“深”指的是网络层数多——从原始像素到边缘、纹理、部件、物体，每一层都在学习更抽象的特征。

2006 年，Hinton 发表论文提出深度信念网络（Deep Belief Network, DBN），并用”逐层预训练”策略成功训练了深层网络。“深度学习”这一术语由此正式定名。深度学习复兴的三要素在这一时期逐渐齐备：

算法：ReLU 激活函数、Dropout 正则化、残差连接（residual connection）等技术创新使得训练极深的网络成为可能。
数据：2009 年建立的 ImageNet 数据集包含超过 1400 万张标注图像，覆盖 2 万多个类别——为深度学习提供了前所未有的海量训练数据。
算力：GPU（图形处理器）原本用于游戏渲染，但被发现非常适合神经网络的矩阵运算。

2012 年——AlexNet 时刻：Alex Krizhevsky 在 Hinton 指导下设计的 AlexNet 在 ILSVRC（ImageNet 大规模视觉识别挑战赛）中以 15.3% 的 top-5 错误率夺冠，远超第二名的 26.2%。AlexNet 的关键创新是使用 GPU 训练深度卷积神经网络（CNN）——此后数年，几乎所有图像识别方法都转向了深度学习。

卷积神经网络（CNN, Convolutional Neural Network）：一种专门处理图像的神经网络。它通过”卷积核”在图像上滑动来检测局部特征（边缘、纹理），然后逐层组合成更复杂的模式。CNN 的设计灵感来自猫的视觉皮层研究（Hubel & Wiesel, 1962），最早由 Yann LeCun 在 1989 年用于手写数字识别（LeNet）。

2015 年的几项突破尤为关键：

ResNet（残差网络）：何恺明等人在微软研究院提出的架构，通过”跳跃连接”（skip connection）让梯度可以跨层传播，成功训练了 152 层甚至更深的网络。ResNet 在 ILSVRC 2015 中以 3.57% 的错误率夺冠。
YOLO（You Only Look Once）：Joseph Redmon 等人提出的实时目标检测系统，将检测速度提高了几个数量级。详见目标检测与 YOLO。
DQN（Deep Q-Network）：DeepMind 在 Nature 上发表论文，用深度强化学习让 AI 从零学习玩 Atari 游戏，在多个游戏中达到甚至超越人类水平。这是深度学习与强化学习结合的里程碑。
扩散模型（Diffusion Model）：Sohl-Dickinstein 在论文中提出了用扩散过程（逐步加噪再去噪）来生成数据的理论框架。

2016 年，AlphaGo 击败李世乭，在围棋——这个长期被认为计算机至少需要十年才能征服的领域——实现了突破。AlphaGo 使用了深度神经网络与蒙特卡洛树搜索（MCTS）的结合，标志着 AI 从”感知”（识别图像/语音）走向了”决策”。

大模型与生成式 AI 时代（2017 至今）

2017 年 Google 的论文 Attention Is All You Need 提出了 Transformer 架构，这是迄今为止最重要的深度学习架构创新。Transformer 用**自注意力机制（Self-Attention）**取代了 RNN 的序列处理——它可以让模型在处理一个词时同时”看到”句子中所有其他词，大大提高了训练效率和建模长程依赖的能力。

注意力机制（Attention）：让神经网络在处理输入时，能够动态地将”注意力”集中在最相关的部分。比如翻译”The cat sat on the mat”时，注意力机制帮助模型知道”猫”应该关注”sat”而不是”mat”。Transformer 的核心创新是完全基于注意力构建网络，不再需要 RNN 或 CNN。

Transformer 的影响是革命性的：

2018 年——预训练范式确立：Google 的 BERT（Bidirectional Encoder Representations from Transformers）和 OpenAI 的 GPT-1（Generative Pre-trained Transformer）几乎同时发布，确立了”先在大规模无标注文本上预训练（pre-training），再在下游任务上微调（fine-tuning）“的范式。此后，几乎所有 NLP 任务的最高水平都被预训练模型刷新。
2020 年——GPT-3 的规模震撼：OpenAI 发布的 GPT-3 拥有 1750 亿参数（GPT-1 是 1.17 亿），训练数据约 5000 亿 token。GPT-3 展示了惊人的能力：只需给几个示例（few-shot learning），它就能写文章、写代码、做翻译、回答问题——而不需要专门微调。这引发了对**规模定律（Scaling Laws）**的广泛讨论：模型越大，能力越强。
2022 年——ChatGPT 引爆全球：11 月 30 日，OpenAI 发布 ChatGPT。它基于 GPT-3.5，经过 **RLHF（Reinforcement Learning from Human Feedback，基于人类反馈的强化学习）**微调，使回答更符合人类偏好。ChatGPT 在两个月内突破 1 亿用户，成为史上增长最快的消费级应用。2023 年 1 月 ChatGPT 的爆红标志着 AI 从实验室走向大众。
2022 年——Stable Diffusion 开源：8 月，Stability AI 发布开源的文生图模型 Stable Diffusion，基于扩散模型（Diffusion Model）。任何人都可以在自己的电脑上运行——这引发了生成式 AI 的”民主化”浪潮。

RLHF（基于人类反馈的强化学习）：先用人类标注者对模型的多个回答进行排序（哪个回答更好），训练一个”奖励模型”（reward model）来模拟人类偏好，然后用这个奖励模型作为强化学习的信号源来优化主模型。RLHF 是让 ChatGPT 比 GPT-3 更”好用”的关键技术。

2023-2024 年，大模型领域快速演进：

GPT-4（2023）：支持多模态输入（文本 + 图像），在多项标准化考试（SAT、LSAT、律师资格考试）中超过 90% 的人类考生。
LLaMA 开源（2023）：Meta 开源的 LLaMA 系列模型权重开启了”开源大模型”时代，催生了 Alpaca、Vicuna 等衍生模型。
推理模型（2024）：OpenAI 发布 o1，使用**思维链（Chain-of-Thought, CoT）**推理——让模型先”想一想”再回答，在数学和编程任务上大幅提升。详见推理技术。
多模态生成（2024）：GPT-4o（文本+语音+图像实时交互）、Sora（文生视频）展示了 AI 从理解到生成的跨越。
诺贝尔奖认可（2024）：Hopfield 和 Hinton 获诺贝尔物理学奖，标志着 AI 对科学的深远贡献被正式认可。

2025 年：AI 产业的分水岭

2025 年是 AI 领域充满戏剧性的一年，发生了多个具有深远影响的事件：

DeepSeek 冲击波（1 月）

中国 AI 公司 DeepSeek（深度求索）在 1 月 20 日发布 DeepSeek-R1——一个开放权重（open-weight，即模型参数公开可下载）的推理模型，性能对标 OpenAI 的 o1。DeepSeek 声称其训练成本仅约 600 万美元（远低于 GPT-4 报告的约 1 亿美元），并使用了**混合专家（Mixture of Experts, MoE）**架构来大幅降低计算开销。

1 月 27 日，DeepSeek 超越 ChatGPT 成为美国 iOS App Store 下载量第一的免费应用。同日，Nvidia 股价暴跌约 18%，市值蒸发约 6000 亿美元——创下了美国股市历史上单日市值损失的最高纪录。这一事件被多家媒体称为美国 AI 领域的”Sputnik 时刻”（1957 年苏联率先发射人造卫星对美国造成的震动）。

DeepSeek 的意义在于它证明了：即使在芯片出口限制下（美国禁止向中国出口最先进的 AI 芯片），通过极致的算法工程优化，也能以极低成本训练出顶级模型——这动摇了”AI = 烧钱堆算力”的叙事。

Stargate 计划（1 月）

1 月 21 日，美国总统 Trump 宣布 Stargate 计划——由 OpenAI、SoftBank、Oracle 等公司联合投资，承诺在 4-5 年内投入最多 5000 亿美元建设 AI 基础设施。这是迄今为止最大的 AI 基础设施投资计划。

推理模型达到 IMO 金牌水平（7 月）

OpenAI 和 Google DeepMind 的实验性推理模型在**国际数学奥林匹克竞赛（IMO）**中独立达到金牌标准——各在官方时限内做对 6 题中的 5 题。这是 AI 在高水平数学推理上的重要里程碑。

GPT-5 发布（8 月）

8 月 8 日，OpenAI 发布 GPT-5，号称”口袋里的一队博士级专家”。但发布反响不佳：模型在快速模式和推理模式之间的自动路由出现故障，同时退役 GPT-4o 的决定引发了大量用户不满，OpenAI 数日内不得不为付费用户恢复 GPT-4o。

版权诉讼与立法（全年）

2025 年是 AI 版权争议的”审判年”：

6 月：Disney 和 Universal 起诉 Midjourney——好莱坞首次对生成式 AI 公司提起版权诉讼。
9 月：Anthropic 同意支付至少 15 亿美元和解 Bartz 版权集体诉讼（涉及约 50 万本盗版书籍），创下美国版权和解金额纪录。
9 月：加州州长签署 SB 53——美国第一部专门针对前沿 AI 模型灾难性风险的州法律。
8 月：欧盟《AI 法案》（AI Act）对通用 AI 模型的义务条款正式生效。

产业与社会影响

“Vibe Coding”（凭感觉编程）——Andrej Karpathy 在 2 月提出的术语，指完全通过自然语言提示 AI 来构建软件而非手写代码。该词被 Collins 词典评为 2025 年度词汇。
Nvidia 在 7 月成为首家市值突破 4 万亿美元的上市公司，10 月突破 5 万亿美元。
10 月：Amazon 以”AI 带来的效率提升”为由裁员 14,000 人——AI 对就业市场的影响从讨论变成了现实。
METR（Model Evaluation & Threat Research）的随机对照实验发现：经验丰富的开发者使用 2025 年初的 AI 编程工具后，完成实际任务的时间反而多了 19%——尽管他们自己以为快了 20%。这为 AI 编程工具的生产力宣传提供了重要的反证。

2026 年（近期发展）

DeepSeek-V4（4 月）：DeepSeek 发布 V4 系列预览，包括 2840 亿参数的 V4-Flash 和 1.6 万亿参数的 V4-Pro，支持 100 万 token 的上下文窗口（context window，即模型一次能处理的文本长度）。V4 采用了新的 Manifold-constrained Hyper Connections 架构和改进的注意力机制，并已被华为、寒武纪等中国芯片厂商采用。

各时代代表算法速查表

时代	主导范式	代表算法	一句话特征
1943–1955	孕育期	McCulloch-Pitts 神经元、Turing 测试	理论奠基：“智能可以被机器模拟”
1956–1974	符号主义	Logic Theorist、GPS、A*、STRIPS、SHRDLU	搜索与规划，“推理即智能”
1974–1980	第一次寒冬	—（ML 研究转入低潮）	组合爆炸暴露，经费大幅削减
1980–1987	符号主义（知识工程）	MYCIN、XCON/R1、Prolog、专家系统	“知识即力量”，专家系统商业化
1987–1993	第二次寒冬	—（连接主义研究转入低潮）	知识获取瓶颈暴露，LISP 机崩盘
1990s	统计学习	SVM、AdaBoost、随机森林、贝叶斯网络、HMM、TD-Gammon	“数据驱动”取代”规则驱动”
2006–2016	深度学习	CNN、RNN/LSTM、GAN、DQN、ResNet、YOLO	算力+数据+深度架构，感知任务突破
2017 至今	大模型/生成式 AI	Transformer、BERT、GPT、扩散模型、RLHF	规模化（Scaling Laws）+ 人类反馈对齐
2023+	LLM 应用	ChatGPT、GPT-4、LLaMA、DeepSeek-R1、Agent、Sora	生成式 AI 产品化，走向推理与 Agent