1950 年，数学家阿兰·图灵在《Mind》期刊发表论文，开篇发问：“机器能思考吗？”他避开哲学争论，给出可操作的“模仿游戏”：审问者若无法分辨对话方是人还是机器，机器即被视为会思考。

论文还提出“儿童机器”可通过教育而非编程获得智能，并系统性反驳了包括“洛芙莱斯异议”在内的九种反对意见——后世 AI 的几乎每一个议题，都能在这里找到影子。

1956 年夏，麦卡锡与明斯基、香农、罗切斯特共同发起达特茅斯暑期研讨会，提案中写道：“学习的任何方面、智能的任何特征，原则上都能被精确描述，从而使机器可以模拟。”

会上纽厄尔与西蒙演示的“逻辑理论家”，已能证明《数学原理》中 38 条定理。会议仅 10 人、历时 6 周，却为整个领域命名——AI 元年就此开启。

1957 年，罗森布拉特提出感知机：输入加权求和、阈值激活，权重可依误差自动修正（w ← w + η(y−ŷ)x）。1958 年 Mark I 硬件用 400 个光电池与电机驱动的电位器实现，轰动全美。

1969 年，Minsky 与 Papert 出版《Perceptrons》，证明单层结构无法学习异或（XOR）这类线性不可分函数，而多层网络的训练算法又告缺席——连接主义被冻结近二十年。

符号路线的巅峰是专家系统：DENDRAL（1965，质谱推断分子结构）、MYCIN（1972，约 450 条血液感染诊疗规则）、XCON（1980，为 DEC 配置订单，年省约 2500 万美元）；1982 年日本举国力推“第五代计算机”。

但规则难以穷举、知识获取成为瓶颈：第一次寒冬（1973 Lighthill 报告 → 1974–80 经费骤减），第二次寒冬（1987 LISP 机市场崩盘 → 1993 五代机计划落幕）。AI 两度被自己的承诺反噬。

1996 年首战，卡斯帕罗夫 4:2 守住人类尊严；1997 年 5 月 11 日，升级版深蓝以 3.5 : 2.5 复仇成功——第六局棋王仅 19 手便投子认输，登上《新闻周刊》封面“人脑的最后一战”。

深蓝的秘密是暴力美学：RS/6000 SP 并行机 + 480 颗定制象棋芯片，每秒搜索 2 亿个局面，辅以手工调参的评估函数。它赢了棋王，却不会学习——智能需要另一条路。

寒冬之后，AI 悄悄换了引擎：不再由人逐条编写规则，而是让算法从数据中自动学习规律。决策树（ID3，1986）、支持向量机（SVM，1995）、随机森林与 AdaBoost 相继成熟，语音识别、垃圾邮件过滤、搜索排序全面开花。

1986 年，反向传播算法（Rumelhart、Hinton 与 Williams）成熟并推广，多层神经网络第一次可以被有效训练——可惜受制于当时的数据与算力，影响有限，只能静待时机。

而这个时代的另一门“手艺活”是特征工程：图像要靠 SIFT、HOG 等手工特征，上限取决于工程师的经验。人们逐渐意识到：连“提取特征”也该让机器自己学——为深度学习埋下了引线。

2012 年 9 月 30 日，ImageNet 竞赛放榜：Hinton 团队（Krizhevsky、Sutskever）的 AlexNet 以 15.3% 的 Top-5 错误率碾压第二名（26.2%）。李飞飞 2009 年力排众议构建的数据集，终于等到了它的算法。

6000 万参数、5 卷积 + 3 全连接，两块 GTX 580 训练五六天：ReLU 缓解梯度消失、Dropout 抗过拟合、数据增强扩容。三年后 ResNet 以 152 层把错误率压到 3.57%——超越人类，深度学习全面接管感知任务。

围棋约有 10¹⁷⁰ 种局面，穷举无望。AlphaGo 以策略网络选点、价值网络判势、蒙特卡洛树搜索推演：2015.10 胜樊麾，2016.3 在首尔 4:1 胜李世石；第二局第 37 手被职业棋界称为“不像人类的妙手”。

2017 年 AlphaGo Zero 抛弃人类棋谱，纯自我对弈 40 天，以 100:0 完胜初代，Elo 超 5000；同年 AlphaZero 通用化，4 小时自学即击溃最强象棋引擎 Stockfish——“从零到超人”被算法证明可行。

Google 八位作者提出 Transformer：完全用自注意力刻画词与词的依赖，任意两词的信息距离为 O(1)，训练可全并行——RNN 的时序瓶颈被一次性拆除。机器翻译 BLEU 提升逾 2 点，8 张 P100 仅训练 3.5 天。

多头注意力 + 位置编码 + 残差归一化，这套积木后来原样走进 BERT、GPT 全系、ViT，乃至 AlphaFold 2（2020 破解蛋白质折叠）——一个架构统一了语言、视觉与科学计算。

2018 年 GPT-1（1.17 亿参数）确立“无监督预训练 + 有监督微调”范式，同年 BERT 以双向掩码横扫 GLUE 榜单；2019 年 GPT-2（15 亿）零样本即可续写新闻，OpenAI 一度因“太危险”而分批开源。

2020 年 Scaling Laws 论文揭示损失随算力/参数/数据呈幂律下降。GPT-3（1750 亿参数、96 层、约 3000 亿 token 训练）验证了这条曲线：不微调，只给几个示例就能翻译、写代码、答题——能力“涌现”了。

2022 年初，InstructGPT 用 RLHF 证明：1.3B 的对齐模型比 175B 的未对齐模型更受欢迎。11 月 30 日，同一配方加持 GPT-3.5 的 ChatGPT 上线——会承认错误、会拒绝不当请求、能多轮对话。

5 天破百万用户、约 2 个月破 1 亿月活，成为史上增长最快的消费级应用。三个月后 GPT-4 发布：律师资格考试前 10%、支持图像输入——全球“千模大战”与生成式 AI 浪潮就此引爆。

Agent 智能体：从 ReAct 的“思考—行动—观察”循环，到函数调用、代码解释器、Computer Use 与多智能体协作，模型开始自主规划、调用工具、交付结果；o1 / R1 类推理模型把“慢思考”引入大模型。

多模态：GPT-4o 原生全模态交互、Gemini 1.5 百万 token 长上下文、Sora 生成一分钟连贯视频——文本、图像、音频、视频在同一模型内被统一理解与生成。

端侧 AI：量化 + NPU 让 Phi-3、Gemma 级小模型跑上手机与 AI PC；Apple Intelligence 采用“端侧 + 私有云”分层架构；Llama、DeepSeek 等开源权重推动能力平权。