发展简史：人工智能的七十年起伏
人工智能的历史不是一条平滑上升的曲线，而是一部期望膨胀—承诺落空—资金撤退—技术重生的循环史。 理解这段历史，有助于判断今天的热潮究竟是又一次泡沫，还是真正的范式转变。
章 01七十年全景分期
| 时期 | 主导范式 | 标志事件 | 阶段特征 |
|---|---|---|---|
| 1943—1955 孕育期 | 理论基础建立 | 图灵机、控制论、感知机雏形、达特茅斯会议 | 跨学科思想汇流，学科尚未命名 |
| 1956—1974 黄金期 | 符号主义 · 搜索与推理 | Logic Theorist、ELIZA、SHRDLU | 乐观预期强烈，政府资金充裕 |
| 1974—1980 第一次寒冬 | （低谷） | 莱特希尔报告、美国 DARPA 削减经费 | 组合爆炸、常识缺失、承诺无法兑现 |
| 1980—1987 专家系统 | 知识工程 | XCON、日本第五代计算机计划 | 商业化首次成功，随后暴露维护难题 |
| 1987—1993 第二次寒冬 | （低谷） | Lisp 机市场崩塌 | 知识获取瓶颈，成本高、泛化差 |
| 1993—2011 统计学习 | 机器学习 · 概率模型 | 深蓝、SVM、Watson、Netflix 竞赛 | 转向数据与评测，务实低调 |
| 2012—2017 深度学习 | 连接主义复兴 | AlexNet、AlphaGo、Transformer | 算力+数据+算法三要素齐备 |
| 2018—2022 大模型 | 预训练基础模型 | BERT、GPT-3、AlphaFold2、ChatGPT | 规模带来涌现，通用能力显现 |
| 2023— 智能体 | 多模态 + 推理 + Agent | GPT-4V、推理模型、开源模型爆发 | 从「回答问题」走向「完成任务」 |
章 02第一次黄金期（1956—1974）
达特茅斯会议之后，AI 研究进入充满乐观的二十年。研究者相信，只要把知识写成规则并配合搜索，机器智能指日可待。
Logic Theorist
证明了《数学原理》中 38 条定理，其中一条的证明比人类原证明更优雅。被称为第一个人工智能程序。
感知机与 LISP
罗森布拉特的感知机可用硬件自适应学习；麦卡锡的 LISP 成为 AI 研究的标准语言（并催生了垃圾回收、递归等概念）。
ELIZA 与「对话的错觉」
魏泽堡的 ELIZA 用简单模式复述用户话语，却让不少使用者产生情感投射。这一现象后被命名为 ELIZA 效应，至今仍是理解人机交互心理的关键概念。
SHRDLU 与积木世界
维诺格拉德的程序能在虚拟积木世界中理解并执行自然语言指令，被视为符号 AI 的巅峰之作——但它的能力完全无法扩展到真实世界的复杂性。
明斯基与佩珀特的批评
《感知机》一书数学地证明了单层网络无法解决 XOR 等非线性问题，直接导致连接主义研究降温十余年。这既是学术纠偏，也是后来被反思的「矫枉过正」。
章 03第一次寒冬（1974—1980）
为什么冷却
① 算力严重不足
当时的计算机内存与速度无法支撑任何规模的搜索，程序只能运行在「玩具问题」上。
② 组合爆炸
问题规模稍增，搜索空间呈指数膨胀。研究者低估了难度随规模增长的速率。
③ 常识知识缺失
机器缺乏人类习以为常的背景知识，导致推理在真实场景中漏洞百出（即「常识知识问题」）。
④ 承诺落空
机器翻译的失败（如著名的「精神食粮」误译案例）与过度的公开承诺，使资助方失去耐心。
标志性事件
- 1973 莱特希尔报告：英国政府委托评估后认为 AI 未能兑现「宏大目标」，随即大幅削减除少数方向外的全部 AI 经费。
- DARPA 转向：美国国防高级研究计划局终止对无明确目标的基础 AI 研究资助，转向特定任务项目。
- 机器翻译停摆：ALPAC 报告（1966）早先已判定机器翻译性价比低于人工，导致该领域资金中断十余年。
章 04专家系统时代（1980—1987）
寒冬之后，AI 以另一种更务实的形式复兴：专家系统——把人类专家的经验规则编码进程序，在特定领域解决实际问题。
XCON / R1
DEC 公司用于自动配置计算机订单的系统，据称每年节省数千万美元，成为知识工程商业化的样板。
MYCIN
斯坦福开发的血液感染诊断系统，性能接近专家水平，并引入了不确定性推理（置信因子）与解释机制。
第五代计算机计划
日本 1982 年启动，投入巨资研制基于逻辑编程的智能计算机；英国跟进 Alvey 计划，美国成立 MCC consortium。虽未达成目标，却极大推动了全球 AI 投入。
专家系统的结构
专家系统的价值在于：它证明了 AI 可以创造商业价值，并让「知识工程」成为一门正式职业。 但它也埋下了下一轮寒冬的种子。
章 05第二次寒冬（1987—1993）
知识获取瓶颈
把专家经验逐条写成规则极其昂贵耗时，且专家往往说不清自己的隐性知识。
脆弱与难维护
规则库增至数千条后互相冲突，改动一处引发连锁错误；系统只在窄领域有效，毫无泛化能力。
硬件市场崩塌
1987 年专用 Lisp 机市场崩溃，通用工作站性能迅速超越专用机，相关公司大批倒闭。
计划失败
日本第五代计算机计划未达成预定目标，于 1990 年代初终止，打击了整个领域的信心。
章 06统计学习与机器学习崛起（1993—2011）
进入 1990 年代，AI 研究风格发生根本转变：从「设计聪明系统」转向「让系统从数据中学习」。 概率论、统计学与优化理论取代纯逻辑，成为新的语言。研究者也开始更谦逊地自称做「机器学习」或「模式识别」。
统计机器学习成型
支持向量机（SVM）、决策树、随机森林、Boosting、隐马尔可夫模型、贝叶斯网络成为主流工具。 理论（VC 维、结构风险最小化）与工程（开源库）同步成熟。
深蓝击败卡斯帕罗夫
IBM 深蓝以 3.5:2.5 战胜国际象棋世界冠军，是 AI 首次在标志性智力游戏中战胜人类顶尖选手。 它依赖的是暴力搜索 + 专用硬件 + 人工调优评估函数，而非通用学习。
数据与互联网红利
互联网带来海量标注数据与用户行为日志；推荐系统、搜索排序、广告点击率预估成为机器学习最大的产业出口。
深度学习的重新命名
辛顿等人提出深度信念网络的逐层预训练方法，「深度学习」一词重新流行，为下一阶段的突破埋下伏笔。
IBM Watson 赢得《危险边缘》
Watson 在智力竞答节目中战胜人类冠军，展示了大规模知识检索、自然语言理解与置信度评估的结合能力。
章 07深度学习革命（2012—2017）
三个要素在 2012 年前后同时到位，引爆了持续至今的深度学习革命。
GPU 并行计算
图形处理器被证明极适合矩阵运算，训练速度提升数十倍；随后出现专用 AI 加速芯片与大规模集群。
大规模标注数据集
ImageNet 等百万级标注数据集的出现，让深度模型第一次有了足够的「养料」。
结构与训练技巧
ReLU、Dropout、批归一化、残差连接、更好的初始化与优化器，使深层网络终于可稳定训练。
AlexNet
在 ImageNet 竞赛中以巨大优势夺冠，错误率远低于传统方法。深度学习一夜之间成为计算机视觉的主流，并迅速席卷语音识别与 NLP。
GAN 与注意力机制
生成对抗网络让「生成」能力大跃升；同期注意力机制在机器翻译中被提出，为两年后的 Transformer 铺路。
AlphaGo 战胜李世石
DeepMind 将深度神经网络与蒙特卡洛树搜索、强化学习结合，4:1 战胜世界冠军。 围棋曾被认为因「局面判断难以形式化」而十年内无法攻克，此役彻底改变了公众对 AI 的直觉。
Transformer
Google 论文《Attention Is All You Need》提出完全基于注意力机制的架构， 摒弃循环结构，实现高度并行化训练。这是当今所有大语言模型的共同基础。
章 08大模型时代（2018—2022）
研究者发现：当模型参数、数据量与算力按一定比例同时放大时，模型性能会平滑提升， 并会涌现出未被专门训练过的能力。这一经验规律被称为规模定律（Scaling Law）， 它把 AI 竞赛引向了「更大」的方向。
BERT 与 GPT
BERT 用双向掩码预训练刷新自然语言理解任务；GPT 确立「生成式预训练 + 下游微调」范式。两条路线并行发展。
GPT-2 / GPT-3
GPT-3 以 1750 亿参数展示强大的少样本学习（Few-shot）能力： 只需在提示中给出几个例子，模型就能完成新任务。研究者开始把这类模型称为基础模型（Foundation Model）。
扩散模型与 AlphaFold2
扩散模型让文生图质量飞跃（DALL·E、Stable Diffusion、Midjourney）； DeepMind 的 AlphaFold2 基本解决蛋白质结构预测这一五十年难题，展示了 AI 作为科学发现工具的威力。
对齐技术：RLHF
人类反馈强化学习（RLHF）让模型输出更符合人类偏好与指令意图，从「续写文本」转变为「回答问题」， 是 ChatGPT 体验跃升的关键技术之一。
ChatGPT 发布
对话式交互让大模型一夜之间进入公众生活，两个月用户破亿，成为史上增长最快的消费级应用之一， 直接触发全球性的产业与投资浪潮。
章 09多模态与智能体时代（2023— ）
能力跃升与开源浪潮
GPT-4 等模型支持图像输入、长上下文与更强的推理；Llama 等开源权重模型释放， 使中小企业与个人也能构建自己的模型应用。
多模态成为标配
原生多模态模型可直接理解图像、音频、视频；文生视频、实时语音交互走向可用。
推理模型
通过在推理阶段投入更多「思考」计算（长思维链、搜索与自我验证），显著提升数学、代码与复杂规划任务表现， 形成继预训练之后的新扩展维度。
效率与普惠
蒸馏、量化、混合专家（MoE）与小模型路线快速发展，推理成本快速下降， 端侧部署成为可能，推动 AI 从云端走向设备。
治理与规则建立
各主要经济体陆续出台 AI 监管框架，安全评测、内容标识、数据合规成为产品上线的前置条件。
章 10历史规律：为什么会有周期
规律一：期望跑得比技术快
每一次突破都会引发「通用智能即将实现」的预期，而当技术无法在预期时间内兑现时， 资本与耐心随之撤离。区分「 Demo 可演示」与「可规模化可靠运行」是永恒课题。
规律二：范式更替由「瓶颈」驱动
符号主义败于常识与组合爆炸；专家系统败于知识获取；统计学习受限于特征工程； 深度学习则以自动学习表示绕开了手工特征这一瓶颈。
规律三：算力、数据、算法缺一不可
许多关键思想（神经网络、注意力、强化学习）早在数十年前就已提出， 只有当算力与数据具备时才真正发挥作用。这也解释了为何「提前十年」的构想往往无法实现。
规律四：低谷期仍在积累
寒冬并未停止研究，只是转移了阵地与名义（控制论、模式识别、数据挖掘、统计学）。 真正的进展常以另一个名字继续。
本轮与以往有何不同
| 维度 | 以往周期 | 本轮（大模型） |
|---|---|---|
| 落地广度 | 多为特定领域、需大量定制 | 同一模型可直接服务于海量不同任务 |
| 用户规模 | 研究者与企业用户为主 | 直接面向数十亿普通用户 |
| 产业投入 | 以政府研究经费为主 | 以企业与资本市场投入为主，规模空前 |
| 能力形态 | 专用系统，能力边界清晰 | 通用性显著提升，边界模糊且难以预测 |
| 主要风险 | 能力不足、无法兑现 | 能力过剩带来的安全、伦理与就业冲击 |