人工智能发展历史

1. 萌芽期（1940s--1956）

这是 "AI 还没名字" 的时代，但所有基础思想都在酝酿。

关键人物：

关键技术：

McCulloch-Pitts 神经元模型（1943）
- 用数学方式描述一个 "神经元" 如何工作
- 输入加权求和 → 阈值激活
- 意义：现代神经网络的起点
图灵测试（1950）
- 判断机器是否 "智能" 的行为学标准
- 意义：让 "智能" 有了可操作的定义
达特茅斯会议（1956）
- John McCarthy 正式提出 "Artificial Intelligence"
- 意义：AI 作为学科诞生

AI 第一次繁荣，核心是 "用逻辑和规则来模拟推理"。

关键人物：

关键技术：

算力不足、数据缺乏，早期方法无法解决复杂问题。

关键技术：

专家系统（Expert Systems）萌芽
- 用 "if-then 规则" 模拟专家推理
- 代表：MYCIN（医学诊断）
- 意义：为下一波复兴埋下伏笔
知识表示方法
- 框架系统、语义网络
- 意义：尝试让机器拥有 "结构化知识"

专家系统在商业上大规模应用，AI 短暂复苏。

关键人物：

关键技术：

专家系统维护成本爆炸，通用 AI 仍然遥不可及。

关键技术：

数据变多，算力提升，机器学习成为主流。

关键人物：

关键技术：

这是 AI 真正 "起飞" 的十年。

关键人物：

关键技术：

AlexNet（2012）
- 在 ImageNet 上把错误率从 26% 降到 15%
- 使用 ReLU、Dropout、数据增强
- 意义：深度学习成为主流
生成对抗网络 GAN（2014）
- 生成器 vs 判别器的博弈训练
- 能生成逼真图像
- 意义：开启生成式 AI 时代
ResNet（2015）
- 残差连接解决梯度消失
- 可以训练超深网络（152 层）
- 意义：视觉模型性能飞跃
Transformer（2017）
- 自注意力机制
- 并行训练效率远高于 RNN
- 意义：NLP 革命的起点，也是大模型的基础
BERT（2018）
- 双向预训练
- 在几乎所有 NLP 任务上刷新 SOTA
- 意义：NLP 进入 "预训练 + 微调" 时代
GPT-2（2019）
- 大规模自回归语言模型
- 展示了 "大模型 + 无监督学习" 的潜力
- 意义：大语言模型时代的序幕

大语言模型成为 AI 的核心方向。

关键人物：

关键技术：

GPT-3（2020）
- 1750 亿参数
- 首次展示 "提示词工程" 的强大能力
- 意义：大模型能做 "零样本 / 少样本学习"
ChatGPT（2022）
- 在 GPT-3.5 基础上加入 RLHF（人类反馈强化学习）
- 让模型更听话、更安全
- 意义：AI 真正进入大众视野
GPT-4（2023）
- 多模态能力
- 更强的推理能力
- 意义：大模型迈向通用智能的重要一步
Llama、Claude、Gemini 等模型
- 开源与闭源并存
- 多模态、多任务能力不断增强
AI Agent
- 大模型作为 "智能体"，能规划、调用工具、执行任务
- 意义：AI 从 "聊天" 走向 "做事"
具身智能（Embodied AI）
- AI + 机器人
- 让模型在物理世界中行动
- 意义：AI 开始真正 "进入世界"

基于当前时间（2026 年 12 月 19 日）的观察：