AI 发展史上的十个关键时刻

从理论奠基到深度学习爆发，本文按时间顺序梳理人工智能发展历程中广受公认的若干关键节点，包括达特茅斯会议、专家系统的兴衰与深度学习的转折，帮助读者建立整体时间线。

从设想到学科

1950 年，图灵提出以模仿游戏探讨机器能否思考的问题；1956 年，麦卡锡、明斯基等学者在达特茅斯会议上首次使用人工智能这一说法，这次会议被普遍视为领域正式起步的标志。此后一段时间，研究者对机器证明、下棋与符号推理抱有很高期待，形成了以符号处理为主的早期范式。

但期望很快遇到现实：许多问题在计算上远比预想复杂，早期硬件能力有限，加之符号方法难以处理感知与常识，研究经费在七十年代前后出现收缩，这段时期常被称为第一次 AI 冬天。低谷并非终点，它促使后来的研究者更加重视工程可行性与可验证的效果。

从专家系统到统计学习

八十年代，基于规则的专家系统一度在工业和医疗诊断中投入应用，把人类专家的经验编码成规则库。它推动了 AI 的商业化尝试，但也暴露出知识获取困难、维护成本高等问题，随后热度回落。与此同时，统计学习方法与神经网络研究在另一条线上持续推进。

九十年代末到二十一世纪初，互联网带来海量数据，机器学习逐步成为主流；1997 年深蓝战胜国际象棋世界冠军，展示了搜索与算力的力量。2012 年前后，深度卷积网络在大规模图像识别竞赛中大幅领先传统方法，通常被视为深度学习时代真正到来的转折点。

近十余年的加速

此后进展密集：2016 年前后，结合神经网络与搜索的系统在围棋上战胜顶尖人类棋手，由于围棋的状态空间远大于国际象棋，结果超出许多人预期。随后注意力机制与 Transformer 架构被广泛采用，预训练大模型成为自然语言处理的主流范式，能力开始跨任务迁移。

再之后，生成式模型在图像与文本上取得突破并进入公众视野，多模态与智能体方向快速发展，算力和数据规模成为竞争焦点。回看这条时间线可以发现：每一次跃升几乎都同时依赖算法创新、数据积累与算力增长，单一因素的突破很少能独立引发变革。

本文为 AI 科普内容，仅用于知识普及，不构成任何技术选型、投资或职业决策建议。