1956 年以前，人们已经在思考机器智能
人工智能的历史不能只从某个聊天工具算起。早期研究者已经在讨论神经元能否用数学形式描述、机器能否表现出智能，以及计算机是否可以处理语言和推理问题。这些问题为后来建立独立研究领域打下基础。
1956 年的达特茅斯夏季研究项目通常被视为人工智能成为独立研究领域的重要起点。“人工智能”这一名称在相关提案中被明确使用，但会议本身并没有一次性解决智能问题。
人工智能发展的关键时间线
七十余年的发展并不是一条直线。先看四个阶段，再沿着十个关键节点理解技术、预期与现实怎样反复校准。
- 1943—1950理论准备
理论萌芽
研究者开始用数学模型描述神经元，也提出“机器能否思考”等问题。今天的神经网络并不是复制人脑，而是受到这些早期思路启发的计算模型。
- 1956学科形成
达特茅斯会议
人工智能作为研究名称受到广泛关注。早期目标包括让机器使用语言、形成抽象概念、解决问题和改进自身。
- 1950s—1960s路线探索
符号推理与早期神经网络
一条路线试图把规则和知识写进程序，另一条路线探索可从样本中学习的感知机。早期成果带来乐观预期，但硬件、数据与方法仍有限。
- 1970s预期调整
第一次 AI 寒冬
许多系统只能在小型演示环境中工作，难以处理真实世界的复杂性。能力未达到承诺，资金和关注度随之下降。
- 1980s商业应用
专家系统兴起
研究者把专业领域的知识和规则整理进计算机，使系统能在限定问题上给出判断。它证明了 AI 的商业价值，也暴露了规则维护成本高、适应性弱的问题。
- 1987—1990s方法转向
第二次低谷与统计学习转向
专家系统热潮降温，研究逐渐转向用数据和概率方法解决识别、预测与语言问题。AI 的重点开始从“写出所有规则”转向“从数据中学习规律”。
- 1997—2011工程积累
数据、算力和机器学习积累
计算能力增强、互联网数据增长，机器学习在搜索、推荐、语音和图像等任务中逐渐成熟。1997 年计算机在国际象棋比赛中战胜世界冠军成为公众熟悉的里程碑。
- 2012能力跃升
深度学习突破
更大数据集、更强图形计算能力和改进的神经网络方法共同推动图像识别效果明显提升，深度学习随后扩展到语音、翻译和文本处理。
- 2017架构突破
Transformer 架构出现
Transformer 更擅长并行处理序列并学习长距离关系，成为后来许多大语言模型和多模态模型的重要基础。
- 2022 至今大众应用
生成式 AI 进入大众应用
大模型可以生成文字、图像、音频和视频，并通过工具调用处理更复杂任务。能力更强不等于答案必然正确，核对、隐私和责任边界变得更加重要。
这段历史告诉我们什么？
进步来自共同条件
算法、训练数据、计算资源和工程能力通常需要同时成熟，单独出现一个新概念并不等于马上可用。
演示不等于真实能力
AI 多次因演示效果被高估。判断一个工具时，要回到自己的任务、资料和错误成本。
今天的技术有历史延续
规则系统、统计学习、神经网络并非简单互相取代，现代产品往往组合多种方法。
能力上升仍需人工负责
生成内容越自然，人越容易忽略错误。重要判断必须保留来源核对和责任主体。
三道自测题
1. 为什么 1956 年经常被称为人工智能的重要起点？
因为达特茅斯项目明确使用“人工智能”名称，并把语言、抽象、问题求解和自我改进等方向放到统一研究议程中。
2. AI 寒冬说明了什么？
演示成功不等于现实可用。当能力、成本和承诺不匹配时，投资和关注会下降。
3. 生成式 AI 与过去的 AI 完全无关吗？
不是。它建立在长期积累的机器学习、神经网络、数据、算力和语言处理研究之上。
资料来源与核对说明
- Computer History Museum：AI & Robotics Timeline
- Computer History Museum：1956 Dartmouth Workshop
- Attention Is All You Need（2017）
本页是面向普通人的入门解释，不代替计算机科学史专业研究。发布与核对：南阳芊洲人工智能科技有限公司，2026-07-14。