人工智能经历了数个发展阶段：匮乏与繁荣、怀疑与乐观，以及二次AI寒冬，并于21世纪最终踏上了指数级增长的道路。

1950s — AI 概念诞生

如何定义智能？

• 如何定义智能： 艾伦·图灵（现代计算机之父）于1950年提出了著名的图灵测试，旨在评估机器是否表现出与人类难以区分的智能行为的能力：如果机器能够在与人类的对话中，不被识别为机器，则可被视为智能。
• “人工智能”概念诞生： 1956年， “人工智能”一词在达特茅斯学院举办的夏季研讨会上被首次提出，并将其确立为一个独立的研究领域。从此，“人工智能”取代了自动机研究和复杂信息处理等描述性术语，使得人们将注意力集中在对人类智能的模拟和模仿上。

1960s — 规则推理阶段

早期的 AI 研究专注于专家系统的开发，其实就是预定义规则系统。

• 核心理念： 以规则、逻辑推理为核心，研究人员将人类的知识以一组逻辑规则的形式手动编码到机器中，通过一系列判断生成建议，其本质只是复杂的“if-else”语句，与传统程序无异，例如：“如果患者发烧超过 $38^{\circ }\text{C}$，则可能存在感染。”

• 缺陷： 这类系统严重依赖于人类专业人员的专业知识和手动输入来为系统贡献知识，缺乏自主学习和泛化能力，并且知识需要定期更新才能保持准确，因此维护成本高昂且耗费资源。

1970s — 第一次人工智能寒冬

在预定义规则的约束下，专家系统无法掌握上下文理解能力或解读其规则库之外的信息，这种缺乏适应性和灵活性的情况导致了AI 研究长期缺乏突破性进展，学术界和政策制定者怀疑日益加重，认为最初的承诺被夸大，人工智能并不现实。

这导致 AI 研究资金大幅削减，这段资金和兴趣的萎缩时期始于 20 世纪 70 年代中期，一直延续到 80 年代初，被称为第一次人工智能寒冬。

1980s — 机器学习兴起/第二次人工智能寒冬

20 世纪 80 年代，机器学习（Machine Learning）的发展标志着人工智能研究领域的关键性方向转变，研究员不再试图将知识手动编码为规则，而是提出：计算机可以从数据中学习、识别模式，并在极少的人工干预下做出决策。

尽管技术取得了进步，但由于当时的硬件计算能力不足，尤其是神经网络的训练仍很缓慢且成本高昂。此外，围绕人工智能的炒作再次导致了过高的预期，当这些预期未能实现时，投资者和公众都撤回了支持，导致资金和兴趣的减少，第二次人工智能寒冬爆发。

2000s — 深度学习崛起

90 年代末互联网的兴起，带来了海量数据，为下一波 AI 发展浪潮奠定了坚实基础，同时几件里程碑事件改变了人们对AI的看法。

• IBM“深蓝”战胜卡斯帕罗夫： 1997年，IBM 的“深蓝”成为首个击败卫冕世界象棋冠军的人工智能系统，极大地提升了公众对 AI 的信心。

• 数据的爆发： 进入21世纪，智能手机开始普及、社交媒体、电子商务以及各种数字渠道为AI带来了前所未有的数据供应，互联网的爆发为 AI 模型提供了大量训练数据。

• 深度学习的奠基:

  • 杰弗里·辛顿于2006年提出了一种更高效的深度神经网络训练方法，解决了传统神经网络层数加深后难以训练的问题，大幅提升了AI模型的性能，为深度学习的实际应用铺平了道路。
  • 同时，性能强大的图形处理单元（GPU） 出现（最初设计用于视频游戏图形渲染，俗称显卡）为AI发展提供了硬件基础。与逐个执行计算的传统中央处理器（CPU）不同，图形处理单元（GPU）被设计为同时执行多个计算，这种并行计算能力与深度学习计算的需求相一致，深度学习计算主要是矩阵和向量运算，GPU 能够并发而不是顺序处理这些计算，二者完美契合。

2010s — 深度学习黄金期

这是一个人工智能飞速发展的十年，以深度学习（Deep Learning）为核心的技术取得了突破性进展，并开始从实验室走向应用，对社会产生深远影响。

• ImageNet 突破 ： 2012年，杰弗里·辛顿团队的 AlexNet 在 ImageNet 图像识别挑战赛中以巨大优势夺冠，标志着深度学习，特别是卷积神经网络 CNN （一种AI模型）被正式确立，这一事件引发了学界和业界的“深度学习热潮”，被称为 AI 领域的“寒武纪大爆发”。
• DeepMind 与 AlphaGo 的胜利： 2016年，DeepMind 开发的深度学习程序 AlphaGo 击败围棋世界冠军李世乭，由于围棋的复杂性，这一壮举标志着 AI 在复杂策略博弈中实现了超越人类的智能。
• Transformer 架构的诞生： 2017年，谷歌团队提出了 Transformer 模型架构，引入自注意力机制，这彻底改变了自然语言处理（NLP）领域，并成为 BERT、GPT 等大型语言模型的基础，为后续的生成式 AI 浪潮奠定了基石。
• AI 开始在各行业广泛应用，例如：
  • 医疗: 医学影像分析中用于辅助诊断（如癌症、眼疾）。
  • 交通: 基于深度学习的自动驾驶快速发展。
  • 金融: 用于高频交易、信用风险评估以及反欺诈检测。
  • 制造: 在工业质量检测中进行产品缺陷识别，优化供应链。

2020s — 大模型与生成式 AI

2020年以后，以 Transformer 架构为基础训练的超大规模模型彻底改变了人工智能的应用格局，标志着AI时代的全面到来。

• ChatGPT 引爆全球 ： 2022年，OpenAI 发布了包括 DALL-E 和 ChatGPT 在内的生成式人工智能产品，成为媒体关注的焦点，其卓越的对话能力、推理能力和接近人类的文本生成质量，引发了全球性的AI技术浪潮，让 AI 以前所未有的速度和规模被公众所接受和使用。
• 大语言模型的涌现： GPT、Claude、Gemini 等大语言模型（LLM）在模型参数规模和训练数据量上达到前所未有的级别，展现出强大的能力，可以进行复杂的推理和规划。
• 生成式AI快速发展： 图像、视频、音频生成技术爆发式增长，如 DALL·E、Midjourney 实现文生图，Sora 预示着文生视频将革命性地改变媒体制作。

AI时代，我们应该做什么？

如今，AI 的浪潮已经将我们推入一个效率空前、颠覆并行的新时代。面对各类强大的AI工具，许多人感到兴奋，也夹杂着一丝焦虑，AI 正在取代重复性的工作，但它同时也为人类开辟了更高的价值空间。

AI 的普及正在将知识工作者的角色从内容的生产者转变为AI 的指挥者和内容审核人，这要求他们具备掌握与 AI 沟通的艺术——提示工程（Prompt Engineering），即提出高质量的问题、设计清晰的指令和提供准确的上下文，学会如何用精确、富有洞察力的提示词来引导 AI 产出最佳结果，来充分发挥这些智能工具的潜力。