纪元 01
萌芽与逻辑主义 · 概念奠基期
1950 — 1974 · 机器思考之梦与符号推理的探索
1950
图灵提出“图灵测试” (Turing Test)
哲学与基石
阿兰·图灵 (Alan Turing) 发表划时代论文《计算机器与智能》，提出著名的“模仿游戏”，探讨“机器能思考吗？”，奠定了人工智能的哲学与评测基石。
👤 核心人物：Alan Turing
1956
达特茅斯会议 (Dartmouth Workshop) · AI 学科诞生
学科确立
麦卡锡、明斯基、罗切斯特、香农等人在达特茅斯学院举办研讨会，首次提出“Artificial Intelligence (人工智能)”术语，标志着 AI 成为一门独立科学。
👤 核心人物：John McCarthy, Marvin Minsky, Claude Shannon, Herbert Simon
1957
感知机 (Perceptron) 诞生
神经网络原型
罗森布拉特发明第一台人工神经网络硬件“感知机”，实现了简单的二分类线性学习，掀起联结主义第一波高潮。
👤 核心人物：Frank Rosenblatt
1966
ELIZA · 首个自然语言对话程序
NLP 早期探索
MIT 教授魏泽鲍姆开发 ELIZA 心理咨询聊天机器人，通过模式匹配与脚本规则模拟人类对话，引发早期“人机情感投射”。
👤 核心人物：Joseph Weizenbaum
1969
《Perceptrons》出版 · 揭示单层感知机局限
理论瓶颈
明斯基与佩珀特证明单层感知机无法解决基础的“异或 (XOR)”线性不可分问题，加之计算机硬件极为薄弱，导致科研界与资方失去信心。
👤 核心人物：Marvin Minsky, Seymour Papert
❄️ 第一次 AI 寒冬 (1974 — 1980)：Lighthill 报告批评 AI 进展缓慢，美国 DARPA 撤减大量基础研究资助，符号推导受限于“组合爆炸”，联结主义研究基本停滞。
纪元 02
专家系统与联结复苏 · 知识工程期
1980 — 1997 · 知识库规则、BP 破局与深蓝击败棋王
1980
专家系统 (Expert Systems) 商业化繁荣
知识工程
以 XCON/R1、MYCIN 为代表的专家系统进入企业商业落地，通过“If-Then 规则库 + 推理机”模拟人类专家决策，开创知识工程繁荣期。
👤 核心人物：Edward Feigenbaum (专家系统之父)
1986
反向传播算法 (Backpropagation) 普及
训练核心突破
Hinton、Rumelhart、Williams 在《Nature》发表论文，系统化应用反向传播算法训练多层神经网络 (MLP)，彻底攻克 XOR 瓶颈。
👤 核心人物：Geoffrey Hinton, David Rumelhart
❄️ 第二次 AI 寒冬 (1987 — 1993)：专用 Lisp 机器市场被低成本通用个人电脑 (PC) 击溃，专家系统规则库维护极其昂贵且缺乏常识泛化能力，商业泡沫破裂。
1989
CNN 卷积神经网络用于手写识别 (LeNet)
计算机视觉
Yann LeCun 将反向传播与局部感受野、权值共享结合，打造 LeNet-5，成功应用于美国邮政系统手写支票与邮政编码识别。
👤 核心人物：Yann LeCun
1997
IBM 深蓝 (Deep Blue) 战胜世界棋王 & LSTM 诞生
算力博弈 / 时序建模
IBM 深蓝通过专用超级计算硬件与极大极小值 Alpha-Beta 剪枝搜索战胜国际象棋特级大师卡斯帕罗夫；同年 Hochreiter 和 Schmidhuber 提出长短期记忆网络 (LSTM)，解决 RNN 梯度消失难题。
👤 核心人物：Garry Kasparov, Sepp Hochreiter, Jürgen Schmidhuber
纪元 03
统计学习与深度革命 · 算力与表征期
2006 — 2017 · GPU 算力觉醒、ImageNet 奇迹与 Transformer 登场
2006
“深度学习”概念正式打响 (Deep Belief Networks)
概念觉醒
Hinton 发表论文提出通过逐层无监督贪心预训练解决深层网络优化问题，正式确立“深度学习 (Deep Learning)”术语与方向。
👤 核心人物：Geoffrey Hinton, Ruslan Salakhutdinov
2012
AlexNet 引爆 ImageNet · 深度学习革命全面爆发
CV 历史拐点
Krizhevsky、Sutskever 和 Hinton 借助 NVIDIA GPU 算力与 ReLU、Dropout 训练深层 CNN，将 ImageNet 图像识别错误率大幅降低 10 个百分点，碾压传统特征工程。
👤 核心人物：Alex Krizhevsky, Ilya Sutskever, Geoffrey Hinton
2014
生成对抗网络 (GAN) 提出
生成式模型
Goodfellow 提出由“生成器 (Generator)”与“判别器 (Discriminator)”相互博弈对抗学习的框架，开启生成式 AI 在图像与多媒体创作领域的狂飙。
👤 核心人物：Ian Goodfellow
2016
AlphaGo 击败世界围棋冠军李世石
深度强化学习
DeepMind 研发的 AlphaGo 融合深度卷积神经网络、蒙特卡洛树搜索 (MCTS) 与强化学习自我对弈，以 4:1 击败李世石，攻克曾被认为机器数十年无法逾越的围棋堡垒。
👤 核心人物：Demis Hassabis, David Silver
2017
Google 提出 Transformer 架构 (Attention Is All You Need)
现代大模型基石
抛弃传统循环与卷积，提出纯自注意力机制 (Self-Attention)，具备极高并行计算效率与长距离上下文捕捉能力，成为后续所有现代大语言模型和多模态模型的统一底层骨干。
👤 核心论文：Ashish Vaswani, Noam Shazeer, Niki Parmar 等 8 人
纪元 04
大模型与生成式狂潮 · 规模化涌现期
2018 — 2023 · Scaling Law、ChatGPT、全球开源与多模态
2018
BERT 与 GPT-1 开启“预训练 + 微调”双雄时代
NLP 统一范式
Google 推出基于双向 Encoder 的 BERT，刷新 11 项 NLP 纪录；OpenAI 坚持 Decoder-only 自回归单向语言建模并发布 GPT-1，确立大模型两大演进路径。
👤 代表机构：Google AI, OpenAI
2020
GPT-3 发布 · 1750 亿参数与 Scaling Law 涌现
少样本 / In-Context
参数量暴增至 175B，展现出惊人的上下文学习能力 (In-Context Learning) 与少样本/零样本泛化，Kaplan 等人系统提出神经语言模型扩展定律 (Scaling Law)。
👤 核心人物：Tom Brown, Jared Kaplan, Sam Altman
2022.11
ChatGPT 惊艳全球 · 人工智能迎来“iPhone 时刻”
RLHF 对齐 / 全球破圈
OpenAI 结合指令微调 (Instruction Tuning) 与基于人类反馈的强化学习 (RLHF)，推出 ChatGPT。仅用 2 个月月活突破 1 亿，成为人类历史上增长最快的消费级应用。
👤 核心人物：OpenAI 团队 (John Schulman, Ilya Sutskever 等)
2023
GPT-4 标杆确立 & Meta LLaMA 开源生态爆发
多模态与开源盛宴
2023 年 3 月 OpenAI 发布 GPT-4，在各项专业考试中达到人类前 10% 水平；Meta 开源 LLaMA 系列引发全球开源大模型百花齐放；Google 发布原生多模态 Gemini 体系。
👤 代表产品：GPT-4, LLaMA-1/2, Claude 2, Gemini 1.0
纪元 05
推理时代与具身 AGI · 深度思考与物理世界
2024 — 至今 · Test-Time Compute (慢思考)、开源高效推理与物理实体落地
2024.02
OpenAI Sora 惊艳发布 · 视频生成与世界模拟器
Diffusion Transformer
将 Diffusion 与 Transformer (DiT) 深度融合，支持长达 60 秒的高清、物理一致性连贯视频生成，展现了 AI 对 3D 物理世界几何与运动规律的深层学习潜力。
👤 核心技术：Diffusion Transformer (DiT), Spacetime Patches
2024.09
OpenAI o1 开启强化推理范式 (System 2 Thinking)
测试期算力 Scaling
引入强化学习自我反思机制与思维链 (Chain-of-Thought)，从单纯依靠预训练参数量规模 (Pre-training Compute) 拓展到测试期思考算力扩展 (Test-time Compute Scaling)，在数学、奥赛与编程推理中取得突破。
👤 范式转变：强化学习推理 + 隐式长思维链
2024-2025
DeepSeek-V3 / R1 震撼开源 · 纯 RL 与高能效架构破局
开源推理与工程奇迹
提出 DeepSeek-R1（利用纯强化学习冷启动自我涌现长推理链）与 DeepSeek-V3（MLA 多头潜在注意力 + DeepSeekMoE + FP8 混合精度训练），以极致算力性价比媲美顶尖闭源模型，引发全球 AI 行业巨震。
👤 核心创新：MLA / 细粒度 MoE / 纯 RL 推理蒸馏
2025-2026
具身智能 (Embodied AI) 与 自主智能体 (Agentic AI) 迈向 AGI
未来图景
从虚拟屏幕走向真实物理空间：VLA (Vision-Language-Action) 端到端大模型赋能人形机器人与无人驾驶；多智能体协同、自主工具调用与软硬件闭环成为通往通用人工智能 (AGI) 的前沿主干道。
👤 前沿领域：Figure, Tesla Optimus, Boston Dynamics, Autonomous Agents
📊 人工智能四大范式演进对比 (The 4 Paradigm Shifts)
| 演进范式 | 代表时代 | 核心驱动机制 | 知识与数据获取方式 | 优势与突破 | 主要瓶颈与痛点 |
|---|---|---|---|---|---|
| ① 符号主义 / 逻辑推理 | 1950s - 1970s | 一阶谓词逻辑、产生式系统、搜索树 | 人类专家手工形式化编码规则库 | 解释性极强，定理证明与受限领域严密 | “组合爆炸”、缺乏常识、无法处理模糊信息 |
| ② 统计机器学习 | 1980s - 2000s | SVM、决策树/随机森林、贝叶斯、朴素ANN | 手工设计特征工程 (Feature Engineering) | 具有严谨统计理论支持，工业落地泛化稳定 | 高度依赖人类特征设计，深层表征能力不足 |
| ③ 深度表征学习 | 2010s - 2020s | 深层 CNN、RNN/LSTM、Transformer 预训练 | 端到端自动从原始海量数据中提取多层特征 | 彻底颠覆图像、语音、机器翻译等感知任务 | 数据与算力吞吐巨大，缺乏因果推理与慢思考 |
| ④ 基础大模型与强化推理 | 2022 至今 | Scaling Law + MoE + RL 强化慢思考 + Agent | 全网多模态语料无监督预训练 + 强化环境自我对弈 | 通识能力、跨领域泛化、自主反思规划与工具调用 | 幻觉控制、对齐安全、巨额训练能耗与物理交互验证 |
⚙️ AI 持续爆发的三大底层引擎 (The Core Drivers)
🧮 算力 (Compute)
从手工打孔纸带到单核 CPU，再到 GPU 并行矩阵运算、专用 TPU/NPU 芯片，以及超大规模集群（万卡/十万卡集群 FP8/FP4 混合精度并行加速），算力指数级提升构成了大模型 Scaling 的物理根基。
- 1950s: 电子管 / 晶体管大型机
- 2012: NVIDIA GTX 580 (AlexNet)
- 2024+: H100/B200 集群分布式训练
📐 算法 (Algorithms)
从简单的线性感知机到反向传播 (BP)、卷积与循环机制，再到注意力机制 (Transformer)、扩散模型 (Diffusion) 与近期的纯强化学习推理 (RL Scaling)，算法架构不断突破表达能力的边界。
- 感知机与反向传播 (Backpropagation)
- Transformer 自注意力统一架构
- Test-time Compute 强化学习慢思考
📚 数据 (Data)
数据形式从最早由专家人工编写的数十条规则，演进至标注数据集 (ImageNet, SQuAD)，再到全网万亿级文本、代码、图像、视频多模态语料，乃至合成数据 (Synthetic Data) 与自对弈强化探索。
- 规则时代: 人工精选几百条事实
- 标注时代: ImageNet 百万标注图像
- 大模型时代: 15T+ Tokens 与高质量合成数据
💡 两次寒冬的历史教训与通往 AGI 的关键启示
⚡ 为什么前两次 AI 会经历寒冬？
1. 过度承诺与预期脱节：早期学术界曾轻言“十年内实现人类通用智能”，当成果无法落地时资本迅速撤离。
2. 算力与硬件无法支撑理论：多层神经网络理论早已提出，但在缺乏 GPU 和海量存储的年代无法有效训练。
3. 封闭规则无法应对开放现实：专家系统规则库存在“常识盲区”且维护成本极高，无法自适应复杂世界。
🚀 为什么本次大模型浪潮不会轻易破灭？
1. 涌现通用底座：LLM 具备跨任务通识能力，已在代码辅助、搜索问答、创意写作等场景形成真实生产力闭环。
2. 双重 Scaling 曲线：预训练规模定律与推理测试期算力扩展定律相互叠加，模型思考上限持续突破。
3. 具身与 Agent 落地：AI 正在从纯文本交互向自主智能体 (Agents) 和物理机器人 (Embodied AI) 延伸，开辟万亿级实体产业空间。