1956
达特茅斯会议：AI 成为一个研究领域
1956 年夏天，一群数学家与计算机科学家在达特茅斯学院聚集，“人工智能”由此成为一个明确的研究名称。
严格说，术语最早出现在 1955 年 8 月 31 日提交的会议提案中；会议于 1956 年夏举行。研究者提出一个大胆假设：学习、推理和智能的其他特征，原则上都能被精确描述并由机器模拟。
为什么重要这不是第一台智能机器，而是人工智能作为独立学科的制度性起点。
A BRIEF HISTORY OF ARTIFICIAL INTELLIGENCE
人工智能
发展历史
从 1956 年达特茅斯会议出发，沿着繁荣、寒冬与复兴，读懂生成式 AI 如何一步步来到今天。
68+年发展跨度
15组原文事件
19位关键人物
2次人工智能寒冬
一条不只向上的曲线
人工智能史不是持续加速的直线。它在宏大承诺、技术瓶颈、资金收缩和方法突破之间反复摆动。本页只使用原文已经出现的历史事件，并补充经核实的日期、人物分工与影响。
主要事件人物档案可核查来源
核实来源：Dartmouth 官方档案 ↗
1956—1974
符号主义的黄金开局
研究者尝试把推理写成符号与规则，让机器证明定理、解题并模拟人的思考过程。
Logic Theorist 于 1956 年展示机器可以证明数学定理；随后出现通用问题求解器（GPS）。早期成果让研究界相信，通用机器智能可能很快到来。
为什么重要确立了“知识表示 + 搜索 + 推理”的经典 AI 路线，也埋下了过度乐观的预期。
1969
《感知机》揭示单层网络局限
明斯基与帕普特系统分析感知机，指出单层结构无法解决某些简单分类问题。
这些结论针对的是当时的单层感知机，但在有限算力、数据和训练方法的背景下，外界常把它理解为对神经网络路线的整体否定。
为什么重要神经网络研究热度下降，符号主义仍占主流。
1974—1980
承诺未兑现，资助迅速收缩
早期系统在真实世界中暴露出组合爆炸、常识缺失和计算资源不足等问题。
机器翻译、通用推理等方向远未达到此前承诺；批评性评估与预算收紧叠加，人工智能进入第一次低潮。
为什么重要AI 第一次经历“高预期—低兑现—资金退潮”的周期。
1960s—1980s
把专家知识写进机器
DENDRAL、MYCIN 等系统把领域知识编码为规则，在化学分析与医学诊断等窄领域取得令人信服的结果。
专家系统不追求通用智能，而是用知识库与推理机复刻专业判断。进入 1980 年代后，商业应用与专用硬件推动这一方向快速扩张。
为什么重要AI 第一次以可部署系统进入组织业务，但知识获取和维护成本极高。
1986
反向传播让多层网络重新可训练
鲁梅尔哈特、辛顿与威廉姆斯在 Nature 发表论文，清晰展示误差反向传播如何学习内部表征。
反向传播并非 1986 年首次被提出，但这篇论文极大推动了方法的传播与神经网络研究复兴。
为什么重要多层神经网络有了有效训练路径，为此后的深度学习奠定方法基础。
事件人物
1987—1993
专家系统泡沫破裂
专用 AI 硬件市场崩塌，专家系统暴露出脆弱、昂贵和难维护的问题。
通用工作站取代昂贵的 Lisp 机器，企业项目回报不及预期，研究经费和产业热情再次下降。
为什么重要第二次寒冬把行业注意力拉回可验证的性能与成本。
1994—1999
自动驾驶、深蓝与 AIBO
AI 从实验室走上公路、棋盘与家庭：ALV 公路测试、深蓝击败世界冠军、索尼推出 AIBO 机器狗。
1997 年 5 月，IBM 深蓝在六局重赛中以 3.5:2.5 战胜卡斯帕罗夫；1999 年，AIBO 让消费级自主机器人进入大众视野。
为什么重要机器智能第一次通过高关注度事件成为公共文化的一部分。
2006
“深层”网络重新获得可行训练方法
辛顿及其合作者发表两篇重要论文，用逐层预训练等方法改善深层网络的优化问题。
这些工作让“deep learning”重新成为研究焦点；随着数据规模和计算能力提升，神经网络开始持续突破。
为什么重要算法、数据与算力三条曲线开始汇合。
2012
AlexNet 改写计算机视觉
AlexNet 以显著优势赢得 ImageNet 竞赛，证明大规模数据、GPU 与深层卷积网络的组合威力。
网络由克里泽夫斯基、苏茨克维和辛顿完成。它把深度学习从有潜力的研究方向，推向计算机视觉主流。
为什么重要深度学习浪潮由学术突破迅速扩散到产业。
事件人物
2016
AlphaGo 战胜李世石
AlphaGo 在首尔五番棋中以 4:1 战胜李世石，把深度神经网络、搜索与强化学习带到世界舞台。
围棋长期被视为机器难以征服的复杂领域；这场比赛让公众直观看到学习系统的能力边界正在移动。
为什么重要AI 的社会影响力和战略关注度显著上升。
2017
Transformer：注意力成为核心
《Attention Is All You Need》提出 Transformer，以自注意力替代循环结构处理序列。
并行训练效率与长距离依赖建模能力，使 Transformer 很快成为大规模语言模型的核心架构。
为什么重要它直接打开了此后 GPT 系列与生成式 AI 的技术通道。
2018—2020
GPT-1、GPT-2、GPT-3：规模化语言模型
同一条技术路线连续放大：先在海量文本上预训练，再通过少量示例或指令完成多种语言任务。
GPT-1 验证生成式预训练；GPT-2 展示通用文本生成能力；GPT-3 以 1750 亿参数强化少样本学习表现。
为什么重要自然语言处理从“为每项任务单独训练”，转向“一个基础模型适配多项任务”。
2022
ChatGPT 把生成式 AI 带给大众
2022 年 11 月 30 日，ChatGPT 以研究预览形式发布，对话式交互大幅降低了使用大模型的门槛。
它将模型能力组织成自然语言对话，迅速进入教育、编程、写作与办公等场景，也把可靠性、版权和治理问题推到台前。
为什么重要AI 从行业工具转变为数亿普通用户可以直接使用的通用界面。
2018 / 2024
从图灵奖到诺贝尔奖
2018 年图灵奖授予本吉奥、辛顿与勒昆；2024 年诺贝尔物理学奖授予霍普菲尔德与辛顿。
前者表彰深度学习的概念与工程突破，后者表彰以物理学工具奠定机器学习基础的方法。奖项确认了神经网络研究跨越数十年的科学影响。
为什么重要曾在寒冬中被边缘化的路线，成为现代 AI 的核心基础。
事件人物
“今天看似突然到来的智能，背后是近七十年的方法积累、失败修正与规模突破。”
从符号规则到神经网络，从专家系统到基础模型，AI 的每一次跃迁都不是孤立事件。真正推动历史前进的，是算法、数据、算力与社会需求在特定时刻的汇合。
返回起点 ↑