1943年：神经网络的雏形
科学家麦卡洛克（Warren McCulloch）和皮茨（Walter Pitts）提出首个神经元数学模型，模仿人脑神经元的运作，成为神经网络的基础。
1950年：图灵测试
计算机科学之父艾伦·图灵（Alan Turing）提出“图灵测试”：如果一台机器能通过对话让人类误以为它是真人，则认为它具有智能。这一概念至今仍是衡量AI的重要标准。
1956年：达特茅斯会议与AI诞生
一群科学家在美国达特茅斯学院开会，由约翰·麦卡锡等人主持，首次正式提出“人工智能”（Artificial Intelligence）这一概念，标志着AI成为一门独立学科。
1966年：第一个聊天机器人
MIT开发了ELIZA，一个能模拟心理医生的聊天程序。虽然只是简单匹配关键词，但让人们第一次感受到“机器对话”的魔力。
1970年代：专家系统兴起
符号主义AI：这一阶段的AI着重于通过规则、符号和逻辑推理来模拟人类智能，代表性技术包括专家系统（Expert Systems）。专家系统能够在特定领域内模拟人类专家的决策过程，并用于医疗、金融等行业。
机器推理和知识表示：例如，决策树、规则推理系统，标志着AI在逻辑推理上的进展。
专家系统兴起：科学家尝试让AI模仿人类专家的知识，比如医疗诊断系统MYCIN，能通过规则库判断细菌感染类型并推荐药物。
1980年代：专家系统热潮和低谷
专家系统黄金时代：随着规则库和推理引擎的不断完善，专家系统成为AI应用的主流。
第一次寒冬：人们发现，专家系统具有很大的局限性，仅靠规则库无法解决复杂问题（比如识别一只猫）。由于技术瓶颈和公众期望过高，AI研究未能取得预期进展，导致资金支持减少，研究热情下降。这段时期被称为人工智能第一次寒冬。
1980年代后期：神经网络复兴和停滞
1986年，反向传播算法的提出标志神经网络复兴：1960年代，虽然神经网络有了初步的构建，但早期的神经网络（如感知机）未能取得预期成果。1986年，David Rumelhart、Geoffrey Hinton和Ron Williams等科学家提出了误差反向传播（Backpropagation）算法。随着反向传播算法的提出，神经网络开始复兴。这一算法成为了深度学习的核心。自此，神经网络模型不断发展和创新。
第二次寒冬：尽管反向传播算法带来了巨大的技术突破，但神经网络的研究经历了一个停滞期，主要的原因是缺乏足够的数据和资金支持。虽然模型的理论在不断发展，但没有足够的实践应用支持这些模型的成长，研究人员也无法获得足够的数据来训练和验证这些模型。
时代背景——数据和计算能力的飞跃：随着互联网的普及，大数据时代到来，数据的获取变得更加容易。云计算的兴起提供了强大的计算能力，深度学习的时代来了。
1997年：深蓝击败国际象棋冠军
IBM的超级计算机深蓝战胜世界冠军卡斯帕罗夫，证明AI在规则明确的领域能超越人类。
1998年：神经网络模型进一步发展
LeNet-5 是最早的卷积网络架构之一，于 1998 年用于文档识别。
长短时记忆网络（LSTM）解决了传统RNN在处理长序列时的梯度问题。
2011年：深度学习在图像识别、语音识别、自然语言处理等领域进行应用
Siri（苹果）和Alexa（亚马逊）等语音助手普及，AI进入日常生活。
谷歌启动自动驾驶汽车项目，AI开始挑战复杂环境下的决策。
2012 年：卷积神经网络（ConvNet，CNN）架构兴起
ImageNet 挑战赛的唯一目标是评估大型数据集上的图像分类和对象分类架构。在挑战赛上，AlexNet 大放异彩，以 15.3% 的 Top 5 低错误率赢得了ImageNet 挑战赛，这几乎是之前获胜者错误率的一半。AlexNet 由 5 个卷积层、最大池化层、3 个全连接层和一个 softmax 层组成。
随后的几年里，CNN架构不断变得更大并且工作得更好。有 19 层的 VGG 以 7.3% 的错误率赢得了挑战。2015 年，ResNet（Deep Residual Networks）将错误率降低到 3.6%，并表明通过残差连接，我们可以训练更深的网络（超过 100 层），在此之前，训练如此深的网络是不可能的。
自此之后深度学习成为主流技术。
2014-2017年：计算机视觉领域的AI技术突破
2014年-深度生成网络：用于从训练数据中生成或合成新的数据样本，例如图像和音乐。生成网络有很多种类型，但最流行的类型是由 Ian Goodfellow 在 2014 年创建的生成对抗网络 (GAN)。
2016年-强化学习与AlphaGo：谷歌DeepMind的AlphaGo通过深度强化学习击败了围棋世界冠军李世石，标志着AI在复杂战略游戏中的胜利，引发了全球对AI的关注。
2017年：Transformer 架构诞生
2017年，一种完全基于注意力机制的新神经网络架构横空出世——Transformer。Transformer 不使用循环网络或卷积。它采用自注意力机制（Self-Attention）来处理序列数据，极大地提高了模型处理长序列的能力。Transformerz最初为自然语言处理（ NLP）领域而设计，在 NLP中，它被用于机器翻译、文本摘要、语音识别、文本补全、文档搜索等。目前它也在改变着计算机视觉领域，并扩展到其他领域。
时代背景——算力、数据与算法的融合突破：云计算、分布式训练技术和海量互联网数据的积累，使得训练超大规模神经网络成为可能。以Transformer为核心的模型架构革新，推动AI从“任务专用”迈向“通用能力”探索。
2018年：预训练语言模型崛起
BERT与双向语言理解：谷歌提出BERT（Bidirectional Encoder Representations from Transformers），首次通过“遮蔽语言模型”实现双向上下文理解。BERT在11项自然语言处理任务中刷新记录（如问答、文本分类），成为NLP领域里程碑，验证了“预训练+微调”范式的潜力。
GPT-1开启生成式AI之路：OpenAI发布GPT-1（Generative Pre-trained Transformer），基于单向Transformer解码器，通过无监督预训练生成连贯文本，为后续GPT系列奠定基础。
2019-2020年：模型规模指数级增长
GPT-2与生成能力的突破：OpenAI推出GPT-2（15亿参数），因生成逼真文章引发伦理争议。其“零样本学习”能力表明，大模型无需任务微调即可完成翻译、摘要等任务。
GPT-3——规模即能力：GPT-3（1750亿参数）在2020年发布，凭借海量参数和广泛数据，仅需少量示例即可完成复杂任务（如写代码、写诗），标志“少样本学习”成为现实。
多模态探索萌芽：微软发布Turing-NLG、谷歌推出T5，尝试统一文本任务的模型架构；同时，ViT（Vision Transformer）证明Transformer在图像领域的潜力，打破CNN主导格局。
2021-2022年：多模态与通用AI的爆发
CLIP与DALL·E——连接文本与图像：OpenAI的CLIP模型通过对比学习对齐文本-图像语义，支持零样本图像分类；DALL·E则可从文本描述生成高质量图片（如“穿太空服的柯基犬”），开启AI创作时代。
AlphaFold2——AI驱动科学革命：DeepMind的AlphaFold2破解蛋白质折叠难题，精准预测98.5%人类蛋白质结构，被《科学》杂志评为年度突破，AI开始颠覆基础科学研究。
ChatGPT——对话AI的全民普及：2022年底，OpenAI推出ChatGPT（基于GPT-3.5），凭借流畅对话和逻辑推理能力引爆全球关注，两个月用户破亿，成为史上增长最快的消费级应用。
2023年至今：AGI探索与生态竞争
GPT-4与多模态通用能力：GPT-4支持图像输入和文本输出，在律师考试、学术测试中超越90%人类，且能理解幽默与隐喻，被OpenAI称为“通往AGI（通用人工智能）的早期步骤”。
开源与商业化浪潮：Meta开源LLaMA系列模型，降低大模型研发门槛；谷歌发布PaLM 2、Anthropic推出Claude 2，企业竞逐“模型即服务”市场。
AI伦理与监管框架启动：欧盟通过《人工智能法案》，全球多国制定AI安全准则，焦点集中于大模型的偏见、隐私、就业冲击与失控风险。
小结：从最初的简单计算程序，到今天能对话、创作，这段旅程远比我们想象的更加精彩。2023年以来，AI技术正以惊人的速度融入我们的生活。针对2023年以来的AI发展，难以用简短的文字在本篇中总结。后续将单独发布文章详细展开。
| 欢迎光临 链载Ai (https://www.lianzai.com/) | Powered by Discuz! X3.5 |