七十年前，几个年轻的学者在达特茅斯的校园里争论着一个词能否成立；七十年后，人手一台设备里住着能写诗、画图、聊天的”智能”。人工智能这段历史，从来不是一条笔直向上的技术曲线，而是由无数次豪赌、寒冬与复兴交织而成的潮起潮落。作为一个亲历了这波大模型浪潮的程序员，想借这篇文章，把这七十年的故事认真梳理一遍。

AI七十年：从机房到神经网络

一、孕育期：机器能否思考（1943–1955）

故事的种子比”人工智能”这个名字还要早。

1943 年，麦卡洛克（McCulloch）和皮茨（Pitts）提出了第一个人工神经元数学模型，证明简单的阈值单元连成网络原则上可以完成计算——神经网络的思想由此诞生。同一时期，维纳的控制论、香农的信息论相继问世，”用机器模拟智能”在哲学和工程两个层面都做好了准备。

1950 年，图灵在《计算机器与智能》一文中提出了著名的图灵测试：如果一台机器在对话中让人无法分辨它是人还是机器，我们是否有理由称它”会思考”？这篇文章没有给出答案，却立起了此后七十多年整个领域的总靶子。

二、第一次黄金时代：符号主义的豪情（1956–1974）

1956 年的达特茅斯会议被公认为人工智能的诞生日。麦卡锡、明斯基、香农、罗切斯特等一批顶尖头脑聚在一起，第一次使用了”Artificial Intelligence”这个词。与会者大多持符号主义立场：智能即符号的操纵，推理即逻辑的推演。乐观情绪高涨，西蒙预言”二十年内机器可以胜任人类任何工作”，明斯基甚至说”一代之内创造人工智能的问题将基本解决”。

这个年代诞生了诸多”第一次”：第一个 AI 程序”逻辑理论家”证明了《数学原理》中的多条定理；塞弗里奇编写了模式识别程序；1966 年，魏泽鲍姆的 ELIZA 用几行规则模拟心理医生聊天，竟让无数人对着机器倾诉心事——魏泽鲍姆本人对此深感震惊，写下了《计算机能力与人类理性》警告世人。

也是在此时，1958 年罗森布拉特发明了感知器，用硬件实现了最简单的神经网络学习，轰动全美，《纽约时报》报道称”海军期望它能走路、说话、观看、书写、自我繁殖并意识到自身的存在”。

三、第一次寒冬：理想的破灭（1974–1980）

泡沫很快破裂。

1969 年，明斯基和帕普特出版《感知器》，用数学证明单层感知器连 XOR 这样简单的问题都无法解决，而多层网络的训练方法当时并不存在——神经网络路线遭到重创。与此同时，符号主义路线撞上了”组合爆炸”的墙：穷举推理在面对现实规模的问题时计算量指数级膨胀。

1973 年，英国数学家莱特希尔受政府委托发布报告，直言 AI 除少数领域外”令人大失所望”。拨款骤减，实验室关门，创业公司倒闭。第一次 AI 寒冬来临，直到八十年代才回暖。

四、专家系统的春与秋（1980–1987）

寒冬之后复活 AI 的，是知识工程。学者们转变思路：智能不只能从第一性原理推出来，也可以从人类专家的经验规则中来。于是”专家系统”粉墨登场——把领域专家的知识编码成规则库，配上推理引擎。

最著名的是 DEC 公司的 XCON 系统，它自动为新计算机系统配置零部件，每年为公司省下数千万美元。日本政府更是在 1982 年启动”第五代计算机”国家计划，举国攻关逻辑编程。一时间，AI 产业的第一波商业化浪潮席卷而来。

但专家系统的致命伤很快暴露：规则全靠人工编写，知识获取是瓶颈；系统脆弱，规则之间相互冲突、难以维护，无法从经验中学习。1987 年，专用 AI 硬件市场崩塌，第二次寒冬接踵而至。

五、机器学习转向：让数据说话（1986–2011）

两次寒冬让学界明白一件事：与其教机器规则，不如让机器自己从数据中学规律。

1986 年，鲁梅尔哈特、辛顿和威廉姆斯系统阐述了反向传播算法，多层神经网络的训练难题在原理上被攻克，连接主义东山再起。九十年代以后，统计学习成为主流：万普尼科的支持向量机、概率图模型、集成学习（AdaBoost、随机森林）各领风骚。1997 年，IBM 的”深蓝”以暴力计算击败国际象棋世界冠军卡斯帕罗夫，让全世界第一次直观感受到机器的厉害。

不过真正的质变要等待两样东西成熟：数据与算力。

2006 年，辛顿提出深度信念网络，”深度学习”正式命名；2009 年，李飞飞团队发布 ImageNet——千万级标注图像数据集，为视觉学习提供了练兵场；与此同时，GPU 的并行计算能力在游戏产业的推动下突飞猛进，阴差阳错地成了神经网络的加速器。

六、深度学习革命：一夜之间的颠覆（2012–2016）

2012 年 9 月 30 日，多伦多大学的 Hinton 带着学生克拉连科和萨泽夫斯基，用深度卷积神经网络 AlexNet 参加 ImageNet 图像识别竞赛，以碾压式优势夺冠——错误率比第二名低十个百分点。整个计算机视觉界目瞪口呆，学界后辈回忆当时的感觉：”像是有人突然告诉你，火箭可以烧煤了。”

深度学习革命：神经网络、围棋与GPU

此后几年，深度学习以旋风之势扫荡各个领域：2014 年，Goodfellow 提出生成对抗网络（GAN），机器开始学会”无中生有”地生成图像；同年，序列到序列（Seq2Seq）模型与注意力机制登上机器翻译的舞台，为后来的大模型埋下最关键的一块基石；2015 年，残差网络（ResNet）把网络深度推到上百层甚至上千层。2016 年，AlphaGo 以 4:1 击败李世石，第 37 手那步充满”创造力”的五路尖冲，让全世界见证了直觉——这种曾被认为是人类专属的领地——也能被机器习得。

七、Transformer 与大模型时代（2017–2021）

2017 年，谷歌发表论文《Attention Is All You Need》，提出 Transformer 架构。它完全抛弃循环结构，仅靠自注意力机制处理序列，训练可以大规模并行——这恰好是 GPU 最喜欢的姿势。事后回看，这是深度学习史上最重要的架构创新，没有之一。

Transformer 与大模型时代

接下来的故事沿着 Scaling Law 的剧本高速推进：

  • 2018：BERT 与 GPT-1 问世，”预训练 + 微调”范式确立；
  • 2020：OpenAI 发布 GPT-3，1750 亿参数，展示了纯规模扩张带来的”涌现”能力——不专门训练，也能翻译、答题、写代码；
  • 2021：DALL-E 让文字生成图像，GitHub Copilot 把 AI 编程助手带入日常。

八、生成式 AI 爆发：寒武纪大爆炸（2022–2023）

2022 年 11 月 30 日，OpenAI 发布 ChatGPT。据传上线 5 天用户破百万，两个月破亿，成为当时历史上增长最快的消费级应用。普通人第一次发现：AI 不再是实验室里的专利或工厂里的机械臂，而是一个随时能聊、有问必答的”万事通”。

紧接着是寒武纪般的爆发：Stable Diffusion 开源，文生图飞入寻常百姓家；GPT-4 发布，多模态与推理能力大幅跃升；LLaMA 开源引发全球复现浪潮，中美大模型竞相登场；微软、谷歌把 AI 全面植入办公与搜索产品。2023 年因此被称为”生成式 AI 元年”。

九、当下与展望：从对话到行动（2024 至今）

站在今天回望，浪潮仍在加速：

  • 推理模型：从”快思考”走向”慢思考”，o1、DeepSeek-R1 等模型学会在给出答案前进行长链推理，数学与代码能力大幅提升；
  • 智能体（Agent）：AI 不再满足于聊天，而是开始调用工具、规划任务、自主执行——从”会说”到”会做”；
  • 多模态与具身智能：文字、图像、视频、语音被统一建模，AI 正在走出屏幕，进入机器人身体；
  • 开源与闭源的竞逐：开源模型能力紧追闭源前沿，推理成本持续下降，AI 普惠成为可能。

回头看这七十年，有三条经验格外值得铭记：

  1. 智能的载体不止一种。符号主义、连接主义、行为主义轮流坐庄，最终是”数据驱动的连接主义 + 大规模算力”胜出，但每一次技术路线之争都推动了认知的边界。
  2. 寒冬孕育着春。每一次泡沫破裂，都倒逼领域回归本质问题——寒冬之后的转向（专家系统、统计学习、深度学习）反而更扎实。
  3. 智能的下限比想象低，上限比想象高。深蓝让人们以为 AI 只能暴力计算，AlphaGo 展示了直觉可习得，ChatGPT 展示了语言即智能的接口——而通用智能的故事，显然还没到终章。

结语

从达特茅斯会议的一张合影，到此刻正在改变世界的大模型，人工智能走过了七十年。图灵当年的问题——“机器能否思考”——依然没有标准答案，但提问本身已经改变了人类文明的走向。作为这个时代的程序员，我们既是这场潮起的见证者，也是推波助澜的一滴水。且行且看。

因为慢，所以能欣赏一路的风景。AI 的七十年如此，写代码的人生亦如此。