前言

2022 年底，ChatGPT 横空出世，一夜之间让「人工智能」从科技圈的小众话题，变成全民热议的时代风口。

写文案、做设计、编代码、解难题……AI 突然像水电煤一样，成为普通人触手可及的生产力工具。

但很少有人知道，这股 AI 浪潮背后，是跨越近百年的理论探索、三次技术路线的激烈博弈、两次产业寒冬的残酷淘汰，以及无数科学家用毕生心血堆砌的技术基石。

今天，小 D 将用「史料 故事 技术 逻辑」四维视角，带你穿越 AI 的 70 年发展史：

从图灵在二战硝烟中设计的密码机，

到达特茅斯会议上「人工智能」的正式定名；

从符号主义的规则困局，到连接主义的深度学习革命；

从两次 AI 寒冬的至暗时刻，到 Transformer 架构引爆的大模型时代。

这不仅是一篇技术科普，更是一部关于人类探索「机器思考」边界的史诗 —— 看懂它，你才能真正理解：为什么 AI 偏偏在今天爆发？未来它将如何改变我们的世界？

一、理论源头：图灵的密码机与「机器思考」之问（1936-1950）

AI 的故事，要从一个天才数学家的孤独思考开始。

1936 年，24 岁的艾伦・图灵发表《论可计算数及其在判定问题中的应用》，提出了图灵机这一抽象数学模型。这个看似简单的构想，却从数学上证明了：任何可计算的问题，都能通过一台遵循固定规则的机器来解决。这一发现，不仅奠定了现代计算机的理论基础，更埋下了「机器可能拥有智能」的思想种子。

彼时的图灵或许不会想到，他的理论很快将在二战的烽火中接受实战检验。1939 年，他受邀加入英国布莱切利庄园的密码破译团队，负责破解纳粹德国的 Enigma 密码机。图灵设计的「炸弹机」（Bombe），本质上就是一台早期专用 AI 设备—— 它能模拟 Enigma 的加密过程，通过暴力搜索与逻辑推理，自动破解德军的加密通信。

正是这台机器，帮助盟军提前两年结束二战，拯救了至少 1400 万人的生命。而这段经历，也让图灵更加坚信：机器不仅能计算，还能推理、决策、解决复杂问题。

1950 年，图灵在《计算机器与智能》中抛出了那个振聋发聩的问题：机器能思考吗？ 他没有纠结于「意识」这种哲学难题，而是提出了著名的「图灵测试」：如果一台机器的交互表现，能让 30% 以上的人类评委无法区分它和真人，那么我们就可以认为这台机器具有智能。

这一阶段，AI 还没有正式名称，但「用机器模拟人类认知」的核心命题已经确立。同时，神经科学与信息论的突破为后续研究铺平道路：1943 年，麦卡洛克与皮茨提出 MCP 神经元模型，首次用数学公式描述神经元的工作原理，为人工神经网络埋下伏笔；1948 年，香农创立信息论，让机器处理语言、符号等非结构化信息成为可能。

二、学科诞生：达特茅斯会议，10 位天才定义 AI（1956）

1956 年夏天，美国新罕布什尔州的达特茅斯学院，一场为期两个月的研讨会正在举行。参会者只有 10 人，却堪称计算机科学与 AI 领域的「全明星阵容」：

约翰・麦卡锡（John McCarthy）：会议发起人，后来被誉为「AI 之父」，提出「人工智能」术语马文・明斯基（Marvin Minsky）：MIT 人工智能实验室创始人，后来的图灵奖得主克劳德・香农（Claude Shannon）：信息论创始人，「数字时代的奠基人」赫伯特・西蒙（Herbert Simon）与艾伦・纽厄尔（Allen Newell）：逻辑理论家程序发明者，首次实现机器定理证明

麦卡锡在给洛克菲勒基金会的申请书中写道：「学习的每个方面，或智能的任何其他特征，原则上都可以被精确描述，从而能够制造机器来模拟它。」基金会最终批准了 7500 美元资助（仅为申请额的一半），这笔钱勉强覆盖 10 位科学家两个月的食宿。

会议期间，麦卡锡正式提出「Artificial Intelligence（人工智能）」这一术语，标志着 AI 成为一门独立的交叉学科。他们确立了早期核心研究方向：

机器使用人类自然语言完成交互；用机器模拟神经元与神经网络结构；依靠逻辑推理实现自主决策与问题求解；机器具备自我学习与迭代优化能力。

会后，第一代 AI 研究路线 ——符号主义（Symbolicism）主导行业：核心逻辑是把人类的知识、规则、逻辑转化为机器可识别的符号与代码，让机器依靠「预设规则」完成推理运算。西蒙甚至乐观预言：「十年之内，机器将能完成人类能做的任何工作。」

早期代表成果迅速涌现：纽厄尔与西蒙开发的「逻辑理论家」程序，成功证明了《数学原理》中的 38 条定理；1966 年，MIT 的约瑟夫・魏泽堡开发出世界首个聊天机器人 ELIZA，能通过简单的模式匹配与人类进行心理治疗式对话，让许多用户误以为它真的理解自己。

三、第一次浪潮与寒冬：从狂热到幻灭，规则的牢笼（1956-1980）

1956-1970 年，AI 迎来第一波发展热潮。学界普遍乐观，媒体大肆渲染「机器人将统治世界」的科幻叙事，政府与资本纷纷入局。

但现实的瓶颈很快显现，且致命：

算力硬伤：当时的计算机，如 IBM 704，内存只有 4KB，运算速度仅为每秒千次级别，连简单的自然语言处理都难以支撑；组合爆炸：很多 AI 问题看似简单，可能性却随规模呈指数增长。比如国际象棋，合法走法就有 10^120 种，远超当时计算机的处理能力；常识鸿沟：符号主义高度依赖人工手写规则，无法处理模糊场景、常识性问题、非标准化场景。比如机器能理解「猫有四条腿」，却无法理解「猫不会开车」这种显而易见的常识；承诺失衡：早期研究者的激进预判（如「十年内超越人类智能」）与实际产出严重不符，导致公众与资本的信任崩塌。

1969 年，明斯基与派珀特出版《感知机》一书，以严格的数学证明揭示了单层感知机无法解决「异或」（XOR）等线性不可分问题，并对多层网络的可行性提出质疑。这一批判犹如当头棒喝，叠加当时计算资源的严重匮乏，使神经网络研究骤然降温。

1973 年，英国数学家詹姆斯・莱特希尔发表《莱特希尔报告》，严厉批评 AI 研究「成果远低于承诺」，英国政府随即削减 90% 的 AI 研究经费。美国 DARPA 也大幅缩减投入，资本集体退场，第一次 AI 寒冬正式到来。

这场寒冬持续了近十年，AI 从全民狂热快速进入长期蛰伏。学界开始反思：单纯依靠人工定义规则的「弱智能」没有未来，AI 必须走向数据驱动、自主学习的新路线。

四、第二次浪潮与寒冬：专家系统的兴与亡，垂直领域的困局（1980-1993）

1980 年代，专家系统（Expert System）兴起，AI 迎来第二波产业浪潮。核心逻辑依旧延续符号主义，但聚焦垂直领域：将医疗、化工、金融、制造等行业的专业知识封装进系统，替代专业人员做判断与决策。

彼时日本、欧美纷纷出台国家级 AI 战略：日本的「第五代计算机计划」投资 8.5 亿美元，旨在开发能与人对话、翻译、推理的智能计算机；美国企业如 DEC、IBM 也投入巨资开发专家系统。

商业化落地快速推进：DEC 公司的 XCON 系统，能自动配置 VAX 计算机，每年为公司节省 4000 万美元；医疗领域的 MYCIN 系统，能诊断血液感染并推荐抗生素，准确率达 69%，超过初级医生水平。

但结构性缺陷依旧无法突破：

领域割裂：一个专家系统只能适配单一行业，无法通用。开发一个新领域的系统，需要重新编写所有规则，成本极高；维护噩梦：行业知识更新速度快，规则库需要持续维护，往往一个小的行业变化就需要大规模重写代码；能力边界：无规则覆盖的陌生场景，系统会完全失效，没有自主学习能力，更无法处理不确定性问题。

1987 年，全球专家系统商业化大面积溃败：项目批量停工、企业倒闭、政策撤资。DEC 公司的 XCON 系统维护成本超过收益，最终被弃用；日本的「第五代计算机计划」耗资巨大却一无所获，于 1992 年宣告失败。第二次 AI 寒冬持续近二十年，AI 再次成为学术界的「冷门学科」。

两次寒冬，给整个行业留下关键共识：靠人工定义规则的路径走不通，AI 必须从「人工 智能」转向「数据 智能」。

五、范式切换：连接主义崛起，深度学习的逆袭（1990-2017）

1990 年后，AI 研究重心彻底转移，连接主义（Connectionism）逐步取代符号主义成为主流：不再依赖人工写死规则，而是模仿人脑神经元结构，搭建多层神经网络，依靠海量数据自动提取特征、自主训练、迭代优化。

这一转变的背后，是三重关键技术的突破：

算力革命：1990 年代，GPU（图形处理器）被发现极其适合并行计算，解决了神经网络训练的算力瓶颈。2007 年，NVIDIA 推出 CUDA 平台，让开发者能轻松使用 GPU 进行通用计算，AI 训练效率提升数百倍；数据爆发：互联网的普及，带来了文字、图像、音频、行为数据的海量沉淀，为 AI 提供了「学习素材」。2009 年，ImageNet 数据集发布，包含 1400 万张标注图片，成为计算机视觉研究的「炼金石」；算法突破：2006 年，杰弗里・辛顿（Geoffrey Hinton）提出「深度学习」概念，通过逐层预训练解决深层神经网络的梯度消失问题；2012 年，辛顿团队的 AlexNet 在 ImageNet 竞赛中，将错误率从 26% 降到 15.3%，碾压所有传统方法，标志着深度学习时代的正式到来。

这一阶段，AI 开始在语音识别、图像分类等领域取得突破性进展：2016 年，Google DeepMind 的 AlphaGo 击败围棋世界冠军李世石，让全世界看到了深度学习的巨大潜力。但此时的 AI，仍局限于单一任务，距离「通用智能」还有遥远距离。

六、第三次浪潮：Transformer 架构，大模型时代的「创世神话」（2017 - 至今）

2017 年，Google Brain 团队的 8 位科学家在 NeurIPS 会议上发表《Attention Is All You Need》（注意力就是你所需要的一切），提出了 Transformer 架构，这成为 AI 发展史上的又一个划时代转折点。

这篇仅 11 页的论文，彻底抛弃了被奉为圭臬的循环神经网络（RNN），只用一种名为「自注意力机制」的全新方法来处理语言。最初，许多人对此持怀疑态度 —— 毕竟 RNN 已经统治 NLP 领域十年之久。但 Transformer 凭借三大优势，迅速颠覆了整个行业：

并行计算：彻底解决 RNN 的串行依赖问题，训练效率提升数十倍；长距离依赖：自注意力机制能让模型在处理每个词时，「关注」输入序列中所有其他词的重要性，完美解决长文本理解难题；通用性强：同一架构可适配语言翻译、文本生成、图像理解等多种任务，为通用大模型奠定基础。

Transformer 的诞生，直接催生了预训练大模型的快速迭代：

2018 年，OpenAI 发布 GPT-1，参数量 1.17 亿，首次证明大规模预训练 微调的有效性；2019 年，GPT-2 参数量增至 15 亿，展现出惊人的文本生成能力；2020 年，GPT-3 参数量飙升至 1750 亿，成为首个真正意义上的「通用大模型」，能同时处理文本、代码、逻辑推理等多种任务；2022 年，ChatGPT 横空出世，通过 RLHF（人类反馈强化学习）技术，大幅提升了 AI 的对话流畅度与安全性，引爆全球 AI 热潮。

当下 AI 之所以能全面爆发，本质是三重条件同时成熟：

算法：Transformer 架构统一多模态底层逻辑；算力：云计算、超算、定制化 AI 芯片（如 NVIDIA A100）大幅降低训练与使用成本；数据：全网海量开源语料、行业数据、多维度素材，支撑模型预训练。

七、当下与未来：AI 不是取代人，而是重新定义「人」的价值

梳理 AI 七十年发展史会发现：它从来不是一条直线上升的捷径，而是「理想爆发 — 现实碰壁 — 路线重构 — 技术沉淀」的螺旋式升级。 前两次 AI 寒冬，冻死的

是浮躁的概念与落后的技术路线；而当下这一轮 AI 革命，是底层范式、基础设施、数据生态全面成熟后的必然结果。 很多人担心 AI 会取代人类工作，但历史早已给出答案：

第一次工业革命，蒸汽机取代了手工劳动，却创造了更多工厂岗位；第二次工业革命，电力与流水线提升了生产效率，催生了服务业的繁荣；第三次科技革命，计算机与互联网改变了商业模式，创造了程序员、产品经理等全新职业。

AI 的本质，是生产力工具的升级—— 它不会淘汰人，而是会淘汰不会用 AI 的人。未来没有「AI 行业」，只有「全行业 AI 化」。不管是办公、创作、设计、职场、副业，学会借助 AI，就是最简单的核心竞争力。

结尾

从图灵提出机器思考的猜想，到达特茅斯定义人工智能； 从符号主义的规则困局，到连接主义的数据革命； 从垂直小众的实验室技术，到人人可用的通用生产力工具。 AI 的故事，是人类对「智能」本质的永恒探索，更是一场关于勇气、坚持与创新的科技史诗。

关注锁定，持续输出 AI & 科技深度干货，让你在 AI 时代，看得更远、走得更稳。