AI 发展简史

这段历史不用背年份。真正要看懂的只有一件事：每一代技术，都是因为上一代「还得人来干」的那一段撑不住了。那条线一直在往右移，但从没消失过。

一条一直在移的线

每个时代的 AI，都由两部分拼成：人来干的那一段，和机器自己学的那一段。技术进步的全部内容，就是这条分界线往右挪。

挪动的动力也一直是同一个：人来干的那一段，干不完了。规则写不完，就让机器从数据里学；特征设计不完，就让网络自己提取；每个任务单独训一个模型也训不完，就干脆训一个底座，靠提示词改用途。

这个视角比记年份有用得多。因为它同时回答了一个更实际的问题：每一次挪动，值钱的技能也跟着换了一批。

四次转移

第一段：人把规则写进去。早期研究者相信，只要把知识表示成符号，再写足够多的推理规则，机器就能表现出智能。专家系统在边界清楚的专业领域确实管用——医疗诊断、设备排障，这些地方规则有限、专家说得清。

它撞的墙叫知识获取瓶颈：现实里的例外太多，规则越写越多，改一条就牵动一片。维护成本随规模爆炸。所谓「AI 寒冬」，指的是投入和期望回落，不是研究停了——底下的工作一直在做。

第二段：让机器从样本里学。机器学习不再要求人写出每条判断规则，改成给一堆带答案的数据，让算法自己找输入和答案之间的统计关系。瓶颈从「写规则」挪到了「准备数据、设计特征」。

这一段里人干的活最琐碎：要判断一封邮件是不是垃圾邮件，得由人想出「包含多少感叹号」「发件人是否在通讯录」这类特征，一个个喂给算法。特征设计得好不好，直接决定效果。这门手艺当年很值钱。

第三段：让网络自己学表示。深度学习用多层神经网络，从原始数据里逐层自己提取特征——人不用再想「该看哪些特征」了。2012 年 AlexNet 在大规模图像分类上的结果，让「GPU + 大数据 + 深层网络」这个组合成为主流。

但它还有个没解决的问题：每个任务都得单独训一个模型。做图像分类训一个，做翻译训一个，做情感分析再训一个，每个都要自己的标注数据。任务是无限的，模型训不完。

第四段：先训一个底座，再改用途。2017 年的 Transformer 让大规模语言训练变得容易并行，规模化才真正跑起来。做法变成：先用海量文本训一个通用底座，学到语言本身的规律；然后同一个模型，靠换提示词就能干不同的活——不用重新训练。

今天的大模型就是这条路走到规模化之后的结果。人干的那一段被压缩到了最短，但它还在，只是内容变了：定义任务、准备上下文、验收结果。

六个节点

如果需要一条时间线放进材料里，这六个够用了。

对做产品的三个提醒

一、能力进步和可靠性进步不是一回事。每一轮浪潮都是先出现亮眼的演示，隔一段时间才慢慢补上评估、流程和安全工程。你今天看到的惊艳 demo，离能上线通常还差这一整段。判断一个 AI 功能能不能做，别看演示，看它在哪个成熟度档位上。

二、旧范式不会消失，只会各就各位。规则仍然最适合权限、计费、风控这类必须百分百确定的地方；统计模型仍然最适合稳定的分类任务；大模型适合处理开放的自然语言。成熟产品往往是三者混用——把该确定的地方交给规则，别什么都丢给模型。

三、每次扩张都会换来一个新瓶颈。规则时代缺知识，机器学习时代缺标注，深度学习时代缺算力，而基础模型时代缺的是：高质量的上下文、可验证的反馈、可控的行动边界。

这三样恰好都不是模型能力问题，是产品定义问题。这就是为什么今天最值钱的不是会调参的人，是能把任务说清楚、把验收标准定明白的人。那条红线移到了你脚下。

资料来源

• Alan Turing，Computing Machinery and Intelligence（1950）——「模仿游戏」的原始论文
• Dartmouth College：1956 年研讨会与「人工智能」这一名称的由来
• Krizhevsky、Sutskever、Hinton，ImageNet Classification with Deep Convolutional Neural Networks（2012）——AlexNet
• Vaswani 等，Attention Is All You Need（2017）——Transformer
• Google DeepMind：AlphaGo 的技术说明与比赛记录

资料基准：2026 年 8 月。时间线上的节点以上述一手资料为准；对「哪一代解决了什么、留下了什么」的归纳是本文的观点，不是原文结论。