1943
一颗神经元
麦卡洛克与皮茨用阈值逻辑描述神经元：输入加权求和，超过阈值就放电。它从未真的“思考”，但第一次把大脑放进了数学。
起点 1943 — 1956
先证明大脑可以被计算。
1948
控制论
维纳出版《控制论》，把“反馈”变成理解机器与生命的通用语言。行为主义的分支从这里出发。
1950
模仿游戏
图灵在《计算机器与智能》中提出：如果一段对话无法分辨对面是人还是机器，我们就不必追问它是否“真的”在思考。
1951
SNARC
明斯基与埃德蒙兹建成第一台神经网络模拟器，用 3000 个电子管、40 个神经元模拟学习。
1956
达特茅斯会议
麦卡锡、明斯基、香农等人在达特茅斯学院开了一场八周的暑期研讨会，“人工智能”从此有了名字。提案里写着：学习的每一个方面，原则上都可以被精确描述。
黄金年代 1956 — 1973
资金、乐观和第一台会聊天的机器。
1957
感知机
罗森布拉特造出可学习的感知机，用错分样本调整权重。当时的报道说，它终将“行走、说话、看见”。
1958
LISP
麦卡锡发明 LISP。此后三十年，它都是 AI 研究的母语。
1965
DENDRAL
斯坦福的专家系统雏形，用化学知识推断分子结构。“知识就是力量”第一次被写进程序。
1966
ELIZA
魏泽鲍姆写了一个只会模式匹配的“心理治疗师”。人们却向它倾诉心事。这种“被理解”的错觉，后来被称为 ELIZA 效应。
1969
异或问题
明斯基与佩珀特出版《感知机》，证明单层网络连异或都学不会。连接主义的第一次退潮，从一本书开始。
1972
SHRDLU
温诺格拉德的积木世界：机器第一次能理解指令、回答问题，并解释自己为什么这么做。
第一次寒冬 1973 — 1980
承诺兑现不了，钱先走了。
1973
莱特希尔报告
英国政府委托的报告直言：AI 的进展被严重高估。英国大幅削减资助，美国 DARPA 也收紧了自由研究经费。
1974
第一次 AI 寒冬
机器翻译、语音识别的承诺相继落空。此后约六年，“人工智能”在经费申请表上成了一个需要小心使用的词。
专家系统与第二次寒冬 1980 — 1993
规则能赚钱，但维护不起。
1980
专家系统登场
DEC 部署 XCON，用数千条规则为 VAX 机器做配置。AI 第一次证明自己能直接省钱。
1982
霍普菲尔德网络
物理学家霍普菲尔德用能量函数描述联想记忆，神经网络重新回到主流视野。
1986
反向传播
鲁梅尔哈特、辛顿、威廉姆斯把误差沿网络层层回传。多层网络终于可训练，“深度”有了意义。
1987
第二次 AI 寒冬
LISP 机器市场崩塌，专家系统的维护成本失控。五年内，大量 AI 公司关门。
1989
LeNet
杨立昆用卷积网络识别手写数字，后来撑起美国邮政与银行的支票识别。视觉 AI 找到第一份正经工作。
1992
TD-Gammon
特索罗用自我对弈的时序差分学习达到西洋双陆棋专家水平，强化学习的先声。
统计学习 1994 — 2011
少一点宣言，多一点数据。
1997
深蓝与 LSTM
IBM 深蓝以 3.5:2.5 击败卡斯帕罗夫。它靠的是每秒两亿个局面的暴力搜索，不是学习。同年，LSTM 问世。
2005
无人车跑完沙漠
斯坦福的 Stanley 用 6 小时 53 分跑完 212 公里沙漠赛道，赢得 DARPA 大奖赛。感知、规划、控制第一次在真实世界里闭环。
2006
深度学习改名
辛顿等人提出深度信念网络，用逐层预训练绕开梯度消失。“深度学习”开始取代“神经网络”。
2009
ImageNet
李飞飞团队发布超过 1400 万张标注图片。没人知道，它将成为下一次爆发的燃料。
深度学习 2011 — 2016
GPU 点燃引信。
2011
沃森与 Siri
IBM Watson 在《危险边缘》击败人类冠军；Siri 随 iPhone 4S 进入亿万人的口袋。
2012
AlexNet
多伦多大学的卷积网络在 ImageNet 上把 top-5 错误率打到 15.3%，第二名是 26.2%。两块 GPU，八层网络，一个时代的分水岭。
2013
word2vec
词被压成向量，“国王 - 男人 + 女人 ≈ 女王”。语义第一次可以被计算、被加减。
2013
DQN
DeepMind 用深度网络玩 Atari，只给像素和分数，学会 49 个游戏。深度强化学习登场。
2014
GAN
古德费洛提出生成对抗网络：一个网络造假，一个网络鉴别。生成式 AI 的种子被埋下。
2015
ResNet
何恺明等人的 152 层残差网络把错误率降到 3.57%，第一次低于人类约 5.1% 的水平。
2016
AlphaGo
4:1 击败李世石。第二局第 37 手，职业棋手以为是失误，事后被称为“来自未来的棋”。
大模型 2017 — 2022
注意力吃掉一切。
2017
Transformer
谷歌八位作者发表《Attention Is All You Need》。注意力取代循环，训练可以并行，规模开始成为方法。
2017
AlphaGo Zero
不用人类棋谱，从零自我对弈三天，以 100:0 击败 AlphaGo。经验可以从规则里长出来。
2018
BERT 与 GPT
预训练加微调成为标准动作。语言模型第一次能“读完整篇文章再回答”。
2019
GPT-2
OpenAI 以“太危险”为由分阶段发布。模型能力第一次成为公共政策话题。
2020
GPT-3 与 AlphaFold 2
GPT-3 用 1750 亿参数和少样本提示展现出意料之外的能力，规模定律从经验变成信仰。同年，AlphaFold 2 在 CASP14 上把蛋白质结构预测做到接近实验精度。
2021
CLIP 与 DALL·E
图像与文本被放进同一个向量空间。“用一句话生成一张图”从论文走进产品。
2022
ChatGPT
11 月 30 日上线。五天一百万用户，两个月一亿。生成式 AI 从实验室走进客厅。
2022
Stable Diffusion
开源扩散模型，消费级显卡也能生成图像。生成式 AI 迅速民主化，也把版权争议推向台前。
生成与推理 2023 — 2026
从会说到会做。
2023
GPT-4 与百模大战
多模态、考试级推理、插件与工具调用。中国一年内涌现出上百个大模型，“百模大战”开打。
2023
Llama 2
Meta 开放可商用权重，开源模型开始追上闭源前沿。生态的竞争从此有了第二条路线。
2024
多模态与诺贝尔奖
GPT-4o 把语音、视觉、文本压进同一个实时循环。霍普菲尔德与辛顿获诺贝尔物理学奖，哈萨比斯、江珀与贝克获化学奖。
2024
Sora
文本生成视频，世界模型与内容产业的边界同时被推开。机器开始“想象”连续的时空。
2025
推理与开源冲击
DeepSeek-R1 以开放权重展示长链推理，1 月 27 日英伟达单日市值蒸发约 5890 亿美元。模型开始“想得更久”。
2026
智能体 正在发生
竞争焦点从“回答问题”转向“完成任务”：写代码、查资料、操作软件、跑实验。赛道仍在延伸，终点尚未出现。
读法 · How to Read
看时间线，不要只看年份
年份只是坐标。真正决定走向的，是节点之间的间隔、谁在付钱，以及失败留下了什么。
同一条时间线，可以读成“英雄发明史”，也可以读成“技术、资本与承诺的错位史”。前者好看，后者更有用。
第一，看间隔，不看单点。1956 年到 1974 年隔了十八年，2012 年到 2017 年只隔了五年。间隔缩短，说明数据、算力和工程同时到位。间隔拉长，说明瓶颈不在想法。
第二，区分“演示”和“部署”。ELIZA 在 1966 年就能聊天，但它不理解任何一句话。一个系统能在发布会上演示，和它能在真实场景里稳定工作，是两件完全不同的事。
第三，看谁付钱。DARPA 付钱时，AI 长成研究项目；企业付钱时，AI 长成专家系统；消费者付钱时，AI 长成产品。钱的来源，决定了技术的形状。
第四，看失败留下了什么。两次寒冬没有留下“AI 无用”的结论，却留下了统计学习、知识表示、评估文化，以及一批后来重新出发的人。
第五，注意同一句话的含义变化。“机器会学习”在 1957 年指的是调权重，在 2026 年指的是预训练、强化学习和上下文适应。词没变，所指已经换了。
被折叠的十年 · The Quiet Decade
1990s 不是空白，
是换了一种赢法
第二次寒冬之后，AI 从 headlines 里消失，却在语音、文本、金融风控和推荐系统里 quietly 长大。
1987 年之后，“AI”这个词很难拿到经费。研究者不再宣称要造出通用智能，而是把统计方法带进具体任务：语音识别用隐马尔可夫模型，机器翻译用统计对齐，文本分类用支持向量机，垃圾邮件过滤用朴素贝叶斯。
这些工作看起来不性感，却建立了三件后来极其重要的东西：可复现的基准、统计意义上的评估、以及把误差当作研究对象的习惯。深度学习时代最稀缺的不是想法，而是能衡量进步的标尺。
1995 年，Cortes 与 Vapnik 提出支持向量机；1998 年，Pearl 的贝叶斯网络已经成为不确定性推理的标准工具；2001 年，随机森林把集成学习带进工程实践。它们没有“智能”的宏大叙事，却让机器在大量真实任务上第一次稳定可用。
所以，1990s 不是 AI 的空白页，而是它的成人礼：从“证明机器能思考”，转向“让机器在某个任务上比昨天更好”。
一个反事实：如果没有 1990s 的统计学习与评估文化，2012 年的 AlexNet 很难被快速认定为进步——因为没有可信的基准，就没有可比较的胜利。
机制 · Three Accelerations
三次加速，
三种不同的瓶颈
每一次浪潮都不是“算法突然变强”，而是算法、数据、算力中的某两个先到位，第三个随后补上。
1956 — 1974 · 符号与经费
逻辑、搜索和 LISP 让“用规则模拟推理”看起来可行。瓶颈是常识与组合爆炸，而经费在承诺落空后迅速撤退。
1980 — 1987 · 规则与商业
专家系统把知识写成规则，第一次直接省钱。瓶颈是维护成本：规则越多，冲突越多，知识工程师越贵。
2012 — 今天 · 数据、GPU 与架构
ImageNet 提供数据，GPU 提供算力，反向传播提供方法。Transformer 再把“做大”变成可并行的工程路线。
三次加速的共同点，不是某个天才的灵光，而是三个变量同时越过门槛。当只有算法到位，演示很惊艳，部署很昂贵；当只有算力到位，模型很大，数据不够；当只有数据到位，标注很多，方法学不会。
这也是为什么“AI 什么时候会再次突破”很难预测：你很难同时观察三个变量的斜率，更难判断它们什么时候会交叉。
祛魅 · Overrated Moments
四个被高估的瞬间
它们都真实发生过，也都被当时的人过度解读。理解它们，比记住年份更重要。
ELIZA（1966）
模式匹配加一点话术，就能让人产生“它懂我”的错觉。今天的大模型更强，但“流畅”与“理解”之间的缝隙并没有消失。
专家系统（1980s）
规则在封闭领域极其有效，一旦遇到边界情况就迅速失效。知识不是免费的，维护知识的人比写程序的人更贵。
聊天机器人（2016）
上一轮对话产品的繁荣，很多靠的是脚本、模板和人工兜底。它们证明了界面有价值，却没有证明理解已经解决。
基准分数（2024—）
当一个基准被刷到接近满分，它就不再区分能力。高分可能来自数据污染、提示工程或针对性训练，而不是通用进步。