Wiki Notes

Appearance

AI 发展史专题 ​

复核日期：2026-07-24

这个专题按时间段梳理 AI 的关键变化、代表作品和工程影响。它不是单纯背年份，而是帮助你看清：AI 每一次跃迁通常都来自算法、算力、数据、产品形态和社会预期的共同变化。

阅读方式 ​

如果你只是想快速建立地图，建议按顺序读完每篇的“核心变化”和“代表作品”。如果你已经在做 LLM、RAG 或 Agent，可以重点看 2012 年之后的深度学习、Transformer、生成式 AI 和推理模型阶段，再回头补早期符号主义与专家系统的历史包袱。

时间段目录 ​

时间段主题这一段最重要的变化
1943-1956思想萌芽与 AI 命名从“机器能不能思考”走向可研究的问题定义，AI 作为研究方向正式出现
1957-1973符号主义与早期神经网络搜索、逻辑、语言实验和感知机并行发展，乐观预期快速升温
1974-1987专家系统与 AI 冬天知识工程进入企业应用，但成本、脆弱性和预期落差引发周期性降温
1988-1997统计学习与连接主义复兴反向传播、概率模型和强化学习推动 AI 从规则转向数据驱动
1998-2011大数据与深度学习前夜互联网数据、GPU、ImageNet 和工程化机器学习为下一轮爆发蓄力
2012-2016深度学习突破AlexNet、词向量、Seq2Seq、GAN、ResNet、AlphaGo 证明深度模型可在多领域取得突破
2017-2021Transformer 与基础模型Transformer 统一序列建模，预训练模型开始从单任务工具变成通用能力底座
2022-2024生成式 AI 与多模态爆发ChatGPT 把大模型带入大众产品，多模态、开源模型和工具调用快速成熟
2025-至今推理模型与 Agent 化模型开始围绕复杂推理、工具执行、长上下文、低延迟交互和可治理工作流演进

总体脉络 ​

  1. 问题定义阶段：AI 从哲学命题变成可建模、可编程、可评测的问题。
  2. 符号主义阶段：研究重点是搜索、逻辑、规则和知识表示。
  3. 统计学习阶段：研究重点转向概率、数据、特征和泛化能力。
  4. 深度学习阶段：神经网络在视觉、语音、语言和游戏中连续突破。
  5. 基础模型阶段：预训练和规模化把模型从单点能力推向通用接口。
  6. Agent 与治理阶段：模型不再只是回答问题，而是接入工具、状态、审批、观测和业务系统。

怎么把这条历史线用到工程里 ​

  • 看早期符号主义，是为了理解为什么规则、规划、搜索和知识表示今天仍然存在。
  • 看专家系统，是为了理解企业 AI 为什么绕不开知识维护、权限、解释和失败兜底。
  • 看统计学习，是为了理解数据分布、特征、评测和泛化能力的长期重要性。
  • 看深度学习，是为了理解算力、数据集、端到端训练和 benchmark 如何共同改变研究节奏。
  • 看基础模型，是为了理解为什么 Prompt、上下文、工具调用和评测已经成为应用工程的一部分。
  • 看推理模型和 Agent，是为了理解 AI 系统正在从模型调用走向可观测、可审批、可恢复的工作流。

参考资料入口 ​