AI发展70年：三次浪潮，两次寒冬
在2026年的今天，"AI"一词可谓无人不知，无人不晓。它既让人恐慌，也让人喜欢。恐慌的人担心自己会被AI替代，喜欢的人则把AI当成自己的得力助手。
作为专栏开篇，我不打算和你聊那些让人眼眼花缭乱的大模型以及各种高深的技术和概念。相反，我想和你聊聊 AI 一词的由来和发展历程，不是有句鸡汤吗？当你理解了过去，才懂得未来要去向何方。系好安全带，我们要发车了，带你穿越回AI的起点。
萌芽
AI，也就是人工智能，是一门独立学科，但这门学科其实还很年轻，最早起源于上世纪40年代。
1943年，一位叫麦卡洛克的心理学家和一位叫皮茨的数学家提出了一个机器的神经元模型，这就是人工智能的最初萌芽。这个模型为后续的人工神经网络奠定了基础。
到 1950 年，英国一位叫阿兰·图灵的科学家发表了一篇《Can Machines Think?》的论文。图灵在论文中提出问题——“机器能否思考？”。为了验证这个问题，提出了著名的图灵测试，用来作为判断机器是否具备智能的标准。由此，便开启了人工智能领域的长期探索。
六年后，1956年，一场注定载入史册的会议在美国新罕布什尔州的达特茅斯学院召开。20多岁的副教授约翰·麦卡锡 (John McCarthy)，联合 IBM 701 总设计师纳撒尼尔・罗切斯特 (Nathaniel Rochester)、信息论创始人克劳德・香农 (Claude Shannon) 以及被誉为"人工智能之父"的马文・明斯基 (Marvin Minsky)，共同发起了这场暑期夏令营式的学术会议，也就是著名的"达特茅斯会议"。
在这场会议上，约翰·麦卡锡正式提出了"Artificial Intelligence (AI)"这一术语，"人工智能"就此正式命名。达特茅斯会议成为了 AI 正式确立为独立学科的标志。在接下来70多年的漫长时间里，AI的发展起起落落，三次掀起了人类对"AI毁灭人类世界"的恐慌，热度拉满，最终都以"不过如此"收场。
从1956年到2022年间，AI的发展经历了三次浪潮和两次寒冬的循环，具体时间线为：1956-1973年：第一次浪潮（符号主义主导）；1973-1986年：第一次低谷；1986-2000年左右：第二次浪潮（连接主义复兴）；2000年左右-2012年：第二次低谷；2012年至今：第三次浪潮（深度学习）。这个阶段的AI发展分成了两条主要路径，分别是符号主义和连接主义。
第一次浪潮
所谓的符号主义就是以麦卡锡为代表的"设计派"。他们认为人工智能是可以通过自上而下设计出来的，只要将明确的符号、规则和逻辑编成程序输入计算机，机器就能拥有思考能力——就像教计算机乘法需要明确运算规则一样，给苹果下一个精准定义，计算机就能识别所有苹果。这就是典型的计算机逻辑思维，因为这种思路契合当时的计算机运行逻辑，所以成了1956-1973年第一次浪潮时期AI发展的主流。
而另一派连接主义的观点则截然不同。他们认为在现实世界中很多问题都无法用明确的规则概括，计算机应该像人类学习一样，通过判别大量样本来自行摸索规律。比如让计算机认识苹果，不是通过给它下一个明确的规则定义，而是让它去看无数张苹果图片，再搭配香蕉和橘子作为区分，让它自己找到识别的关键。很明显，连接主义才是现代人工智能发展的重要理论基础，并在后续的浪潮中逐渐占据主导地位。
随着时间的发展，符号主义很快就遇到一个很难解决的问题——堆积木问题。科学家们发现，想让机器人执行"将大块黄色积木放到红色积木上"的指令，这种两三岁小孩都能轻松完成的任务，科学家们花费大量精力写出来的计算机程序却频频崩溃。更加雪上加霜的是"组合难题"，以围棋为例，一局棋的总组合数甚至超过宇宙原子数目，传统计算机的算力根本无法支撑这种穷举式的搜索。
到 1973 年，由于AI研究的过度承诺导致实际成果不达预期，AI 发展陷入第一次低谷，这一现象以英国的"莱特希尔报告"为标志，报告对AI研究多个核心方向的前景表达了悲观态度，明确提出：“至今所获得的研究成果尚未实现当初所预期的重大影响。”。这标志着1973-1986年第一次低谷时期的开始。
就在符号主义举步维艰时，连接主义却迎来了曙光。1957 年，罗森布拉特发明了感知器算法，成功为美国军方开发出识别坦克的程序。但好景不长，1969 年，明斯基指出单层感知器无法解决非线性分类问题，且当时缺乏多层网络的训练算法。这一论断让连接主义的探索也陷入了停滞，AI 的第一次黄金时代彻底终结。
第二次浪潮
20 世纪 80 年代，技术突破为 AI 带来了第二次生机。1986 年，由辛顿等人重新发明的反向传播算法问世，解决了神经元间的沟通问题，1986年至2000年前后的第二次AI浪潮随之而来。
但是好景不长，算力不足的硬伤再次将 AI 拖入寒冬。当时的计算机硬件难以支撑神经网络的大规模训练。一位研究者回忆，1998 年时电脑运行的 AI 程序单元不敢超过 20 个，而人类大脑的神经元是以亿为单位计算的。
进入 21 世纪之初，AI 研究再次陷入沉寂。在神经网络沉寂的岁月里，以支持向量机（SVM）为代表的统计学习保护了 AI 的火种，这种基于数学统计的方法在工业界得到了广泛应用，维持着 AI 的生命力，直到大数据和 GPU 算力的爆发式出现。这一时期也就是2000年左右-2012年的第二次低谷期。
第三次浪潮
AI 的第三次兴起，离不开算力的革命性提升。从 1995 年开始，摩尔定律持续发力，芯片内晶体管数量每两年翻一番，运算能力同步激增，如今的芯片算力相比几十年前已提升至少 100 万倍，为 AI 的爆发提供了坚实基础。
2012 年，ImageNet 图像识别大赛成为转折点，由辛顿等人开发的AlexNet 深度学习模型凭借远超传统方法的识别精度夺冠，标志着2012年至今的第三次浪潮（深度学习时代）正式开启。
2016 年，DeepMind（后被谷歌收购）开发的 AlphaGo 以 4:1 的比分击败围棋世界冠军李世石，这一事件震惊了全球——围棋被认为是人类智力的巅峰领域，拥有远超国际象棋的复杂度，AI 的胜利证明了深度学习的巨大潜力。
2017 年，谷歌提出了 Transformer 架构，为后续大模型的发展奠定了核心基础，成为自然语言处理技术的重要里程碑，影响至今。
2022 年 11 月 30 日，OpenAI 发布的 ChatGPT 横空出世彻底引爆了全球 AI 热潮。这款基于 GPT-3.5 的聊天机器人，融合强化学习技术，能进行流畅的对话、撰写文章、解决复杂问题，让普通民众第一次直观感受到了强人工智能的魅力。
2023 年，大模型进入"战国时代"，GPT-4 的发布、国内"六小虎"等模型的涌现，让多模态能力从设想变为现实，AI 不仅能处理文字，还能理解图像、音频等多种信息。
2024 年，OpenAI 的 Sora、国内的可灵等视频生成模型爆发，以及推理大模型 GPT-4O1 的突破，让 AI 开始向更复杂的任务渗透。
到 2025 年，DeepSeek V3.1 展示的智能体自主决策能力，清华智谱 GLM-4.5、GPT-5 等模型的持续进化，标志着 AI 正从感知智能向自主决策智能迈进。
探索永不停止
回顾 AI 近 70 年的发展历程，我们能清晰看到三次兴起与两次寒冬的交替循环。人们不禁会问：下一次低谷是否还会到来？
关于未来的瓶颈，有观点认为可能源于人类对大脑的认知局限。大脑仅需 20 瓦功率就能完成复杂认知，而超级计算机消耗的是天文数字般的电力；人类大脑遵循高效的生物运算机制，往往在百步左右就能得出结论，而 AI 算法可能需要运行数十亿步骤。如果不能透彻理解人类大脑的工作原理，AI 的模仿之路可能会遭遇难以突破的瓶颈。
从图灵的天才设想，到达特茅斯会议的学科确立；从感知器的昙花一现，到深度学习的王者归来；从两次寒冬的艰难蛰伏，到如今大模型的全面爆发，人工智能的发展之路充满了不确定性。它曾被寄予厚望，也曾被打入冷宫。但正是这种在探索中试错、在挫折中成长的韧性，让 AI 不断突破边界。
未来，无论是否会迎来新的低谷，人工智能的探索之路都不会停止。正如人类对宇宙的好奇永无止境，对智能的追求也将激励着人类继续前行。