📅 人工智能发展时间轴
从 1950 年图灵测试到 2025 年大模型时代，75 年关键里程碑。点击节点查看详情。
图灵测试
Alan Turing 发表 "Computing Machinery and Intelligence"，提出"机器能思考吗？"及著名的图灵测试：如果机器在对话中让人类无法区分它是否为机器，则可认为它具有智能。
这篇论文还预言了机器学习、遗传算法、强化学习等方向。Turing 被后世尊为"人工智能之父"。
达特茅斯会议
John McCarthy、Marvin Minsky、Claude Shannon 等在达特茅斯学院召开为期两个月的研讨会。会议提案首次使用 "Artificial Intelligence" 一词，标志着 AI 作为独立学科的正式诞生。
与会者包含了此后数十年 AI 研究的几乎所有奠基人。McCarthy 发明了 Lisp 语言，Minsky 创建了 MIT AI 实验室。
感知机 Perceptron
Frank Rosenblatt 提出感知机（Perceptron）——第一个可通过数据学习的人工神经网络。它能学习简单的线性分类任务。
虽然感知机只能解决线性可分问题（后被 Minsky 严厉批评），但它奠定了神经网络从理论到实践的基础。
ELIZA 聊天机器人
MIT 的 ELIZA 是最早的自然语言处理程序之一，通过模式匹配和替换规则模拟心理治疗师的对话。许多用户相信它真的"理解"了他们——这个现象后来被称为 ELIZA 效应。
讽刺的是，ELIZA 的创造者 Weizenbaum 后来成为 AI 批评者——他不安于人们如此轻易地将感情投射到一个简单的程序上。
Perceptrons 批判
Minsky 和 Papert 出版《Perceptrons》，数学证明单层感知机无法解决 XOR 等非线性问题。这本书被广泛（误）解读为"神经网络没用"，导致研究资金锐减，直接引发了第一次 AI 寒冬。
事实上，Minsky 并未否定多层网络的可能性，但当时缺乏有效的多层网络训练方法——这要等到 1986 年反向传播的普及。
第一次 AI 寒冬
英国 Lighthill 报告（1973）严厉批评 AI 研究未兑现承诺，英美政府大幅削减 AI 资金。60 年代的乐观预言落空，AI 进入第一个寒冬期。
这段时期的教训是：过度承诺和期望管理失败会导致整个领域的信任崩溃。AI 的"炒作-幻灭"周期从此开始反复。
专家系统 Expert Systems
专家系统将人类专家的知识编码为 if-then 规则，在医疗诊断（MYCIN）、化学分析（DENDRAL）、计算机配置（R1/XCON）等领域取得商业成功。DEC 的 R1 系统每年节省 4000 万美元。
日本启动"第五代计算机"计划（5.5 亿美元），引发全球 AI 军备竞赛。但专家系统的知识获取瓶颈最终限制了其发展。
反向传播算法
Rumelhart、Hinton 和 Williams 在 Nature 发表 "Learning representations by back-propagating errors"，证明反向传播可以有效训练多层神经网络。
虽然反向传播的数学基础此前已被多人独立发现（Werbos 1974, LeCun 1985），但这篇论文首次系统展示了其在复杂任务上的有效性，引发了神经网络研究的第二次浪潮。
CNN 与 LeNet
Yann LeCun 提出 LeNet-5——第一个实用的卷积神经网络（CNN），用于手写数字识别。LeNet 被 AT&T 部署用于美国银行支票的自动读取系统。
CNN 的核心思想——局部感受野、权重共享、池化——至今仍是计算机视觉的基石。
Deep Blue 击败卡斯帕罗夫
IBM 的 Deep Blue 在六局比赛中以 3.5:2.5 击败国际象棋世界冠军 Garry Kasparov，人类历史上首次有计算机在正式比赛中击败在任世界冠军。
Deep Blue 使用专用硬件芯片，每秒评估 2 亿个棋局位置。Kasparov 赛后质疑 IBM 作弊，这段公案至今仍有争议。
LSTM 长短期记忆
Hochreiter 和 Schmidhuber 提出 LSTM（Long Short-Term Memory），通过门控机制解决了 RNN 的梯度消失问题。
LSTM 后来成为序列建模的主力架构，广泛应用于机器翻译、语音识别、文本生成等领域，直到 2017 年 Transformer 出现才被逐步替代。
深度学习复兴
Geoffrey Hinton 发表 "A fast learning algorithm for deep belief nets"，证明可以通过逐层预训练有效训练深层网络。"Deep Learning" 一词开始流行。
三个关键因素推动复兴：① 大规模数据集（ImageNet 1400万标注图像）② GPU 并行计算 ③ 新的训练技巧（ReLU、Dropout、Batch Norm）
IBM Watson 赢得 Jeopardy!
IBM Watson 在美国知识竞赛节目 Jeopardy! 中击败人类冠军 Ken Jennings 和 Brad Rutter。Watson 使用 NLP + 信息检索 + 知识图谱的混合方法，能理解自然语言问题并从海量文档中提取答案。
AlexNet 赢得 ImageNet
AlexNet 在 ImageNet 挑战赛中以 Top-5 错误率 15.3%（第二名 26.2%）大幅获胜。这是深度学习的"iPhone 时刻"。
Krizhevsky、Sutskever（后联合创立 OpenAI）、Hinton 三人的工作开启了深度学习在工业界的全面采用。
GAN 生成对抗网络
Ian Goodfellow 提出 GAN：生成器与判别器对抗训练，学习数据分布并生成逼真样本。
Yann LeCun 称 GAN 是"过去十年机器学习最有趣的想法"。
Seq2Seq 序列到序列
Ilya Sutskever 等提出 Sequence to Sequence 框架：编码器将输入编码为固定向量，解码器从中生成输出。奠定了神经机器翻译基础。
2015 年 Bahdanau 等引入注意力机制（Attention）——这一思想成为后来 Transformer 的核心。
AlphaGo 击败李世乭
DeepMind 的 AlphaGo 以 4:1 击败世界围棋冠军李世乭。围棋搜索空间约 10^170，暴力搜索不可行。
AlphaGo 系列深刻影响了强化学习、搜索算法和自我博弈训练范式的发展。
Transformer
Google 论文 "Attention Is All You Need" 提出 Transformer 架构，完全摒弃 RNN/CNN，仅用自注意力机制。
核心创新：多头自注意力 + 位置编码 + 编码器-解码器结构。Transformer 成为此后几乎所有 NLP 突破的基础。8 位作者中 7 位后来离开 Google 创业。
GPT-1
OpenAI 发表 GPT——使用 Transformer Decoder 进行大规模无监督预训练，然后在下游任务微调。GPT-1 仅 117M 参数，但在 9 个 NLP 基准中 8 个取得当时最佳，验证了"预训练+微调"范式的巨大潜力。
BERT
Google 发表 BERT（Bidirectional Encoder Representations from Transformers），使用 Transformer Encoder + 双向掩码语言模型预训练。在 11 个 NLP 任务上刷新 SOTA，确立了预训练范式。
GPT-2 "太危险不能发布"
OpenAI 发布 GPT-2（1.5B 参数），以"可能被用于生成假新闻"为由延迟开放完整模型——AI 领域首次因安全考虑限制模型发布，引发关于 AI 开放与安全的广泛讨论。
GPT-3 · 涌现能力
GPT-3（175B 参数，96层 Transformer）展示了令人震惊的 few-shot 涌现能力——无需微调，仅通过提示即可执行翻译、问答、代码生成等任务。
论文 "Language Models are Few-Shot Learners" 成为 LLM 领域最重要的里程碑之一，开启了 LLM 商业化时代。
DALL·E / Codex / Copilot
2021 年 OpenAI 密集发布多个突破性应用：
ChatGPT 发布
OpenAI 发布 ChatGPT（GPT-3.5 + RLHF），5天破100万用户，2个月破1亿——史上增长最快的消费级应用。
核心创新在 RLHF（基于人类反馈的强化学习）对齐技术。ChatGPT 引爆全球 AI 热潮，"百模大战"在中国展开。
GPT-4 · 多模态推理
GPT-4 首个大规模多模态模型（文本+图像输入）。在 GRE、律师资格考试等达到人类前 10% 水平。架构细节未公开（传闻 8×220B MoE），推理、编程、数学能力全面碾压 GPT-3.5。
Llama 2 开源
Meta 开源 Llama 2（7B/13B/70B），首次允许商业使用，引爆开源 LLM 生态。
Llama 系列催生了数百个衍生模型，奠定了开源 LLM 生态的基础。
Gemini 发布
Google DeepMind 发布 Gemini（Ultra/Pro/Nano），多模态原生设计。Gemini 1.5 Pro 实现 1M token 上下文窗口，可处理整本书籍或数小时视频。
Sora · 视频生成模型
OpenAI 公布 Sora 视频生成模型，能根据文本提示生成最长 60 秒的高质量视频，展示了对物理世界理解的初步能力。使用 Diffusion Transformer（DiT）架构。
Claude 3 系列
Anthropic 发布 Claude 3（Opus/Sonnet/Haiku），Opus 在多个基准上超越 GPT-4 Turbo。核心特色：Constitutional AI、200K 上下文、低幻觉率。2024 年底推出 Claude 3.5 Sonnet（Extended Thinking）。
MCP 协议发布
Anthropic 发布 Model Context Protocol（MCP）——AI 模型与外部工具/数据源交互的开放标准协议。被视为"AI 应用的 USB 标准"。
DeepSeek-R1 开源
深度求索开源 DeepSeek-R1，数学/代码推理逼近 o1-preview。训练成本仅约 557 万美元，展示了算法效率可替代算力堆叠。MIT 开源许可推动中国开源 LLM 生态。
Claude Code 开源
Anthropic 将 Claude Code 开源至 GitHub，首周即获 113K+ Stars。它是终端驻留的 agentic 编程工具，核心架构：系统提示词引擎、分层权限模型、15+ 工具链、流式 Agent 循环、上下文管理系统。
数据来源：各机构官方论文、博客及公开资料