人工智能发展时间轴
按时间顺序排列的六十余个关键节点。点击分类标签即可只看某一类事件， 也可以直接搜索关键词（如「Transformer」「寒冬」「中国」）。带「展开细节」的条目有更完整的背景说明。
当前显示 0 个节点
-
1943
麦卡洛克与皮茨：第一个人工神经元
神经生理学家麦卡洛克与逻辑学家皮茨提出 M-P 神经元模型，用简单的阈值逻辑单元证明：网络可以表达任何逻辑命题。神经网络的理论起点由此确立。
展开细节
这篇论文把「大脑如何计算」变成可数学分析的问题，也第一次暗示了「用简单单元的组合实现智能」这条后来被称作连接主义的路线。它比第一台通用电子计算机 ENIAC 完成还早三年。
-
1948
香农发表《通信的数学理论》
信息论诞生，用「比特」统一度量信息。它为后来的机器学习提供了最基础的数学语言——从熵到交叉熵损失，都源于此。
-
1949
赫布学习律：神经元如何「学会」
心理学家赫布在《行为的组织》中提出：同时被激活的神经元之间的连接会被加强。这条「一起激发的细胞连在一起」的规则，是几乎所有神经网络训练算法的思想源头。
-
1950
图灵《计算机器与智能》
图灵把「机器能思考吗」替换为一个可操作的问题：如果通过文字对话无法区分机器与人，我们就应当承认它具有智能。这就是图灵测试。
展开细节
论文还预判了后来反复出现的反对意见（数学上的不可判定性、意识问题、创造力问题），并提出了一个至今仍被引用的路径：与其直接模拟成年人的心智，不如造一台能像儿童一样学习的机器，再施以教育。
-
1951
明斯基的 SNARC 与随机搜索网络
明斯基与爱德蒙兹搭建了 SNARC，用 40 个「人工突触」的真空管网络模拟鼠的学习行为——最早的神经网络硬件实现之一。
-
1952
萨缪尔的跳棋程序
IBM 的萨缪尔写出能通过自我对弈不断变强的跳棋程序，并在 1959 年正式提出「机器学习」（machine learning）这一术语——AI 第一次展现出「不靠人工编程也能进步」的能力。
-
1955–1956
「逻辑理论家」证明数学定理
纽厄尔、肖与西蒙编写的 Logic Theorist 自动证明了《数学原理》中的若干定理（其中定理 2.01 的证明比原书更简洁）。它常被视为第一个真正意义上的 AI 程序，并在 1956 年达特茅斯会议上作了演示。
-
1956
达特茅斯会议：AI 正式得名
麦卡锡、明斯基、香农与罗切斯特发起为期两个月的夏季研讨会，麦卡锡在提案中首次使用「Artificial Intelligence」。这一年被普遍视为 AI 学科的诞生年。
展开细节
会议的乐观预期写在提案里：只要一批顶尖学者共同工作一个夏天，就能在「让机器使用语言、形成抽象概念、解决人类才能解决的问题」上取得实质进展。这次会议没有产生划时代的技术成果，却定义了一个共同体的名字与议程。
-
1957
通用问题求解器 GPS
纽厄尔与西蒙提出把问题求解统一为「手段—目的分析」：比较现状与目标的差异，再选择能缩小差异的操作。这种「搜索 + 启发式」的思路统治了早期 AI。
-
1958
罗森布拉特的感知机
康奈尔心理学家罗森布拉特提出感知机，并给出可收敛的学习算法。它第一次让机器能够从样本中自动调整权重并完成分类，《纽约时报》报道称它终将学会走路、说话、写字。
展开细节
感知机是今天所有深度学习模型的直系祖先：输入加权求和、过阈值、按误差更新权重。它的局限（只能处理线性可分问题）在十一年后被明斯基与帕佩特明确点出，并引发了连接主义的第一次低谷。
-
1958
麦卡锡发明 LISP
LISP 成为此后三十年 AI 研究的首选语言，也是函数式编程与自动垃圾回收的先驱。「符号 + 列表」的表示方式支撑了整整一代专家系统。
-
1959
「机器学习」一词正式提出
萨缪尔给出经典定义：机器学习是「在不被明确编程的情况下让计算机获得学习能力」的研究领域。这句话至今仍是最广泛引用的定义。
-
1961
Unimate 进入通用汽车生产线
第一台工业机器人上岗，承担压铸车间的搬运与焊接工作。这是 AI 相关技术最早的规模化商业应用，也开启了机器人替代重复劳动的现实议题。
-
1965
DENDRAL：第一个专家系统启动
斯坦福的费根鲍姆等人开始构建用于推断有机分子结构的 DENDRAL。它确立了「把领域专家的知识写成规则」这一范式，直接孕育了 1980 年代的专家系统产业。
-
1965
归结原理：自动定理证明的引擎
罗宾逊提出归结原理，用一条推理规则统一了机械化的逻辑证明。它是 Prolog 与逻辑编程的数学基础。
-
1966
ELIZA：第一个聊天程序
魏泽鲍姆在 MIT 写出 ELIZA，用简单的模式匹配扮演心理治疗师。许多使用者明知它只是模板替换，仍愿意向它倾诉——「ELIZA 效应」由此得名。
-
1966
ALPAC 报告：机器翻译经费被冻结
美国自动语言处理咨询委员会认定机器翻译短期无法达到人工水平，资助随即大幅削减。这是 AI 历史上第一次由政府评估报告直接导致的经费撤退。
-
1966–1972
Shakey：第一台会「思考」的移动机器人
斯坦福研究院（SRI）用六年时间开发出 Shakey，它能自行规划路线、绕开障碍并推动箱子，于 1969 年前后公开演示。它把感知、规划与行动串成完整闭环，是具身智能最早的完整原型。
-
1968
A* 搜索算法
Hart、尼尔森与拉斐尔提出 A*：在启发式估计的引导下寻找最优路径。它至今仍是游戏 AI、机器人路径规划与地图导航的核心算法，也是「启发式搜索」的教科书范例。
-
1969
《感知机》：连接主义的第一次重挫
明斯基与帕佩特严格证明单层感知机无法解决异或这类线性不可分问题，并指出当时没人知道如何有效训练多层网络。神经网络研究经费随之枯竭，进入十余年的沉寂。
展开细节
这本书常被指责「扼杀了神经网络」，但作者本人认为批评被过度解读：他们指出的是当时理论的真实缺陷。真正的转折要等到 1986 年反向传播算法被广泛接受——它恰好补上了「多层网络怎么训练」这个缺口。
-
1972
Prolog：逻辑编程语言诞生
科尔梅罗尔等人在马赛实现 Prolog，把「程序即逻辑陈述」变为可运行系统。它后来成为日本第五代计算机计划的核心语言。
-
1972
MYCIN：会看病的专家系统
斯坦福开发的 MYCIN 用约 600 条规则诊断血液感染并推荐抗生素，准确率在测试中接近甚至超过部分专科医生。但它从未真正进入临床——责任归属、使用门槛与 1970 年代的硬件成本都是障碍。
-
1973
莱特希尔报告：第一次寒冬的导火索
英国政府委托的莱特希尔报告结论极为负面：AI 的宏大承诺无一兑现，大部分研究应被归类为「自动机研究」而非智能研究。英国大部分 AI 经费被砍，美国的 DARPA 也随后收紧资助。
展开细节
报告的真正杀伤力不在于技术判断，而在于它把「承诺—交付」的落差制度化了：此后任何一轮 AI 热潮都必须面对投资人对交付时间的追问。1974 至 1980 年，AI 进入第一次寒冬。
-
1974
反向传播的最早提出，与它的被忽视
沃博斯在博士论文中已经推导出反向传播算法，但当时神经网络正处低谷，这项工作几乎没有引起注意，直到 1986 年才被重新发现并推广。
-
1980
XCON 在 DEC 全面部署
卡内基梅隆为 DEC 开发的配置专家系统 XCON 正式投入生产，每年为公司节省数千万美元。AI 第一次证明自己可以创造可审计的商业价值，专家系统产业随之爆发。
-
1980
首届 AAAI 年会召开
美国人工智能协会成立并召开第一次全国会议，AI 从分散的实验室研究变成有规模、有期刊、有共同议程的成熟学科社区。
-
1981
日本启动「第五代计算机」计划
日本通产省投入巨资研发并行逻辑推理机，目标是造出能对话、能推理、能翻译的智能计算机。它引发美国的强烈竞争焦虑，直接推动了美国后续的 AI 产业政策与投资。
展开细节
计划最终未达成预期目标：它押注在专用硬件与逻辑编程上，而真实的技术走向是通用工作站与统计方法。但它在客观上培养了一代日本 AI 人才，也让「AI 是国家竞争力议题」成为共识。
-
1981
中国人工智能学会成立
中国人工智能学会（CAAI）成立，中国 AI 研究开始形成全国性学术组织。此前相关工作分散在自动控制、模式识别与计算机等学科中。
-
1982
霍普菲尔德网络：连接主义复苏
物理学家霍普菲尔德用能量函数描述对称递归网络，把神经网络与统计物理联系起来，让学界重新认真对待「网络动力学」这一方向。
-
1982
英国 Alvey 计划
作为对日本第五代计划的回应，英国于 1982 年宣布、1983 年正式启动 Alvey 计划，投入数亿英镑支持 AI 与超大规模集成电路研究。欧洲其他国家也相继推出类似的国家级项目。
-
1986
反向传播被推广：深度学习的地基
鲁梅尔哈特、辛顿与威廉姆斯在《自然》发表论文，系统展示了用反向传播训练多层网络的方法，一举解决了 1969 年留下的「多层网络无法训练」难题。
展开细节
同年出版的《并行分布式处理》（PDP）一书汇集了这批成果，主张认知过程可以被描述为网络中大量单元的并行激活模式。这套语言后来演化为我们今天熟悉的「表征学习」，但在当时仍受限于数据和算力。
-
1986
中国「863 计划」设立智能计算机主题
国家高技术研究发展计划（863 计划）把智能计算机系统列为重点主题之一，中国 AI 研究获得稳定的国家级经费支持，语音识别、机器翻译与智能接口成为主攻方向。
-
1987
LISP 机器市场崩溃：第二次寒冬
专用 LISP 工作站被性能更高、价格更低的通用计算机取代，Symbolics 等厂商迅速衰落。专家系统的维护成本与脆弱性同时暴露——规则库一旦膨胀到数千条，就变得难以修改和验证。AI 进入第二次寒冬，持续到 1990 年代中期。
-
1989
卷积网络读取手写数字
贝尔实验室的杨立昆把卷积与反向传播结合，用于识别手写邮编，并在 1998 年发展为 LeNet-5。卷积核共享权重这一设计，让网络第一次能够高效处理图像，也是今天视觉模型的基石。
-
1990
中国模式识别研究基地建成开放
依托中国科学院自动化研究所筹建的模式识别国家重点实验室（1984 年批准筹建）正式建成开放，成为中国 AI 人才培养与基础研究最早的稳定基地之一。
-
1992
TD-Gammon：自我对弈的胜利
特萨罗的程序通过时序差分学习与自我对弈，达到接近世界顶级西洋双陆棋选手的水平。它证明了强化学习可以在复杂策略游戏中超越人类，比 AlphaGo 早了二十四年。
-
1995
支持向量机（SVM）
科尔特斯与万普尼克提出 SVM，凭借坚实的统计学习理论与良好的泛化能力，成为此后十五年里最主流的分类器，也让「机器学习」从 AI 的一个分支成长为独立学科。
-
1997
深蓝战胜卡斯帕罗夫
IBM 深蓝以 3.5:2.5 击败国际象棋世界冠军。它主要依靠强大的暴力搜索与精心设计的人工评估函数，而非学习——这恰好说明当时 AI 的强项仍是「可穷举的规则世界」。
-
1997
LSTM：让循环网络记住更久
霍赫赖特与施密德胡贝尔提出长短期记忆网络，用门控机制缓解梯度消失，使序列建模在语音识别与翻译中真正可用。它是 Transformer 之前统治序列任务的主力架构。
-
1998
微软亚洲研究院在北京成立
MSRA 迅速成为亚洲最重要的计算机研究机构之一，在语音、图像、自然语言与图形学方向持续产出高水平成果，为中国 AI 产业培养了大量骨干人才。
-
2001
随机森林与集成学习的普及
布雷曼提出随机森林，用大量决策树的投票显著提升稳定性。整个 2000 年代是集成方法、核方法与概率图模型的黄金期——它们至今仍是表格数据上最难被神经网络击败的基线。
-
2006
深度信念网络：深度学习重新升温
辛顿等人提出用逐层无监督预训练初始化的深度信念网络，证明深层结构可以被有效训练，「深度学习」这一说法开始流行，神经网络的第三次浪潮由此起步。
-
2007
CUDA 发布：算力基座就位
英伟达推出 CUDA，让开发者可以用通用编程语言调用 GPU 的数千个核心。学术界很快发现，训练神经网络所需的矩阵运算恰好是 GPU 最擅长的事——后来十年最重要的硬件基础在此奠定。
-
2009
ImageNet 发布
李飞飞团队发布包含上千万张标注图像的 ImageNet，并从 2010 年起举办竞赛。它第一次为视觉算法提供了统一、大规模、可比较的评测基准，成为 2012 年突破的直接前提。
展开细节
构建 ImageNet 用到了众包标注平台，数万人参与其中。这件「苦力活」在当时并不被看重，却说明了一个后来被反复验证的规律：通用算法的突破，往往要等数据基础设施先到位。
-
2011
Watson 赢得《危险边缘》，Siri 上线
IBM Watson 在电视问答节目中战胜人类冠军，苹果为 iPhone 4S 推出语音助手 Siri。AI 以两种完全不同的方式进入公众视野：一种展示深度问答能力，一种开始被数十亿人日常使用。
-
2012
AlexNet 夺冠：深度学习革命开始
辛顿团队的 AlexNet 在 ImageNet 竞赛中把 top-5 错误率从上年的约 26% 降到 15.3%，领先第二名十个百分点以上。它用两块 GPU 训练八层卷积网络，宣告「深度网络 + 大数据 + 强算力」这条路走通了。
展开细节
同年谷歌大脑用大规模无监督学习从千万张随机图像中自动学出「猫」的概念，进一步说明特征可以从数据中自发涌现，而不必由人类手工设计。此后数年，视觉、语音、翻译领域的评测榜单被深度学习全面改写。
-
2013
word2vec：词变成向量
米科洛夫等人提出 word2vec，把词语映射到低维向量空间，并意外发现「国王 − 男人 + 女人 ≈ 王后」这样的语义运算。它让「用向量表示意义」成为主流，也为后来的预训练语言模型铺路。
-
2014
生成对抗网络（GAN）
古德费洛提出让生成器与判别器相互博弈的训练框架，机器第一次能生成以假乱真的图像。同年，注意力机制被引入序列到序列模型，成为 Transformer 的直接前身。
展开细节
GAN 的训练不稳定与模式崩溃问题长期存在，但它把「生成」确立为与「判别」同等重要的任务，并在 2018 年前后催生了大量换脸、超分与图像编辑应用。此后扩散模型逐渐取代它在图像生成中的主导地位。
-
2015
ResNet 与 TensorFlow：深度可以很深
何恺明团队提出残差网络，通过跳跃连接训练出 152 层甚至上千层的网络；其竞赛集成模型把 ImageNet top-5 错误率压到约 3.6%，首次低于人类在该任务上的参考水平。同年谷歌开源 TensorFlow，OpenAI 成立。
-
2016
AlphaGo 4:1 击败李世石
DeepMind 的 AlphaGo 在首尔战胜围棋世界冠军李世石。围棋巨大的搜索空间曾被认为至少还需十年才能被攻克，而它依靠深度网络 + 蒙特卡洛树搜索 + 强化学习做到了。全球由此掀起一轮 AI 讨论热潮。
展开细节
第二年的 AlphaGo Zero 更进一步：完全不使用人类棋谱，仅通过自我对弈就从零学会围棋，并以 100:0 战胜此前的版本。这为后来「用自我博弈提升推理能力」的思路提供了最有力的先例。
-
2017
Transformer：改变一切的架构
谷歌团队发表《Attention Is All You Need》，用自注意力机制完全取代循环与卷积结构，使训练可以大规模并行。它让「堆算力、堆数据」真正变得高效，是此后所有大模型的共同底座。
展开细节
论文最初的目标只是改进机器翻译。它的深远影响来自一个副作用：模型不再受序列顺序的串行限制，训练效率随硬件规模近乎线性提升——这正是 2018 年之后大模型得以出现的工程前提。
-
2017
中国发布《新一代人工智能发展规划》
国务院印发规划，提出到 2030 年使中国人工智能理论、技术与应用总体达到世界领先水平，并明确三步走目标。这是中国首个国家级 AI 顶层设计，直接带动了产业投资与高校学科建设。
-
2018
BERT 与 GPT-1：预训练范式确立
谷歌 BERT 用双向掩码语言模型刷新十一项自然语言任务纪录；OpenAI 的 GPT-1 则验证了「无监督预训练 + 下游微调」这条通用路线。自然语言处理的研究范式被整体替换。
-
2019
图灵奖授予深度学习三巨头
辛顿、杨立昆与本吉奥因在深度神经网络方面的奠基性贡献获得 2018 年度图灵奖（2019 年 3 月公布）。同年 GPT-2 以 15 亿参数展示出连贯的长文本生成能力，OpenAI 一度以「担心滥用」为由分阶段发布。
-
2020
GPT-3 与 AlphaFold 2
GPT-3 以 1750 亿参数展示出强大的少样本学习能力：无需微调，仅靠提示词就能完成翻译、写作与简单编程。同年 AlphaFold 2 在蛋白质结构预测竞赛 CASP14 中达到接近实验的精度，并于次年被评为《科学》杂志年度科学突破。
展开细节
两者的意义并不相同。GPT-3 说明能力可以随规模「涌现」，而 AlphaFold 2 说明深度学习能在基础科学中解决真实难题——它把蛋白质结构解析从数年实验缩短到数小时计算，是 AI for Science 最具说服力的案例。
-
2021
CLIP 与 DALL·E：图文被打通
OpenAI 用数亿图文对训练 CLIP，让图像与文本共享同一语义空间；DALL·E 则实现了「用一句话生成图像」。多模态理解与生成由此成为大模型的标配能力。
-
2022
扩散模型引爆图像生成
Stable Diffusion 开源、Midjourney 发布，普通用户第一次可以在自己的电脑上按文字描述生成高质量图像。AI 生成内容（AIGC）成为大众词汇，版权与创作者权益争议随之而来。
-
2022.11
ChatGPT 发布：AI 走进日常生活
OpenAI 基于 GPT-3.5 推出对话产品，并用人类反馈强化学习（RLHF）大幅改善可用性。上线两个月用户破亿，成为历史上增长最快的消费级应用，也把「大模型」变成了公共议题。
展开细节
技术上的关键并不只是模型更大，而是「预训练 + 指令微调 + RLHF」这套对齐流程：它把只会续写文本的语言模型，变成了会遵循指令、会拒绝不当请求的助手。这标志着能力竞赛之外，可控性成为同等重要的工程目标。
-
2023
GPT-4 与多模态大模型竞赛
GPT-4 在多项专业考试中取得接近人类高分，并支持图像输入。谷歌、Anthropic 等相继推出竞品，全球进入大模型密集发布期。
-
2023
LLaMA 开源，模型能力开始扩散
Meta 发布 LLaMA 系列并允许研究使用，随后 LLaMA 2 可商用。开源权重让中小团队与个人也能微调出专用模型，围绕开源生态形成了与闭源 API 并行的另一条技术路线。
-
2023
国产大模型集中发布
文心一言、通义千问、智谱 GLM、月之暗面 Kimi 等一批国产大模型陆续开放测试，中国形成完整的模型、算力与应用产业链，并进入以备案制为特征的合规发展轨道。
-
2023.12
欧盟《人工智能法案》达成政治协议
全球首部综合性 AI 监管法规完成核心谈判，按风险等级对 AI 应用分类管理，禁止部分用途并对通用模型提出透明度要求。AI 治理第一次拥有了具备约束力的法律框架。
-
2024
Sora 与 GPT-4o：视频与实时交互
Sora 展示了生成长达一分钟、物理表现相对连贯的视频的能力；GPT-4o 实现语音、视觉、文本的低延迟实时交互。AI 的输出媒介从文字扩展到几乎全部形式。
-
2024.09
推理模型：把算力花在「思考」上
OpenAI 发布 o1，通过在回答前生成较长的内部推理链，并在此阶段投入更多计算，显著提升了数学、编程与科学问题的表现。这标志着继「训练规模」之后，「测试时计算」成为新的能力增长轴。
展开细节
这一路线的核心是用可验证的奖励信号（答案对不对、代码能否通过测试）来训练模型的思考过程，与 AlphaGo 的自我博弈在方法论上一脉相承。它也让「模型回答前要不要多想一会儿」成为可调的性能—成本旋钮。
-
2024.10
诺贝尔奖两次授予 AI 相关成果
物理学奖授予霍普菲尔德与辛顿，表彰其在人工神经网络奠基性发现中的贡献；化学奖授予哈萨比斯、江珀与贝克，表彰蛋白质结构预测与设计方面的成果。AI 作为科学方法获得最高级别的承认。
-
2025.01
DeepSeek-R1：低成本推理模型开源
深度求索开源 R1 推理模型并公布技术细节，用相对低的训练成本达到接近前沿的推理表现。它引发全球对「算力堆叠是否唯一路径」的重新讨论，也加速了开源模型追赶闭源前沿的进程。
-
2025
智能体与多模态成为主线
模型能力重心从「回答问题」转向「完成任务」：工具调用、代码执行、长期记忆与多智能体协作成为工程焦点。与此同时，开源与闭源模型的能力差距明显收窄，成本快速下降。
没有匹配的节点，换个关键词试试（例如「寒冬」「Transformer」「中国」）。