AI 发展简史

从符号规则、机器学习到大模型。每次范式变化，究竟换掉了什么。

这段历史不用背年份。真正要看懂的只有一件事：每一代技术，都是因为上一代「还得人来干」的那一段撑不住了。那条线一直在往右移，但从没消失过。

你会遇到的现象：

一条一直在移的线

每个时代的 AI，都由两部分拼成：人来干的那一段，和机器自己学的那一段。技术进步的全部内容，就是这条分界线往右挪。

挪动的动力也一直是同一个：人来干的那一段，干不完了。规则写不完，就让机器从数据里学；特征设计不完，就让网络自己提取；每个任务单独训一个模型也训不完，就干脆训一个底座，靠提示词改用途。

这个视角比记年份有用得多，因为它回答了一个更实际的问题：每一次挪动，值钱的技能也跟着换了一批。

**第一段：人把规则写进去。**早期研究者相信，把知识表示成符号、写足够多的推理规则，机器就能表现出智能。专家系统在边界清楚的专业领域确实管用——医疗诊断、设备排障，这些地方规则有限、专家说得清。

它撞的墙叫知识获取瓶颈：现实里的例外太多，规则越写越多，改一条就牵动一片，维护成本随规模爆炸。所谓「AI 寒冬」是投入和期望回落，不是研究停了——底下的工作一直在做。

**第二段：让机器从样本里学。**机器学习不再要求人写每条判断规则，而是给一堆带答案的数据，让算法自己找输入与答案的统计关系。瓶颈从「写规则」挪到了「准备数据、设计特征」。

这一段人干的活最琐碎：判断一封邮件是不是垃圾邮件，得由人想出「包含多少感叹号」「发件人是否在通讯录」这类特征，一个个喂给算法。特征设计直接决定效果，这门手艺当年很值钱。

**第三段：让网络自己学表示。**深度学习用多层神经网络，从原始数据里逐层自己提取特征——人不用再想「该看哪些特征」了。2012 年 AlexNet 在大规模图像分类上的结果，让「GPU + 大数据 + 深层网络」这个组合成为主流。alexnet

但它还有个没解决的问题：**每个任务都得单独训一个模型。**图像分类训一个、翻译训一个、情感分析再训一个，每个都要自己的标注数据。任务是无限的，模型训不完。

**第四段：先训一个底座，再改用途。**2017 年的 Transformer 让大规模语言训练变得容易并行，规模化才真正跑起来。transformer 做法变成：先用海量文本训一个通用底座，学到语言本身的规律；然后同一个模型，靠换提示词就能干不同的活——不用重新训练。

今天的大模型就是这条路走到规模化之后的结果。人干的那一段被压缩到了最短，但它还在，只是内容变了：定义任务、准备上下文、验收结果。

如果需要一条时间线放进材料里，这六个够用了。

时间	发生了什么	真正被改变的事
1950	图灵提出「模仿游戏」turing	把「机器能否思考」这个哲学问题，改写成一个可观察、可讨论的行为问题。
1956	达特茅斯研讨会dartmouth	「人工智能」成为一个正式的研究领域，有了名字和边界。
1970s – 80s	专家系统兴起，随后降温	证明了窄领域规则确实有价值，也暴露出知识获取和维护的天花板。
2012	AlexNetalexnet	数据、GPU 与深层网络的组合，在感知任务上建立压倒性优势。
2016 – 2017	AlphaGo 与 Transformeralphago transformer	前者展示复杂决策能力，后者给大模型铺好了可并行扩展的底座。
2022 起	对话式大模型普及	自然语言变成通用交互层。AI 从「一个单点能力」变成「进入工作流」。

这些节点标记的不是「智能等级」，而是工程方法和产品入口发生了变化。资料基准：2026 年 8 月，历史节点以原始论文与研究机构公开资料为准。

**一、能力进步和可靠性进步不是一回事。**每轮浪潮都是先有亮眼演示，隔一段时间才补上评估、流程和安全工程。今天看到的惊艳 demo，离能上线通常还差这一整段。判断 AI 功能能不能做，别看演示，看它在哪个成熟度档位上。

**二、旧范式不会消失，只会各就各位。**规则仍然最适合权限、计费、风控这类必须百分百确定的地方；统计模型仍然最适合稳定的分类任务；大模型适合处理开放的自然语言。成熟产品往往是三者混用——把该确定的地方交给规则，别什么都丢给模型。

**三、每次扩张都会换来一个新瓶颈。**规则时代缺知识，机器学习时代缺标注，深度学习时代缺算力，而基础模型时代缺的是：高质量的上下文、可验证的反馈、可控的行动边界。

这三样恰好都不是模型能力问题，是产品定义问题。这就是为什么今天最值钱的不是会调参的人，是能把任务说清楚、把验收标准定明白的人。那条红线移到了你脚下。