1950年，英國數學家艾倫·圖靈在《心智》雜誌發表了一篇題為《計算機器與智能》的論文，提出了一個看似簡單卻震撼世界的問題：“機器能思考嗎？”這個後來被稱為“圖靈之問”的問題，如同一顆投入平靜湖面的石子，激起了持續至今的漣漪。而圖靈設計的“模仿遊戲”——後來廣為人知的“圖靈測試”，為人工智能領域樹立了第一個里程碑。七十餘年來，人工智能經歷了從實驗室概念到日常生活無處不在的演變，其發展軌跡猶如一部科技史詩，充滿了智慧的火花、挫折的低谷和突破的高峯。

第一紀元：符號主義的黃金時代（1956-1970年代）

1956年達特茅斯會議的召開，正式宣告“人工智能”作為一門獨立學科的誕生。約翰·麥卡錫、馬文·明斯基等先驅們懷揣着“一個夏天創造智能”的樂觀，開啓了AI的第一個春天。這一時期，研究者們信奉“符號主義”，認為人類智能的核心在於對符號的操縱，只需將知識編碼為規則，機器便能復現智能。

早期成就令人振奮：艾倫·紐厄爾和赫伯特·西蒙的“邏輯理論家”能夠證明數學定理；約瑟夫·魏岑鮑姆的ELIZA展示了簡單模式匹配即可產生類似心理治療的對話；斯坦福研究院的Shakey成為首個能感知環境、規劃行動的移動機器人。這些突破催生了過度樂觀的預言，如明斯基曾斷言“一代人之內，創造人工智能的問題將得到實質性解決”。

然而，AI很快遭遇了“知識瓶頸”。研究者們發現，人類常識的廣度與深度遠超想象，難以被窮盡為規則。隨着馬文·明斯基和西摩·派珀特在《感知機》一書中指出簡單神經網絡的根本侷限，以及詹姆斯·萊特希爾1973年發表的嚴厲批評報告，AI研究陷入資金縮減、進展緩慢的“第一次寒冬”。符號主義的光芒逐漸黯淡，但它留下了知識表示、推理系統等寶貴遺產，專家系統在1980年代仍短暫綻放，維護着AI的火種。

第二紀元：統計學習的崛起與深度學習的曙光（1980年代-2010年代初）

當符號主義陷入困境時，另一條道路開始展現生機。基於概率模型和統計學習的方法逐漸興起，研究者們不再試圖將人類所有知識編碼入機器，而是讓機器從數據中自行學習。這一範式轉變的核心是“機器學習”。

1986年，大衞·魯姆哈特等人提出的反向傳播算法，解決了多層神經網絡的訓練難題，神經網絡研究復甦。支持向量機、決策樹、貝葉斯網絡等各類機器學習算法蓬勃發展。然而，真正的突破需要等待數據、算力和算法的三重奏。

21世紀初，互聯網催生了大數據時代，GPU的並行計算能力提供了強大算力，而 Geoffrey Hinton 等人在深度學習領域的堅持開始收穫回報。2006年，Hinton提出“深度信念網絡”的高效訓練方法，打開了深度學習的大門。2012年，AlexNet在ImageNet圖像識別比賽中以壓倒性優勢奪冠，錯誤率比傳統方法降低近一半，震驚學術界。這被視為“深度學習革命”的引爆點。

與此同時，強化學習領域，DeepMind的DQN算法在2015年實現了直接從像素輸入學習玩轉49款雅達利遊戲，甚至超越人類水平。機器學習不再僅僅是模式識別工具，而是展現出決策與創造的潛能。然而，這一時期AI仍高度依賴海量標註數據，其理解仍顯“膚淺”，缺乏真正的常識與推理能力。

第三紀元：大模型與AGI的追尋（2010年代中期至今）

2017年，谷歌研究者發表《注意力就是一切》的論文，提出Transformer架構，這成為AI發展史上的又一拐點。基於此，能夠處理海量文本、學習語言深層模式的“大語言模型”登上舞台中央。

2018年，OpenAI發佈GPT，隨後迭代的GPT-3已擁有1750億參數，展現出驚人的文本生成、推理和少量樣本學習能力。2022年底，ChatGPT橫空出世，其流暢的對話、多任務處理能力使AI第一次以平民化、強交互的形式進入公眾視野，引發全球熱潮。多模態模型如GPT-4V、DALL·E、Sora等，進一步打通文本、圖像、音頻、視頻的界限，向着更全面的感知與創造邁進。

當今AI前沿呈現三大趨勢：一是“規模化法則”繼續主導，更大模型、更多數據、更強算力追求性能突破；二是追求效率與實用化，模型壓縮、邊緣計算、專用芯片使AI部署更廣泛；三是與科學深度融合，AlphaFold2蛋白質結構預測難題，AI在藥物研發、材料科學、氣候建模中成為強大工具。