01
1943思想准备
人工神经元模型
McCulloch 与 Pitts 用逻辑和数学描述神经元，为连接主义提供了早期形式。
关键变化：智能是否可以被形式化HISTORY & PARADIGM SHIFTS
AI 不是突然出现的：理解七十年的范式变化
比记住年份更重要的是看清变化：人是把规则写给机器、把案例交给机器，还是只给出目标并监督系统？
A LONG VIEW
12 个节点，不只是一条产品发布时间线
每个节点都回答三个问题：当时解决了什么、为什么此前做不到、它改变了后来什么。
02
1950问题提出
图灵的模仿游戏
图灵把“机器能否思考”转化为可讨论的行为问题，开启了机器智能的公共想象。
关键变化：从哲学争论到可操作检验03
1956领域命名
达特茅斯会议
“人工智能”成为研究领域名称。研究者相信学习、语言与推理可以被精确描述并由机器模拟。
关键变化：形成独立研究议程04
1960s–70s符号主义
规则、搜索与知识表示
系统依靠人写规则、逻辑表达和状态空间搜索解决限定问题；早期聊天程序与专家雏形出现。
关键变化：把智能写成可执行规则05
1980s专家系统
知识进入企业
专家知识被编码成规则库，在诊断和配置等场景应用；维护成本与脆弱性随后暴露。
关键变化：可用，但难扩展06
1990s–2000s统计学习
从规则转向数据
支持向量机、概率模型与集成学习兴起。模型开始从样本中学习决策边界。
关键变化：人设计特征，机器学权重07
2012深度学习
AlexNet 与视觉突破
大规模标注数据、GPU 与深层神经网络结合，显著提升图像识别效果。
关键变化：模型自动学习复杂表示08
2017基础架构
Transformer
注意力机制让序列训练更易并行，也更擅长建模远距离关系，成为现代大语言模型的重要基础。
关键变化：更大规模的预训练成为可能09
2018–2020预训练范式
BERT、GPT 与规模化
先在大规模语料上预训练，再通过微调、少样本或提示完成多种任务，通用模型能力明显增强。
关键变化：一个模型适配多种任务10
2022–2023生成式 AI
自然语言成为界面
对话式产品与图像生成走向大众。提示、反馈对齐和上下文学习改变了人机交互。
关键变化：普通人直接调用模型能力11
2024–2025多模态与推理
文本、图像、语音和视频融合
模型能够跨模态理解与生成，并通过更长推理、工具使用和代码执行完成复杂任务。
关键变化：从内容生成到问题求解12
2026智能体协作
AI 进入工作系统
重点从单次回答转向任务规划、调用工具、读取组织知识和持续执行；可靠性与治理成为部署关键。
关键变化：从模型能力到系统能力FOUR SHIFTS
真正改变 AI 的四次转向
规则 → 数据
不再要求专家穷尽所有情况，而是通过样本估计规律。代价是系统开始依赖数据代表性。
人工特征 → 表示学习
模型从原始图像、语音和文本中自动形成多层表示，能力上限明显提升，可解释性却更困难。
专用模型 → 基础模型
先训练一个通用模型，再通过提示、微调、检索和工具连接大量任务，开发方式发生改变。
单次输出 → 系统行动
AI 开始规划步骤、读取状态和调用工具。模型准确率不再是唯一指标，权限与失败恢复同样重要。
ORIGINAL SOURCES
继续阅读关键原始材料
Alan Turing · Mind · 1950Computing Machinery and Intelligence↗McCarthy, Minsky, Rochester & Shannon · 1955Dartmouth Summer Research Project proposal↗Krizhevsky, Sutskever & Hinton · 2012ImageNet Classification with Deep Convolutional Neural Networks↗Vaswani et al. · 2017Attention Is All You Need↗Devlin et al. · 2018BERT: Pre-training of Deep Bidirectional Transformers↗Brown et al. · 2020Language Models are Few-Shot Learners↗