人工智能（AI）的历史跨越七十余年，其间经历了乐观周期、资金热潮，以及被称为“AI寒冬”的兴趣减退时期。该领域的起源可追溯至20世纪中叶，当时人们致力于将人类推理形式化为计算规则，进而推动了符号人工智能、专家系统的发展，并最终催生了当今占主导地位的数据驱动方法。
AI的发展轨迹反映了更广泛的技术变迁：从大型机时代的逻辑运算到个人计算，互联网的兴起，以及21世纪数据与计算能力的爆炸式增长。关键里程碑包括1956年的达特茅斯研讨会、神经网络的发展、深度学习的问世，以及近期能够生成文本、图像和代码的生成式模型的出现。
早期基础与达特茅斯研讨会
AI的正式起源通常追溯至1956年举办的达特茅斯夏季人工智能研究项目，由约翰·麦卡锡、马文·明斯基、纳撒尼尔·罗切斯特和克劳德·香农组织。该研讨会提出，“学习的每个方面或智能的任何其他特征，原则上都可以被精确描述，从而使机器能够模拟它。”此次会议汇聚了后来成为奠基性人物的研究者，包括艾伦·纽厄尔和赫伯特·西蒙，他们此前已开发出能够证明数学定理的程序“逻辑理论家”。
在20世纪50年代和60年代，早期AI研究聚焦于符号推理、问题求解和游戏对弈。诸如通用问题求解器（GPS）等程序旨在模仿人类的问题解决策略。然而，这些系统受限于对手工编码规则的依赖，以及无法处理现实世界的复杂性，导致20世纪70年代中期因资金减少而出现第一次AI寒冬。
专家系统与AI寒冬
20世纪70年代和80年代见证了专家系统的兴起，这些系统将人类专业知识编码为基于规则的框架。著名例子包括用于医学诊断的MYCIN和用于化学分析的DENDRAL。这些系统取得了商业成功，促使企业和政府进行投资。然而，它们的脆弱性、高昂的维护成本，以及基于规则推理的局限性，导致了20世纪80年代末的第二次AI寒冬。
在此期间，研究者还探索了其他范式，包括联结主义，即试图通过人工神经网络来模拟智能。尽管神经网络早在数十年前就被提出，但它们需要大量的计算资源和数据集，而当时这些条件尚不具备。寒冬持续到20世纪90年代末，随着硬件进步和互联网的出现，该领域的焦点开始转向机器学习。
机器学习与深度学习的兴起
20世纪90年代和21世纪初，AI领域经历了从符号AI到机器学习的范式转变，即系统从数据中学习模式，而非遵循显式规则。关键发展包括支持向量机、决策树和贝叶斯网络。大量数据集的可用性和计算能力的提升，使这些方法在语音识别和计算机视觉等领域取得了突破。
一个关键时刻出现在2012年，深度神经网络AlexNet以显著优势赢得了ImageNet竞赛，展示了深度学习的力量。这一成功引发了神经网络研究和投资的激增，尤其是用于图像任务的卷积神经网络（CNN）和用于序列数据的循环神经网络（RNN）。专用硬件的发展，如Nvidia等公司的图形处理单元（GPU）（尽管不在提供的列表中，但该概念隐含其中），以及后来Google DeepMind对张量处理单元的使用，加速了进展。
大型语言模型与生成式AI时代
21世纪10年代和20年代带来了大型语言模型（LLM）和生成式AI的兴起。2017年Transformer (architecture)架构的引入，详见由Jakob Uszkoreit、Lukasz Kaiser和Niki Parmar等研究者撰写的论文《Attention Is All You Need》，彻底改变了自然语言处理。Transformer使模型能够并行处理整个序列，从而促成了BERT和GPT等预训练模型的发展。
OpenAI成立于2015年，于2019年发布GPT-2，2020年发布GPT-3，展示了在文本生成、翻译和问答方面的卓越能力。这些模型基于大型语言模型原理，利用无监督学习在大量互联网文本上进行训练。后续发展包括指令微调和基于人类反馈的强化学习（RLHF），这些方法改善了与用户意图的对齐。2022年，OpenAI的ChatGPT将生成式AI带给公众，引发了广泛采用和投资。
其他主要参与者相继涌现，包括以Claude模型著称的Anthropic，以及开发了用于蛋白质折叠的AlphaFold和用于多模态任务的Gemini等系统的Google DeepMind。该领域还出现了专用AI硬件，如Amazon Web Services的AWS Trainium和Groq的推理加速器，以满足训练和部署大型模型的计算需求。
当代发展与未来方向
截至2025年，AI研究持续快速推进，重点在于提高模型效率、可解释性和安全性。模型剪枝、数据增强和课程学习等技术旨在降低计算成本并增强泛化能力。残差网络和批归一化的发展使更深层次的架构成为可能，而多头注意力和位置编码仍是基于Transformer模型的核心。
AI的社会影响深远，引发了关于就业、伦理和治理的诸多问题。OpenAI和Anthropic等组织强调负责任的AI发展，而MIT CSAIL和斯坦福AI实验室等学术机构为基础研究做出贡献。AI的历史并非线性，而是一系列突破与挫折的交织，反映了科学抱负、技术约束和社会需求之间的相互作用。未来方向可能包括更稳健的推理、持续学习，以及与机器人技术的整合，正如Sanctuary AI和Figure AI等公司所展示的那样。
尽管面临挑战，AI已成为现代生活不可或缺的一部分，从虚拟助手到自动驾驶汽车。人工智能的历史证明了人类的聪明才智，以及对创造能够思考、学习和适应的机器的执着追求。