AI 发展简史 | 基础认知 | 做产品

AI 发展简史

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

• 把今天的生成式 AI 当成一夜之间冒出来的新东西

• 听到「AI 寒冬」，以为这行业曾经彻底停摆过

• 把专家系统、机器学习、深度学习、大模型当成四个并列的产品来比较

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。因为它同时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。

四次转移

**第一段：人把规则写进去。**早期研究者相信，只要把知识表示成符号，再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」，指的是投入和期望回落，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出每条判断规则，改成给一堆带答案的数据，让算法自己找输入和答案之间的统计关系。瓶颈从「写规则」挪到了「准备数据、设计特征」。

这一段里人干的活最琐碎：要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。特征设计得好不好，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。

但它还有个没解决的问题：**每个任务都得单独训一个模型。**做图像分类训一个，做翻译训一个，做情感分析再训一个，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。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。

人干的那一段 撞的墙 当年值钱的技能

① 写规则 专家系统 把知识写成符号和规则 例外写不完 知识工程

② 学样本 机器学习 准备数据、设计特征 特征想不完 特征工程

③ 学表示 深度学习 备数据、调网络、堆算力 每个任务单独训一个 调参与训练工程

④ 训底座 大模型 定义任务、准备上下文、验收 缺可验证的反馈 把任务说清楚的人

每次挪动都换掉一批值钱的技能。这一轮，那条线正好移到了你脚下。

把四段并排看，能看清一件比年份重要得多的事：瓶颈从来没消失，只是换了位置。今天缺的高质量上下文、可验证反馈、可控行动边界，都不是模型能力问题，是产品定义问题。

六个节点

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」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「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。 2012AlexNet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 – 2017AlphaGo 与 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。

对做产品的三个提醒

**一、能力进步和可靠性进步不是一回事。**每一轮浪潮都是先出现亮眼的演示，隔一段时间才慢慢补上评估、流程和安全工程。你今天看到的惊艳 demo，离能上线通常还差这一整段。判断一个 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。

资料来源

• Alan Turing，Computing Machinery and Intelligence（1950）——「模仿游戏」的原始论文

• Dartmouth College：1956 年研讨会与「人工智能」这一名称的由来

• Krizhevsky、Sutskever、Hinton，ImageNet Classification with Deep Convolutional Neural Networks（2012）——AlexNet

• Vaswani 等，Attention Is All You Need（2017）——Transformer

• Google DeepMind：AlphaGo 的技术说明与比赛记录

资料基准：2026 年 8 月。时间线上的节点以上述一手资料为准；对「哪一代解决了什么、留下了什么」的归纳是本文的观点，不是原文结论。

AI 目前到了哪一步 沿着这条线走到今天，哪些能力已经能放心用，哪些还不稳。

AI 行业的四层 技术范式最后是怎么变成今天这套产业分工的。

大模型的运作原理 把 Transformer 之后的那套核心机制继续拆开看。