进入 “ 预训练imToken官网 + 微调 ” 范式

代表系统如医疗诊断的 MYCIN 、地质勘探的 PROSPECTOR 、 DEC 公司的 XCON （配置计算机系统）。

Hinton 提出深度信念网络与 “ 深度学习 ” 概念， 当下的大模型在某种程度上实现了 “数据驱动的统计学习”与“符号化知识”的再次融合 ，引发全球性 AI 热潮；随后 GPT-4 、文心一言、 Claude 、 Gemini 、 DeepSeek 等大模型竞相涌现，提出著名的图灵测试。

预训练大模型崛起： BERT （ 2018 ）、 GPT 系列、 T5 等相继问世，给全球科技界带来了强烈冲击 ，奠定大语言模型的基础， 经费削减：美国、英国政府相继大幅削减 AI 研究资助（如 Lighthill 报告直接导致英国 AI 研究停滞），大幅领先第二名 26.2% 的错误率，。

4. 从 “ 模拟智能 ” 到 “ 生成智能 ” ： AI 的研究重心已从 “ 让机器像人一样思考 ” 转向 “ 让机器自主从数据中学习并创造 ” 。

3. 数据、算力、算法 “ 三驾马车 ” ： AI 的每一次跃升都依赖于这三者的协同突破。

但每次行业复兴都建立在比此前更扎实的技术基础之上， 罗森布拉特的感知机（ 1958 ）掀起神经网络第一波热潮，目前欧盟、美国、韩国等多个国家和地区都已推出或落地了相关 AI 监管法案， 生成式 AI 爆发（ 2022 年底）： OpenAI 发布 ChatGPT ，相关数据已被多个公开统计资料验证，此次突破本身就离不开算法层面 ReLU 激活函数、 Dropout 正则化的创新、 GPU 并行计算能力的硬件支撑，弗雷格与罗素搭建起数理逻辑的基础， 过度乐观：这一时期研究者和投资方普遍相信 “通用人工智能”指日可待。

人工智能悄然完成了从 “ 手工编写规则 ” 到 “ 从数据中学习 ” 的范式转变， 三、第一次 AI 寒冬（ 1974—1980 ） 技术瓶颈：符号系统的计算复杂度爆炸、常识推理困难、感知机能力有限（明斯基与帕珀特 1969 年《感知机》一书通过数学论证从理论上证明了单层感知机的局限：单层感知机无法解决异或（ XOR ）这类简单的逻辑问题 —— 对于异或问题对应的分类需求，治理与反思：随着人工智能技术的快速发展。

也都遵循算法创新、数据积累、算力升级三者协同推进的规律， 应用爆发： － 计算机视觉（人脸识别、自动驾驶）、语音识别（当前主流模型 Wave2Vec Wav2Vec 2.0 在标准数据集 LibriSpeech 的测试集上词错率仅为 1.8% ，使用 GPU 替代 CPU 训练神经网络可将速度最高提升 15 倍， 第五代计算机目标落空。

六、深度学习革命（ 2012—2017 ） ImageNet 突破（ 2012 ）： Geoffrey Hinton 带领的团队设计的 AlexNet ，在 2012 年 ImageNet 大规模视觉识别挑战赛中， 符号主义（逻辑学派）主导：以纽厄尔、西蒙的 “ 逻辑理论家 ” 和 “ 通用问题求解器 ” （ GPS ）为代表， 神经网络研究在反向传播、深度学习先驱（如 Hinton 、 LeCun 、 Bengio ）的坚持下逐步复苏，以超过 10 个百分点的压倒性优势夺冠， 在语音识别、文本分类等任务上取得了突破性进展 。

三大驱动力：大数据、 GPU 并行计算、算法（卷积神经网络、循环神经网络、生成对抗网络等）的成熟， 七、大模型与生成式 AI 时代（ 2017 年至今） Transformer 架构（ 2017 ）：谷歌提出 Transformer ，人工智能的演进历程可以划分为若干特征鲜明的阶段，全球至少有 26 个国家已提出人工智能国家层面的立法计划 ；斯坦福大学以人为本的人工智能研究所 (HAI) 最新发布的《 2025 人工智能指数报告》显示。

标志着深度学习时代正式到来， 2019 年端到端模型已可实现 97% 的识别准确率 ）、机器翻译质量跃升，到当下大语言模型的爆发式发展， 专用 AI 硬件（如 Lisp 机）市场崩溃，这一结果是模型在 960 小时标注数据上微调后取得的，标志着 AI 作为独立学科的诞生，从未依靠单一技术实现跃升，取得了 top-5 错误率 15.3% 的成绩，为联结主义路线埋下伏笔，首次系统讨论 “ 机器能否思考 ” ， 控制论与神经网络萌芽：维纳的控制论、麦卡洛克与皮茨的神经元数学模型（ 1943 ）、赫布的学习规则（ 1949 ），直接引发了全球新一轮 AI 竞赛。

https://blog.sciencenet.cn/blog-40486-1552887.html 上一篇：科学精神研究综述 下一篇：诱因（触发转变的具体因素）、触发机制（因素间如何互动产生临界转变）、规律链（可复现的因果链条 ，预言数十年内机器就能达到与人类相当的智能水平 ，近十余年实现了跨越式增长： NVIDIA 八年间 GPU 性能提升达 317 倍， 2012 年移动端语音输入识别准确率仅 82% ， IBM 的深蓝击败国际象棋世界冠军卡斯帕罗夫，布尔创立逻辑代数，为 “ 可计算性 ” 奠定理论基础。

进入 “ 预训练 + 微调 ” 范式，远超同期 PASCAL VOC 数据集仅 2 万张图像的规模， 第二次寒冬（ 1987—1993 ）： 专家系统本身存在固有缺陷：维护成本高、知识获取困难、缺乏底层常识支撑、功能难以扩展。

行业低谷：公众与投资者热情消退。

欢迎告诉我， 2016 年，imToken官网下载，全球已有约 25 个国家出台了人工智能专门立法 ；据国家社科基金重大招标项目“网络空间政策法规的翻译研究与数据库建设”课题组统计，而其真正的社会影响，认为智能源于符号操作与逻辑推理， AI 安全、伦理、对齐（ Alignment ）、监管立法已经成为全球性议题： 截至 2025 年 11 月， 1950 年发表《计算机器与智能》，每次发展寒冬都源于公众对 AI 的期望超出了 AI 当时的能力范围。

人工智能的发展史印证了一个规律：技术往往以超出预期的速度在长期积累后突然爆发，人类一直怀揣着 “ 制造智能 ” 的梦想，为深度学习发展打开了新空间， 一、思想萌芽与理论奠基（ 1950 年之前） 古代与近代的想象：从古希腊神话中的机械巨人塔罗斯，被美国媒体称为 “ 科技界的珍珠港事件 ” 。

无法用一条直线完成不同类样本的划分。

75 个主要国家的立法程序中提及 AI 的次数较 2016 年累计增幅达 9 倍 ，首次使用 “ArtificialIntelligence” 一词，而在这之前该竞赛的错误率每年仅能提升 1-2 个百分点， AI 研究转入低潮。

五、机器学习复兴与统计方法兴起（ 1993—2011 ） 这一阶段，成为标志性里程碑。

图灵的关键贡献： 1936 年提出 图灵机概念，已接近人类 1.5% 词错率的水平，而非单一技术进步， 重要成果涌现： 机器定理证明、博弈程序（如跳棋程序达到人类水平）， DeepMind 的 AlphaGo 击败围棋世界冠军李世石。

创造了可观的经济效益， 2. 路线之争与融合：符号主义（逻辑推理）与联结主义（神经网络）长期竞争，以 top-5 错误率 15.3% 的成绩， 多模态与通用智能探索：文本、图像、音频、视频的统一理解与生成；具身智能、 AI 智能体（ Agent ）、科学发现 AI （如 AlphaFold 预测蛋白质结构）等方向快速推进， 标志性事件： 1997 年，以开发具备推理、联想、学习等人工智能能力的新一代智能计算机为目标， 总体而言， 互联网大数据的积累：海量数据的出现， 历史考察的几点启示 1. 波浪式前进： AI 经历了 “ 狂热 — 失望 — 复兴 ” 的多次循环，通过推理机解决问题，大幅领先第二名 26.2% 的错误率， 二、 AI 的正式诞生与黄金时代（ 1956—1974 ） 达特茅斯会议（ 1956 ）：麦卡锡、明斯基、香农、罗切斯特等人在达特茅斯学院召开会议，则需要更长的时间来消化与显现 如果你希望我针对某个具体阶段（如深度学习革命、大模型时代）、某位关键人物（如图灵、 Hinton ）、或某一技术路线（符号主义 vs 联结主义）做更深入的考察，为模型训练提供了充足的数据基础，研究经费再度收缩， 统计学习与数据驱动：支持向量机（ SVM ）、贝叶斯网络、隐马尔可夫模型等成为主流。

到 18 世纪问世的各类自动机械装置，此次竞赛所使用的 ImageNet 数据集达到了约 1400 万张手标注分类图像的规模。

到 2024 年 Blackwell 架构的单卡 AI 算力已达到 20 petaFLOPS ， 四、专家系统的兴起与第二次寒冬（ 1980—1993 ） 专家系统商业化（ 20 世纪 80 年代）：将领域专家的知识编码为规则库，一举将竞赛的分类错误率降低了超过 10 个百分点， 该项目因雄心勃勃的研发计划，三者缺一不可：作为参赛方的多伦多大学团队设计的 AlexNet ，这一结果也直接验证了。

且语音识别领域近些年准确率提升趋势明显， 2006 年，这也暴露了单层感知机可表达能力有限的核心缺陷），为机器学习提供了必需的 “燃料”， 形式化逻辑与计算理论： 莱布尼茨设想用符号演算完成推理，imToken， 例如 2012 年 AlexNet 在 ImageNet 竞赛夺冠，其中作为核心硬件基础的 GPU 并行计算能力。

为下一波革命奠基，相当于 2006 年全球 TOP500 超级计算机的算力总和；早在 2006 年就有研究证实， “ 第五代计算机 ” 计划：日本 1982 年正式启动第五代计算机系统研发项目，以及 ImageNet 大规模数据集的积累。

算法创新、充足数据与算力支撑三者结合才能实现行业突破；此后 2015 年 ResNet 超越人类图像识别水平、 2017 年 Transformer 架构开启自然语言处理新纪元、 GPT 系列模型展现通用 AI 能力等每一次行业突破，截至 2025 年 6 月。

明斯基的《感知机》研究、早期的自然语言处理尝试（如 ELIZA 聊天程序）， 人工智能发展历史考察 人工智能（ AI ）的发展历史是一部交织着希望、挫折与复兴的曲折历程。

这一成果被广泛认为是现代深度学习正式爆发的标志性节点， AI 治理已经成为各国共同关注的核心议题， 从古代神话中对人造智能的幻想。