从诞生到爆发，见证人工智能的演进之路
达特茅斯会议标志着人工智能学科的正式诞生，John McCarthy、Marvin Minsky等科学家首次提出"人工智能"概念。
关键人物：John McCarthy、Marvin Minsky、Allen Newell、Herbert Simon
Frank Rosenblatt发明感知机（Perceptron），这是最早的神经网络模型，为后续发展奠定基础。
技术意义：首次实现机器学习的简单形式
基于规则的专家系统在特定领域展现专业能力。DENDRAL（化学分析）、MYCIN（医疗诊断）等系统证明AI的实用价值。
代表系统：DENDRAL、MYCIN、XCON
由于计算能力限制、理论瓶颈和过度承诺，AI研究进入低谷期，政府和企业大幅削减投资。
主要原因：算力不足、数据匮乏、期望过高
专家系统维护成本高昂，难以扩展，加上桌面计算机的兴起，AI再次遇冷。
影响：大量AI公司倒闭，"AI"一词成为负面标签
Geoffrey Hinton等人推广反向传播算法，解决了多层神经网络的训练难题，为深度学习复兴奠定基础。
关键人物：Geoffrey Hinton、David Rumelhart、Ronald Williams
IBM深蓝计算机以3.5:2.5击败国际象棋世界冠军，AI在特定任务上首次战胜人类顶尖选手，引发全球轰动。
技术特点：每秒评估2亿个棋局，使用暴力搜索+启发式评估
Yann LeCun发布MNIST手写数字数据集，成为机器学习领域最重要的基准数据集之一。
影响：推动卷积神经网络（CNN）发展
Geoffrey Hinton提出深度信念网络（DBN），通过逐层预训练解决深层网络训练问题，标志深度学习复兴。
关键技术：无监督预训练 + 有监督微调
Alex Krizhevsky的AlexNet在ImageNet竞赛中以15.3%的错误率获胜，比第二名低10个百分点，深度学习进入主流视野。
技术创新：GPU训练、ReLU激活、Dropout正则化
Ian Goodfellow提出GAN，开创生成式AI新纪元，后续衍生出StyleGAN、Stable Diffusion等。
核心思想：生成器与判别器对抗训练
DeepMind的AlphaGo以4:1击败围棋世界冠军李世石，证明AI在复杂博弈中也能超越人类。
技术路线：深度神经网络 + 蒙特卡洛树搜索 + 强化学习
Google发布《Attention Is All You Need》论文，Transformer架构凭借自注意力机制彻底改变NLP领域，成为大模型基石。
核心创新：自注意力机制、并行化训练、位置编码
Google发布BERT，首次实现双向语言理解，在11项NLP任务上刷新纪录，预训练+微调成为主流范式。
技术特点：Masked Language Model + Next Sentence Prediction
OpenAI发布15亿参数的GPT-2，生成能力之强让团队决定不完全开源，引发AI安全讨论。
争议点：担心被滥用生成虚假信息
1750亿参数的GPT-3展现惊人的少样本学习能力，无需微调即可完成多种任务，证明"规模即智能"。
训练成本：约460万美元，使用45TB文本数据
基于OpenAI Codex的GitHub Copilot推出，AI辅助编程进入实用阶段，改变程序员工作方式。
影响：提升编程效率30-40%
ChatGPT发布5天破百万用户，2个月破1亿用户（史上最快），引爆全球AI热潮，各行业开始AI转型。
关键技术：GPT-3.5 + RLHF（人类反馈强化学习）
GPT-4发布，支持图像理解，在各类专业考试中达到人类优秀水平（如律师资格考试前10%）。
能力提升：推理能力显著增强，幻觉大幅降低
DeepSeek、Qwen、Llama 3等开源模型快速追赶，国产大模型崛起，模型成本大幅下降，AI民主化加速。
代表：DeepSeek-V3（671B参数）、Qwen2.5、Llama 3.3
Sora、Pika、可灵等视频生成模型涌现，AI创作从图像延伸到视频，内容创作进入新阶段。
技术：Diffusion Transformer + 时空注意力机制
AI进入"推理之年"，OpenAI o1、DeepSeek-R1等推理模型问世，具备规划、反思与自我修正能力，AI Agent成为核心应用形态。
新范式：CoT推理链 + 强化学习 + 长思考时间
计算机科学之父
1950年提出"图灵测试"，为AI奠定哲学基础
AI之父
1956年创造"人工智能"术语，发明Lisp语言
深度学习之父
推广反向传播、深度信念网络，2018年图灵奖得主
CNN开创者
发明卷积神经网络，推动计算机视觉革命
深度学习先驱
神经网络序列建模专家，2018年图灵奖得主
OpenAI CEO
推动GPT系列与ChatGPT，引领AI商业化浪潮
• 符号主义（规则推理）
• 连接主义（神经网络）
• 深度学习（多层表征）
• 大模型（涌现能力）
• 推理模型（思维链）
• CPU单机（GFLOPS）
• GPU单卡（TFLOPS）
• GPU集群（PFLOPS）
• 千卡万卡（EFLOPS）
• 专用芯片（TPU/NPU）
• KB级（早期样本）
• MB-GB级（小数据集）
• TB级（ImageNet）
• PB级（互联网语料）
• 合成数据（AI生成）
• 专家系统（规则库）
• 监督学习（标注数据）
• 预训练-微调（迁移）
• 提示工程（Zero-shot）
• AI Agent（自主决策）
12年间，模型参数增长超过10000倍