人工智能（AI）的发展历程可以追溯到20世纪中叶，经历了多次技术突破、低谷与复兴。以下是AI技术发展的关键阶段和里程碑。

早期萌芽（1940s-1950s）

理论基础的奠基

• ​神经网络模型的提出：1943年，神经科学家麦卡洛克（Warren McCulloch）和数学家皮茨（Walter Pitts）提出了人工神经元模型，首次尝试用数学描述大脑神经元的工作机制。
• ​图灵测试：1950年，艾伦·图灵（Alan Turing）发表论文《计算机器与智能》，提出了“图灵测试”，定义了机器智能的标准。如果一台机器能在文本交流中让人类无法区分它是机器还是人类，这台机器可以被认为具有人类水平的智能。
• ​达特茅斯会议：1956年，达特茅斯会议上，约翰·麦卡锡（John McCarthy）等人首次提出“人工智能”这一术语，标志着AI正式成为一门学科。

早期AI系统的开发

• ​逻辑理论家：1956年，艾伦·纽厄尔（Allen Newell）和赫伯特·西蒙（Herbert Simon）开发了逻辑理论家（Logic Theorist）程序，能够证明数学定理，展示了计算机在解决特定问题上的潜力。
• ​ELIZA：1966年，MIT的ELIZA程序通过模式匹配模拟心理医生对话，引发公众对AI的想象。

第一次繁荣与寒冬（1960s-1970s）

专家系统的兴起

• ​专家系统：1967年，爱德华费根鲍姆（Edward Feigenbaum）开发了DENDRAL化学分析专家系统，能够依据质谱数据推断分子结构，标志着专家系统的崛起。
• ​Lisp语言机器：1970年，Symbolics和Lisp Machines等公司专注于开发Lisp语言机器，为AI研究提供硬件支持，但受限于计算能力和算法，AI发展遇到瓶颈。

技术局限性

• ​计算能力不足：1969年，马文·明斯基（Marvin Minsky）在《感知器》一书中指出简单神经网络的局限性，导致神经网络研究陷入停滞。
• ​第一次AI寒冬：由于技术局限性凸显，政府和资本对AI的投入锐减，进入第一次寒冬（1974-1980）。

复兴与第二次浪潮（1980s-1990s）

神经网络的复兴

• ​反向传播算法：1986年，杰弗里·辛顿（Geoffrey Hinton）提出反向传播算法，使得多层神经网络（即深度学习雏形）的训练成为可能。
• ​专家系统商业化：如XCON（DEC公司的计算机配置系统）创造了数亿美元价值，但后期维护成本过高导致衰落。

计算能力的提升

1997年，IBM的深蓝（Deep Blue）战胜国际象棋世界冠军加里·卡斯帕罗夫，标志着AI在特定任务上达到了新的高度。

深度学习革命（2000s-2010s）

深度学习的突破

• ​深度置信网络：2006年，杰弗里·辛顿（Geoffrey Hinton）提出深度置信网络（DBN），开启了深度学习的新时代。
• ​ImageNet竞赛：2012年，辛顿团队在ImageNet图像识别竞赛中，使用卷积神经网络（CNN）将错误率降至15.3%，震惊学术界。
• ​AlphaGo：2016年，AlphaGo击败围棋世界冠军李世石，强化学习与蒙特卡洛树搜索的结合引发全球关注。

硬件进步

GPU的大规模并行计算能力为深度学习提供了算力支持。

通用AI的探索与多模态时代（2020s至今）

生成式AI的崛起

2020年，OpenAI发布GPT-3，参数量达1750亿，能够生成高质量文本。
2022年，Stable Diffusion、DALL-E 2等文生图模型推动AIGC（生成式AI）普及。

多模态大模型

2023年，ChatGPT引发全球热潮，多模态大模型（如GPT-4、谷歌Gemini）整合文本、图像、语音等多种模态输入。

人工智能的发展历程经历了从理论基础奠基、第一次繁荣与寒冬、复兴与第二次浪潮、深度学习革命到通用AI的探索与多模态时代的多次演变。每个阶段的技术突破和应用场景的拓展，都推动了AI技术的不断进步和发展。尽管面临技术、伦理和社会挑战，AI仍将在未来继续改变世界。