人工智能（AI）并非突然“爆发”的技术，而是一部跨越近70年、充满“期望与失望交替”的进化史。从1956年“AI”一词首次被提出，到如今ChatGPT、AI绘画融入日常生活，它经历了5个关键阶段。
1
概念诞生期（1950年-1960年）：“AI”正式定名，开启探索之路
这一阶段是AI的“婴儿期”——科学家们首次明确“让机器模拟人类智能”的目标，为这门新学科定下基调。1956年达特茅斯会议：AI的“诞生证”。10位来自数学、心理学、计算机领域的科学家（如约翰・麦卡锡、马文・明斯基）在达特茅斯学院召开会议，首次提出“Artificial Intelligence（人工智能）”这一术语，被公认为AI 正式诞生的标志。
1959年第一台工业机器人“Unimate”：AI走出实验室。工程师乔治・德沃尔发明的Unimate机器人，被通用汽车公司引入汽车生产线，用于搬运金属零件和焊接作业。它虽然只能执行预设程序，没有自主思考能力，却首次将“机器替代人类体力+简单智能”的构想落地，开启了AI在工业领域的应用探索。
2
第一次低谷期（1970年-1980年初）：理想与现实落差，行业进入“寒冬”
诞生期的乐观预期，很快被技术的局限性打破——早期AI无法应对复杂场景，资金与研究热情骤降，行业陷入第一次“寒冬”。一是技术瓶颈凸显：AI系统仅能处理“规则明确、数据简单”的任务，无法适应真实世界的不确定性；二是资金收缩：政府（如美国国防部）和企业意识到短期难见回报，大幅削减 AI 研发投入。
1950年末，美国政府资助“机器翻译项目”，希望实现俄英自动翻译。但实际测试中，系统连“the spirit is willing, but the flesh is weak”（心有余而力不足）都能翻译成“伏特加很烈，但肉很烂”，完全脱离语境。这次失败让外界意识到，AI对“语言理解”的难度远超预期，成为压垮行业信心的关键事件。
3
专家系统繁荣期（1980年中-1990年）：聚焦“特定领域”，AI重新崛起
行业从低谷中吸取教训，放弃“让 AI 拥有通用智能”的宏大目标，转而聚焦“特定领域的专业能力”——专家系统应运而生，推动AI进入第一次商业化浪潮。
医疗诊断系统“MYCIN”：AI当“辅助医生”。美国斯坦福大学开发的MYCIN系统，能通过询问患者症状（如发烧温度、咳嗽类型），分析可能的细菌感染类型，并推荐抗生素用药方案。它在测试中对细菌感染的诊断准确率达 80%，虽未大规模临床应用，却证明了AI在专业领域的辅助价值。
银行信贷专家系统：AI当“风险管家”。1980年末，花旗银行等金融机构引入专家系统，通过分析企业财务数据（如营收、负债）、行业趋势，自动评估信贷风险。相比人工审核，系统不仅效率提升3倍，还减少了因主观判断导致的误差，成为AI商业化的经典案例。
1997年IBM“深蓝”击败国际象棋冠军：AI 里程碑。IBM 研发的“深蓝”超级计算机，通过存储百万级国际象棋棋局、实时计算最优走法，以3.5:2.5的比分击败国际象棋世界冠军卡斯帕罗夫。这是AI首次在“人类擅长的复杂策略游戏”中战胜顶尖选手，让世界重新认识到AI的计算与决策潜力。
4
第二次低谷期（2000年-2010年初）：专家系统“失灵”，算力与数据拖后腿
专家系统的繁荣并未持续太久——它的“刚性缺陷”逐渐暴露，加上缺乏海量数据和强大算力支撑，AI再次陷入瓶颈。
“规则无法覆盖所有场景”：某电商平台曾用专家系统处理客户投诉，但现实中投诉原因千奇百怪（如“商品包装上有划痕”“快递员送错小区”），系统预设的规则根本无法覆盖，最终只能退回人工处理，效率反而更低；
5
深度学习爆发期（2010年中-至今）：三要素共振，AI 进入“普惠时代”
随着互联网普及（带来海量数据）、GPU技术突破（提供强大算力）、深度学习算法成熟（提升模型效果），AI迎来“三要素共振”的爆发期，从“专业领域”走进普通人的生活。
2016年AlphaGo：AI攻克“人类智慧最后的堡垒”。谷歌DeepMind研发的AlphaGo，通过“深度学习+强化学习”，击败围棋世界冠军李世石。围棋的棋局变化远超国际象棋（约10^170 种可能），需要“直觉与策略结合”，AlphaGo 的胜利证明AI不仅能处理“纯逻辑问题”，还能模拟人类的“策略性思考”，成为AI发展的又一里程碑。
2022年ChatGPT：AI对话走进日常。OpenAI推出的ChatGPT，能理解人类自然语言、生成连贯对话，甚至完成写文案、编代码、解数学题等任务。它不再是“专业领域的工具”，而是普通人能直接使用的 “智能助手”，让全球意识到 AI 已具备“接近人类的语言交互能力”。
AI绘画、自动驾驶：技术落地加速。2022年以来，MidJourney、 Stable Diffusion等AI绘画工具让“文字变图像”成为可能；特斯拉、百度等企业的自动驾驶技术进入“L2+”阶段，能实现自动跟车、车道保持等功能——AI从“实验室技术”变成了看得见、用得上的产品。
AI 的进化逻辑——在 “试错” 中贴近人类需求。回顾AI70 年的发展，它的每一次进步都遵循“从‘理想化目标’到‘解决实际问题’”的逻辑：从早期想“让机器像人一样全能”，到聚焦“特定领域的专家系统”，再到如今用“深度学习”解决生活中的具体需求（如聊天、绘画、驾驶）。如今的AI仍在进化，但核心方向已明确：不是“替代人类”，而是“成为人类的工具，让生活更高效、更便捷”。
作者 | 莫康华 广州大学人工智能研究院在读博士
审核 | 曹 岐 上海市军民融合发展研究会理事，研究员返回搜狐，查看更多