1936年

英国数学家艾伦·图灵在论文《论可计算数及其在判定问题上的应用》中提出“图灵机”这一抽象计算模型，奠定了人工智能理论基础。图灵机通过读写无限长纸带上的符号来执行任何可计算函数，其核心思想是将人的计算过程机械化。该模型不仅定义了“算法”的数学含义，也为后来数字计算机的存储程序概念提供了蓝图。据资料显示，图灵并未直接使用“人工智能”一词，但他的工作被视为AI思想的源头，因为它首次系统论证了机器能够模拟人类逻辑推理的可能性。这一阶段属于理论奠基期，尚无实际机器实现，但其影响深远，直接启发了冯·诺依曼架构的计算机设计。有观点认为，若无图灵机的形式化框架，后续AI研究将缺乏严格的数学语言支撑。

1950年

艾伦·图灵在哲学期刊《Mind》上发表论文《计算机器与智能》，开篇提出“机器能思考吗？”这一经典问题，并设计了著名的“模仿游戏”（即图灵测试）作为判断机器是否具备智能的操作性标准。图灵测试要求测试者通过文本对话无法区分对方是人还是机器，若机器能成功欺骗测试者，则视为具备智能。该论文还预见了21世纪机器在棋盘游戏、语言翻译等领域的突破，并反驳了“机器不能犯错”“机器没有意识”等常见反对意见。据资料显示，图灵测试至今仍是AI评估的重要参照，尽管后来有观点认为它过于侧重行为模仿而非真正理解，但它在哲学和工程层面为AI设立了可检验的目标，直接推动了“强人工智能”与“弱人工智能”的学术争论。

1956年

美国达特茅斯学院召开为期两个月的夏季研讨会，由约翰·麦卡锡、马文·明斯基、克劳德·香农和纳撒尼尔·罗切斯特共同组织，会议正式采用“人工智能”（Artificial Intelligence）这一术语。参会者包括赫伯特·西蒙、艾伦·纽厄尔等后来成为领域巨擘的学者。会议旨在探讨如何让机器使用语言、形成抽象概念、解决人类问题并自我改进，被视为AI作为独立学科的诞生标志。尽管会上并未产生突破性成果，但确立了研究路线图，并促成了早期符号主义（逻辑推理与知识表示）的兴起。据资料显示，会议提案中麦卡锡特意选用“人工智能”而非“控制论”或“自动机研究”，以区别于既有领域。有观点认为，这次会议将AI从科幻想象转变为可资助、可发表的科学工程方向，直接催生了后续二十年的“黄金时代”。

1966年

美国麻省理工学院教授约瑟夫·维森鲍姆开发出第一个自然语言处理程序“ELIZA”，它能模拟心理治疗师，通过关键词匹配和模式替换与用户进行对话。ELIZA的著名脚本“DOCTOR”会重复用户语句中的关键词，并用预设模板生成回应，例如当用户说“我母亲讨厌我”时，程序可能回应“你母亲讨厌你吗？”虽然ELIZA不具备真正的理解能力，但它成功欺骗了许多用户，使其误以为程序具有情感和同理心。据资料显示，维森鲍姆本人对用户过度依赖ELIZA感到震惊，并在后来著作中批评AI的过度乐观。ELIZA的意义在于首次展示了人机交互的可行性，也暴露了图灵测试的局限性——机器可通过空洞技巧而非智能通过测试。该程序成为后续聊天机器人的直接先驱，影响了包括现代对话系统在内的设计哲学。

1973年

英国数学家詹姆斯·莱特希尔受英国科学研究委员会委托发布《莱特希尔报告》，对AI领域进行了严厉评估，指出其未能兑现承诺，尤其在机器翻译和感知机器人方面进展缓慢。报告称“该领域任何部分的发现至今未能产生预期重大影响”，并建议政府削减对AI研究的资助。这一结论直接导致英国和美国多所大学关闭AI实验室，大量研究项目被终止，AI进入第一次“寒冬”。据资料显示，此前美国国防高级研究计划局（DARPA）因语音识别和翻译项目失败而大幅削减预算，与莱特希尔报告形成叠加效应。有观点认为，寒冬并非因AI理论错误，而是早期技术瓶颈（计算能力不足、数据缺乏）所致。该事件促使学界反思过度承诺问题，并推动了后来知识工程和专家系统的务实转向。

1980年

卡内基梅隆大学为美国数字设备公司（DEC）开发了专家系统“XCON”，用于自动配置计算机系统订单。XCON基于规则引擎，包含数千条“如果-那么”规则，能够根据客户需求选择正确的组件并排布安装顺序，准确率远超人类工程师。DEC公司报告称XCON每年为公司节省约2500万美元成本，并在高峰期处理了超过9万份订单。这一成功案例引发“专家系统热”，企业界和军方纷纷投入重金，日本第五代计算机计划（1982年启动）更是将逻辑推理机作为国家战略。据资料显示，XCON的成功促使AI从学术实验室走向商业应用，但专家系统也暴露出知识获取瓶颈、规则冲突和维护困难等问题。有观点认为，1980年代是AI第一次大规模商业化尝试，尽管后来因成本过高而衰退，但为知识表示和推理研究积累了宝贵经验。

1997年05月

IBM超级计算机“深蓝”在国际象棋比赛中以3.5比2.5的总比分战胜世界冠军加里·卡斯帕罗夫，成为首个在标准六局制比赛中击败人类世界冠军的计算机系统。深蓝采用大规模并行计算，拥有480颗专用国际象棋芯片，每秒可评估2亿个棋局位置，结合启发式搜索和开局库、残局库。卡斯帕罗夫在赛后声称IBM在第二局中有人类棋手介入（即“人类辅助”争议），但IBM否认并拒绝提供日志。据资料显示，深蓝的胜利并非通用智能，而是专精领域的暴力计算胜利，但它极大改变了公众对AI的认知，并刺激了博弈论和搜索算法研究。有观点认为，深蓝标志着“窄AI”在特定任务上超越人类专家，但距离通用智能仍遥远。该事件也推动了后来AlphaGo等更复杂博弈系统的开发。

2011年

IBM的问答系统“沃森”在美国电视智力竞赛节目《危险边缘》中击败两位人类冠军肯·詹宁斯和布拉德·拉特，赢得100万美元奖金。沃森并非联网搜索，而是通过分析200TB结构化与非结构化数据，使用自然语言处理、信息检索、概率推理和机器学习算法，在3秒内生成候选答案并给出置信度。它运行在90台IBM Power 750服务器上，共2880个处理器核心。据资料显示，沃森的胜利展示了AI在开放域问答和语义理解上的突破，与深蓝的封闭规则不同，沃森需要处理双关语、反讽和隐晦线索。IBM随后将沃森技术用于医疗、金融等商业领域，但后续商业化效果未达预期。有观点认为，沃森的成功是“大数据+统计学习”范式的里程碑，但暴露了深度语言理解的薄弱，为后来深度学习在NLP中的崛起埋下伏笔。

2012年10月

在ImageNet大规模视觉识别挑战赛（ILSVRC）中，多伦多大学团队（亚历克斯·克里热夫斯基、伊利亚·苏茨克维和杰弗里·辛顿）提交的深度卷积神经网络“AlexNet”以15.3%的错误率夺冠，远超第二名（26.2%）。AlexNet使用ReLU激活函数、Dropout正则化和数据增强技术，在两张NVIDIA GTX 580 GPU上训练了约一周。该结果震惊学界，证明深度学习在图像识别上远超传统手工特征方法。据资料显示，ImageNet数据集由李飞飞等人于2009年创建，包含1400万张标注图片，为深度学习提供了训练基础。AlexNet的成功引发“深度学习革命”，谷歌、Facebook等公司迅速研究团队跟进。有观点认为，2012年是AI从符号主义、统计学习转向深度学习的分水岭，辛顿团队随后被谷歌以约4400万美元收购，进一步加速了产业应用。