1936年

人工智能（AI）的概念最早可追溯至1936年，英国数学家艾伦·图灵在其论文《论可计算数及其在判定问题上的应用》中提出了图灵机这一抽象计算模型。图灵机为现代计算机科学奠定了基础，其核心思想是通过简单的符号操作来模拟任何可计算过程。据资料显示，图灵还于1950年在论文《计算机器与智能》中提出了著名的图灵测试，用以判断机器是否具有智能，这被普遍视为人工智能领域的哲学与理论起点。图灵的工作直接影响了后续对机器思维能力的探讨，但当时尚未形成正式的学科。背景是20世纪初数学基础危机与数理逻辑的发展，图灵试图解决希尔伯特提出的判定问题，结果虽证明判定问题不可解，却开创了计算理论。

1956年07月 ~ 1956年08月

达特茅斯会议被认为是人工智能学科诞生的标志性事件。1956年夏季，约翰·麦卡锡、马文·明斯基、克劳德·香农、纳撒尼尔·罗切斯特等十位科学家在美国达特茅斯学院召开了一场为期两个月的研讨会。会议提案中首次使用了“人工智能”这一术语，并明确目标为“使机器能使用语言、形成抽象概念、解决人类问题并自我改进”。据资料显示，会议期间讨论了逻辑推理、自然语言处理、神经网络等前沿方向，但并未取得重大突破。然而，这次会议凝聚了早期研究者，促成了人工智能研究社区的形成，并直接导致了后续几十年内符号主义、连接主义等学派的出现。背景是二战后计算机技术发展、控制论兴起及认知科学的萌芽。

1958年

美国计算机科学家约翰·麦卡锡在麻省理工学院发明了Lisp编程语言，这是人工智能领域最早且最具影响力的编程语言之一。Lisp基于λ演算，以符号处理为核心，支持递归、自修改代码和垃圾回收等特性，非常适合实现逻辑推理和知识表示。据资料显示，Lisp迅速成为AI研究者的首选工具，被用于开发早期的专家系统、自然语言处理程序和定理证明器。其影响深远，甚至后来的Scheme、Common Lisp以及Python的函数式编程特性都受其启发。背景是当时AI研究者需要一种能灵活操作符号而非纯数值的语言，Lisp的出现填补了这一空白，极大推动了AI实验的开展。麦卡锡本人也因在AI与编程语言方面的贡献获得了1971年图灵奖。

1966年 ~ 1972年

麻省理工学院人工智能实验室开发了聊天机器人ELIZA，由约瑟夫·魏岑鲍姆主导。ELIZA模拟了罗杰斯心理治疗师，通过模式匹配和预定义脚本（如DOCTOR脚本）将用户输入转换为反问句，给人以机器理解对话的错觉。据资料显示，ELIZA是自然语言处理早期的重要尝试，其工作原理基于关键词替换和简单的语法规则，并无真正的语义理解能力。然而，许多用户在与ELIZA交互时产生了强烈的情感依赖，这一现象被称为“ELIZA效应”，引发了关于机器意识与人类心理投射的讨论。背景是60年代符号主义AI的乐观浪潮，魏岑鲍姆本人后来却对AI的伦理问题提出批评。ELIZA的代码后来开源，成为AI教学的经典案例。

1969年

明斯基与帕佩特合著的《感知机》一书出版，该书严格证明了单层感知机无法解决异或（XOR）等线性不可分问题。这一数学证明对当时蓬勃发展的神经网络研究造成了重大打击，直接导致了人工智能领域的第一次寒冬。据资料显示，书中还指出多层网络虽然理论上可行，但缺乏有效的训练算法，这使得研究资助大幅减少，许多学者转向符号主义或逻辑推理方向。背景是60年代末期AI研究未能兑现早期承诺，公众与资助机构开始失望。尽管《感知机》的结论在后来被反向传播算法打破，但其出版是AI发展史上一个关键转折点，深刻影响了连接主义学派的沉寂与后续复兴。有观点认为，这一事件也暴露了早期AI研究理论基础的薄弱。

1980年 ~ 1987年

专家系统进入商业应用高峰期，标志着人工智能第二次浪潮的到来。1980年，卡内基梅隆大学为数字设备公司开发的XCON专家系统投入使用，每年为公司节省数千万美元。专家系统通过将人类专家的知识编码为“if-then”规则，在医疗诊断（如MYCIN）、地质勘探（如PROSPECTOR）等领域取得显著成效。据资料显示，日本于1982年启动第五代计算机项目，试图通过大规模并行逻辑推理实现AI突破，欧美国家也纷纷增加投入。背景是70年代AI寒冬后，专家系统证明AI具有实际商业价值。然而，由于知识获取瓶颈、规则维护困难以及缺乏常识推理能力，专家系统的局限性逐渐暴露，加之1987年Lisp机器市场崩溃，第二次AI寒冬随之而来。

1997年05月 ~ 1997年05月11日

IBM的深蓝超级计算机在国际象棋比赛中以3.5比2.5的总比分击败了当时的世界冠军加里·卡斯帕罗夫，这是人工智能首次在智力竞技中战胜人类顶尖选手。深蓝采用专用硬件和并行搜索算法，每秒可评估约2亿个棋位，依靠暴力计算而非真正的智能。据资料显示，比赛共进行六局，关键转折是第二局深蓝走出了被卡斯帕罗夫称为“非人类”的妙手，导致其心理失衡。背景是90年代AI研究转向实用主义，深蓝的成功虽未解决通用智能问题，但极大提升了AI在大众中的认知度。结果引发了关于机器是否会取代人类的广泛社会讨论。有观点认为，深蓝的胜利本质上是计算能力与搜索算法的胜利，而非理解或创造力的体现。

2006年

杰弗里·辛顿发表论文《深度信念网络的快速学习算法》，提出通过逐层无监督预训练来训练深层神经网络的方法，有效解决了梯度消失问题。这一工作被视为深度学习革命的起点。据资料显示，辛顿的方法利用受限玻尔兹曼机对每一层进行预训练，再进行有监督微调，使得训练深层网络成为可能。背景是神经网络自80年代反向传播算法提出后因计算资源不足和过拟合问题长期停滞，而辛顿的突破结合了当时逐渐成熟的GPU计算能力。此后，深度学习在语音识别（2011年）、图像分类（2012年ImageNet竞赛）等领域接连取得突破性进展，彻底改变了AI的研究范式。辛顿因此被广泛称为“深度学习之父”，并于2018年获得图灵奖。

2012年10月

在多伦多大学博士生亚历克斯·克里热夫斯基的带领下，团队使用深度卷积神经网络AlexNet在ImageNet大规模视觉识别挑战赛中以15.3%的Top-5错误率夺冠，远超第二名（26.2%）。AlexNet包含8层网络、6000万个参数，在两张GTX 580 GPU上训练了约一周。据资料显示，该网络使用了ReLU激活函数、Dropout正则化和数据增强技术，大幅提升了图像识别精度。背景是ImageNet数据集（由李飞飞团队于2009年创建）为大规模视觉识别提供了基准，而GPU计算能力的提升使深度网络训练成为可能。AlexNet的胜利标志着计算机视觉领域全面转向深度学习，并引发了工业界对AI的投资热潮。此后，深度学习迅速扩展到自然语言处理、自动驾驶、医疗影像等众多领域。

2014年06月

生成对抗网络（GAN）由伊恩·古德费洛等人提出，这一框架包含一个生成器和一个判别器，两者通过对抗训练相互提升。据资料显示，古德费洛在蒙特利尔大学酒吧中与人讨论生成模型时突发灵感，随后在2014年神经信息处理系统大会（NeurIPS）上发表了相关论文。GAN能够生成高度逼真的图像、音频和文本，其变体如DCGAN、StyleGAN不断刷新生成质量。背景是深度生成模型（如变分自编码器VAE）当时难以生成清晰的样本，GAN通过博弈论思想解决了这一问题。影响方面，GAN被广泛应用于图像合成、超分辨率、数据增强等领域，但也引发了深度伪造（Deepfake）等伦理问题。古德费洛后来加入谷歌，GAN被认为是近年来最具创新性的AI框架之一。

2017年06月

谷歌研究团队在论文《注意力就是一切》中提出了Transformer架构，彻底改变了自然语言处理领域。Transformer完全基于自注意力机制，摒弃了循环神经网络和卷积神经网络，实现了并行计算和长距离依赖建模。据资料显示，该模型在机器翻译任务上取得了当时最优结果，训练速度比循环神经网络快数倍。背景是序列模型（如LSTM）训练效率低下且难以处理长文本，Transformer的提出解决了这一瓶颈。此后，基于Transformer的预训练模型如BERT（2018年）、GPT系列（2018年起）相继出现，推动了自然语言处理进入预训练-微调范式。Transformer架构也被应用于计算机视觉（Vision Transformer）和多模态模型，成为当前AI技术的基础组件。