约公元前4世纪

在古希腊，哲学家亚里士多德在其著作《工具论》中系统阐述了形式逻辑，特别是三段论推理。这为后世基于规则的符号推理系统奠定了理论基础，被认为是人工智能思想在哲学和逻辑学上的早期萌芽。亚里士多德试图将人类思维过程形式化，其思想对中世纪经院哲学和近代逻辑学发展产生了深远影响。虽然与现代计算智能相去甚远，但逻辑形式化是人工智能发展不可或缺的基石。有观点认为，中国古代名家的“白马非马”等命题也涉及了逻辑与概念的探讨，但未形成如亚里士多德般的系统化理论体系。

17世纪

这一时期，多位思想家为“机械思维”和“自动计算”奠定了基础。17世纪，法国哲学家兼数学家勒内·笛卡尔提出了身心二元论，并探讨了动物可能是复杂机器的观点。德国哲学家兼数学家戈特弗里德·威廉·莱布尼茨则梦想着一种通用的符号语言（Characteristica Universalis）和逻辑演算（Calculus Ratiocinator），用以解决所有争议，这被视为对通用推理机器的早期构想。19世纪，英国数学家乔治·布尔创立了布尔代数，用代数方法研究逻辑问题，为数字电路和计算机逻辑设计提供了数学工具。英国数学家兼发明家查尔斯·巴贝奇设计了分析机（Analytical Engine），尽管未能建成，但其设计包含了现代计算机的核心概念：算术逻辑单元、控制流、循环和内存。他的合作者阿达·洛夫莱斯伯爵夫人为其编写了算法，并敏锐地指出分析机只能执行指令，不能“原创”任何东西，这被视为对计算机能力与局限性的最早评论之一。

1943年

美国神经科学家沃伦·麦卡洛克和逻辑学家沃尔特·皮茨发表了论文《神经活动中内在思想的逻辑演算》。该论文提出了第一个人工神经元数学模型（M-P神经元），将神经元抽象为简单的逻辑门，并证明由这些神经元组成的网络原则上可以计算任何逻辑函数。这一工作将神经生理学、数理逻辑和计算理论联系起来，为后来的人工神经网络研究奠定了基石。麦卡洛克和皮茨的模型虽然简单，但它首次表明大脑的神经活动可能可以用计算术语来描述，启发了后续对感知机和其他神经网络模型的研究。学界常见观点认为，这篇论文是控制论和连接主义人工智能的起点。

1950年

英国数学家、逻辑学家艾伦·图灵在哲学期刊《心灵》上发表了划时代的论文《计算机器与智能》。在文中，他提出了著名的“模仿游戏”，即后来广为人知的“图灵测试”，作为判断机器是否具有智能的操作性标准。图灵还讨论了机器智能的可能性，预见了反对机器智能的多种哲学论点（如“数学反对”、“意识反对”等）并逐一进行了反驳。他预测到20世纪末，经过5分钟对话，普通询问者判断机器为人的概率可达70%。这篇论文超越了单纯的技术讨论，从哲学和认知科学层面定义了人工智能的核心目标，并极大地激发了人们对该领域的兴趣。图灵也被后世尊为“人工智能之父”之一。

1956年

在美国达特茅斯学院，由约翰·麦卡锡（他首次提出“人工智能”一词）、马文·明斯基、克劳德·香农、纳撒尼尔·罗切斯特共同发起并组织了一场为期约两个月的研讨会。会议提案中明确写道：“这项研究是基于一个猜想，即学习的每一个方面或智能的任何其他特征，原则上都可以被精确描述，从而可以制造一台机器来模拟它。”与会者还包括艾伦·纽厄尔、赫伯特·西蒙、亚瑟·塞缪尔等。这次会议正式确立了“人工智能”（Artificial Intelligence）作为一门独立的研究领域，并设定了最初的乐观目标。达特茅斯会议被公认为人工智能诞生的标志性事件，会上展示的成果如逻辑理论家程序，也开启了早期AI研究的符号主义范式。

1966年 ~ 1973年

美国麻省理工学院的约瑟夫·魏泽鲍姆开发了历史上第一个聊天机器人程序“伊莉莎”（ELIZA）。该程序模拟一位罗杰斯式心理治疗师，通过简单的模式匹配和脚本（如DOCTOR脚本）与用户进行文本对话。尽管其内部机制非常简单，但许多用户在与伊莉莎交流时产生了强烈的代入感，甚至相信它能够理解自己。这种现象后来被称为“伊莉莎效应”。伊莉莎的成功与局限共同揭示了人机交互中人类心理投射的强大作用，同时也暴露了基于纯粹关键字匹配的自然语言处理系统的根本性缺陷。它既是自然语言处理领域的里程碑，也为后来对AI伦理和人类认知的反思提供了早期案例。

20世纪70年代 ~ 80年代

由于早期AI研究过于乐观，承诺的目标（如机器翻译、通用问题求解）未能实现，加之计算能力不足和理论瓶颈（如马文·明斯基等对单层感知机局限性的批判），政府和机构（如美国DARPA、英国莱特希尔报告）大幅削减了对AI研究的资助。这一时期被称为“人工智能的冬天”。然而，研究并未完全停止。在此期间，专家系统（一种基于规则的知识库系统）在商业应用上取得了成功，如爱德华·费根鲍姆团队开发的DENDRAL（化学分析）和MYCIN（医疗诊断）。专家系统的繁荣催生了知识工程这一子领域，并带动了如Symbolics、Lisp Machine Inc.等专用AI硬件公司的兴起，形成了短暂的“专家系统热潮”，但最终也因维护困难、知识获取瓶颈等问题而降温，导致了第二次AI冬天。

1997年05月11日

由IBM公司开发的超级计算机“深蓝”（Deep Blue）在一场六局制的复赛中，以3.5:2.5的总比分击败了当时的世界国际象棋冠军加里·卡斯帕罗夫。深蓝是一台基于大规模并行计算的RS/6000 SP系统，拥有专门为国际象棋优化的硬件和软件，每秒可评估2亿个棋局位置。这场比赛在全球范围内引起了巨大轰动，被视为机器在特定智力领域超越人类的里程碑事件。它证明了“暴力计算”结合启发式搜索在定义明确的复杂问题上的强大能力。据资料显示，卡斯帕罗夫在输掉比赛后曾质疑IBM团队有人类棋手干预，但IBM予以否认。这一事件不仅提升了公众对AI的认知，也促使研究者思考超越穷举搜索的更通用智能形式。

2012年

在多伦多大学亚历克斯·克里切夫斯基、伊利亚·苏茨克维和杰弗里·辛顿的带领下，其开发的深度卷积神经网络“AlexNet”在ImageNet大规模视觉识别挑战赛（ILSVRC）中取得了突破性成绩。AlexNet将图像分类的错误率从上一届冠军的25.8%大幅降低至15.3%，优势显著。其成功关键在于使用了更深的网络结构、ReLU激活函数、Dropout正则化以及利用GPU（NVIDIA GTX 580）进行大规模并行训练。这一胜利向学术界和工业界证明了深度学习的巨大潜力，彻底扭转了神经网络因训练困难而长期被边缘化的局面，引爆了新一轮以深度学习为核心的人工智能研究与应用浪潮。杰弗里·辛顿也因此被誉为“深度学习之父”之一。

2016年03月 ~ 2016年03月

由谷歌旗下DeepMind公司开发的围棋人工智能程序“AlphaGo”与世界顶级围棋棋手、韩国九段李世石在韩国首尔进行了一场五番棋对决。AlphaGo结合了深度神经网络（策略网络和价值网络）与蒙特卡洛树搜索。最终，AlphaGo以4:1的总比分获胜。特别是在第二局中，AlphaGo下出的第37手“碰”被职业棋手认为极具创意和颠覆性。这场比赛被全球数千万人观看，其意义远超1997年的“深蓝”胜利，因为围棋的复杂度远高于国际象棋，传统穷举方法无效。AlphaGo的胜利标志着人工智能在需要直觉和战略思维的复杂非完全信息博弈领域达到了新的高度，也极大地推动了深度学习与强化学习技术的融合与发展。

2017年

谷歌的研究团队发表了题为《注意力就是你所需要的一切》的论文，提出了全新的神经网络架构——Transformer。该架构完全基于自注意力机制，摒弃了循环神经网络（RNN）和卷积神经网络（CNN）在序列建模中的传统结构。Transformer在并行计算效率、长距离依赖建模能力上表现出显著优势，迅速成为自然语言处理领域的主导模型。基于Transformer架构，后续涌现出如BERT、GPT系列等预训练语言模型，在多项NLP任务上取得了革命性的进步。Transformer不仅统治了NLP领域，其思想也开始向计算机视觉、语音识别、生物信息学等领域渗透。有观点认为，Transformer架构的出现是继卷积神经网络之后，人工智能基础模型领域最重要的突破之一。