ai发展史思维导图
11720
画布
|大纲
内容详情
起源与早期探索（1940s–1950s）
理论奠基
- 图灵测试提出（1950）
- 艾伦·图灵《计算机器与智能》论文
- “模仿游戏”作为智能判断标准
- 引发对“机器能否思考”的哲学讨论
- 成为AI领域思想起点
- 引发对“机器能否思考”的哲学讨论
- “模仿游戏”作为智能判断标准
- 艾伦·图灵《计算机器与智能》论文
- 控制论与信息论发展
- 维纳《控制论》（1948）
- 反馈机制与自动控制系统
- 影响早期神经网络研究
- 为机器学习提供理论雏形
- 影响早期神经网络研究
- 反馈机制与自动控制系统
- 维纳《控制论》（1948）
首次AI会议与术语诞生
- 达特茅斯会议（1956）
- 约翰·麦卡锡首次提出“人工智能”术语
- 聚集明斯基、香农等先驱
- 宣告AI作为独立学科诞生
- 设定“两个月内解决AI问题”的乐观目标
- 宣告AI作为独立学科诞生
- 聚集明斯基、香农等先驱
- 约翰·麦卡锡首次提出“人工智能”术语
黄金时代与第一次寒冬（1956–1974）
初期突破
- 逻辑推理系统
- 逻辑理论家（Logic Theorist, 1956）
- 首个可自动证明数学定理的程序
- 模拟人类问题求解过程
- 展示符号主义AI潜力
- 模拟人类问题求解过程
- 首个可自动证明数学定理的程序
- 逻辑理论家（Logic Theorist, 1956）
- 通用问题求解器（GPS, 1957）
- 艾伦·纽厄尔与赫伯特·西蒙开发
- 基于手段-目的分析的问题解决框架
- 推动认知科学与AI交叉
- 获图灵奖肯定
- 推动认知科学与AI交叉
- 基于手段-目的分析的问题解决框架
- 艾伦·纽厄尔与赫伯特·西蒙开发
技术局限与期望落差
- 计算能力不足
- 内存与处理速度限制
- 无法处理复杂现实问题
- 导致项目难以扩展
- 政府资助减少
- 导致项目难以扩展
- 无法处理复杂现实问题
- 内存与处理速度限制
- 知识表示瓶颈
- 缺乏常识知识库
- 系统仅限封闭领域
- 无法应对开放世界推理
- 引发对AI可行性质疑
- 无法应对开放世界推理
- 系统仅限封闭领域
- 缺乏常识知识库
第一次AI寒冬（1974–1980）
- Lighthill报告（1973）
- 英国政府委托评估AI进展
- 批评AI未达预期成果
- 直接导致英国AI经费削减
- 波及其他国家科研投入
- 直接导致英国AI经费削减
- 批评AI未达预期成果
- 英国政府委托评估AI进展
专家系统与复兴（1980s）
商业化应用兴起
- 专家系统代表：MYCIN、DENDRAL
- MYCIN：医疗诊断系统（1970s末–1980s）
- 基于规则推理诊断细菌感染
- 准确率媲美专业医生
- 推动医疗AI落地
- 准确率媲美专业医生
- 基于规则推理诊断细菌感染
- DENDRAL：化学结构分析
- 首个成功专家系统
- 验证知识工程可行性
- 启发后续工业应用
- 验证知识工程可行性
- 首个成功专家系统
- MYCIN：医疗诊断系统（1970s末–1980s）
知识工程热潮
- 知识获取与表示方法
- 规则库、产生式系统
- IF-THEN规则构建决策逻辑
- 依赖领域专家输入
- 存在“知识获取瓶颈”
- 依赖领域专家输入
- IF-THEN规则构建决策逻辑
- 规则库、产生式系统
- 日本第五代计算机计划（1982）
- 国家级AI战略
- 目标实现自然语言与逻辑推理
- 刺激全球AI竞赛
- 最终因技术超前失败
- 刺激全球AI竞赛
- 目标实现自然语言与逻辑推理
- 国家级AI战略
神经网络复兴与机器学习崛起（1986–1990s）
反向传播算法突破
- Rumelhart等人重新发现BP算法（1986）
- 解决多层神经网络训练难题
- 实现非线性模式识别
- 推动连接主义复兴
- 为深度学习奠定基础
- 推动连接主义复兴
- 实现非线性模式识别
- 解决多层神经网络训练难题
从符号主义到统计学习
- 机器学习范式转变
- 从硬编码规则转向数据驱动
- 支持向量机（SVM）、决策树兴起
- 提升泛化能力与鲁棒性
- 应用于手写识别、垃圾邮件过滤等
- 提升泛化能力与鲁棒性
- 支持向量机（SVM）、决策树兴起
- 从硬编码规则转向数据驱动
实用主义导向
- IBM深蓝战胜卡斯帕罗夫（1997）
- 结合搜索算法与专用硬件
- 展示AI在特定任务的超越性
- 提升公众对AI信心
- 标志AI进入实用阶段
- 提升公众对AI信心
- 展示AI在特定任务的超越性
- 结合搜索算法与专用硬件
大数据与深度学习革命（2006至今）
深度学习突破
- Hinton提出深度置信网络（2006）
- 解决深层网络训练难题
- 开启现代深度学习时代
- GPU加速训练成为可能
- 推动卷积神经网络（CNN）复兴
- GPU加速训练成为可能
- 开启现代深度学习时代
- 解决深层网络训练难题
- ImageNet竞赛里程碑（2012）
- AlexNet大幅降低图像识别错误率
- 证明深度CNN优越性
- 引爆工业界AI投资热潮
- 谷歌、Facebook等大规模布局
- 引爆工业界AI投资热潮
- 证明深度CNN优越性
- AlexNet大幅降低图像识别错误率
大模型与通用人工智能探索
- Transformer架构（2017）
- 自注意力机制取代RNN/LSTM
- 支撑BERT、GPT系列大模型
- 实现高质量语言理解与生成
- 推动AIGC（生成式AI）爆发
- 实现高质量语言理解与生成
- 支撑BERT、GPT系列大模型
- 自注意力机制取代RNN/LSTM
- 多模态与具身智能
- CLIP、DALL·E、Sora等模型
- 融合文本、图像、视频跨模态理解
- 探索AI感知与行动统一
- 向通用人工智能迈进
- 探索AI感知与行动统一
- 融合文本、图像、视频跨模态理解
- CLIP、DALL·E、Sora等模型
伦理、治理与未来挑战
- AI安全与对齐问题
- 模型幻觉、偏见、失控风险
- 引发全球监管讨论（如欧盟AI法案）
- 推动可解释AI（XAI）研究
- 强调人类价值观对齐
- 推动可解释AI（XAI）研究
- 引发全球监管讨论（如欧盟AI法案）
- 模型幻觉、偏见、失控风险
- 可持续发展与社会影响
- 算力能耗、就业冲击、数字鸿沟
- 呼吁负责任创新
- 构建包容性AI生态
- 平衡技术进步与社会效益
- 构建包容性AI生态
- 呼吁负责任创新
- 算力能耗、就业冲击、数字鸿沟