1 早期思想与萌芽
1.1 古代哲学与神话
1.1.1 自动机传说与亚里士多德
早在古希腊神话中，火神赫淮斯托斯便锻造了黄金侍女作为自动助手。亚里士多德在《政治学》中设想过“自动织梭”与“自动拨弦”，认为若工具能自行完成工作，奴隶制便无必要。这些幻想为后世赋予机器智能的渴望埋下种子。
1.2 现代逻辑与数学基础
1.2.1 莱布尼兹的普遍语言
17世纪哲学家莱布尼兹提出“普遍语言”构想，意图用符号系统编码所有人类知识，并通过机械计算解决争议。他发明了步进计算器，首次将推理与算术联系起来，被视为符号主义AI的哲学先驱。
1.2.2 图灵机与可计算性
1936年，艾伦·图灵提出抽象计算模型“图灵机”，定义了“可计算”的精确边界。他在1950年发表的《计算机器与智能》中提出“图灵测试”，成为判断机器是否具有智能的经典（且饱受调侃）标准。
1.3 达特茅斯会议与AI诞生
1.3.1 麦卡锡、明斯基等人的贡献
1956年夏，约翰·麦卡锡、马文·明斯基、克劳德·香农等科学家在美国达特茅斯学院召开研讨会，正式提出“人工智能”一词。会议虽未产生重大成果，但确立了研究目标和共同体，标志着AI作为独立学科的诞生。
2 黄金时代（1956–1974）
2.1 符号主义与通用问题求解器
纽厄尔和西蒙开发了“逻辑理论家”程序，能自动证明数学定理。随后他们推出“通用问题求解器”，试图用符号推理解决通用问题。符号主义范式主导了早期AI，坚信智能可被简化为符号操作。
2.2 早期神经网络
2.2.1 感知机与Rosenblatt
弗兰克·罗森布拉特于1957年提出感知机，一种模拟生物神经元的简单模型。他制造了“马克1号”感知机硬件，能识别简单形状。感知机引爆了公众对“学习机器”的热情，媒体甚至预测它将很快“行走、说话、看和写”。
2.3 乐观预言与过度承诺
2.3.1 “电脑将战胜世界冠军”的豪言
赫伯特·西蒙在1957年宣称：“十年内，计算机将成为世界象棋冠军。”明斯基也放言“一代人内将解决智能难题”。这些过于乐观的预言在当时煽动了高额投资，却也埋下了日后失望的伏笔。
3 第一次AI寒冬（1974–1980）
3.1 资金削减与批评浪潮
由于技术瓶颈（如机器翻译的糟糕表现）叠加石油危机，英国和美国政府大幅削减AI研究经费。1973年莱特希尔报告尖锐批评AI未能兑现承诺，导致英国AI实验室几乎全部关闭。研究进入低谷，史称“第一次AI寒冬”。
3.2 知识表示转向
3.2.1 框架与语义网络
为应对符号系统缺乏常识的困境，研究者转向知识表示——如何让机器存储和组织现实世界的知识。马文·明斯基提出“框架”理论，约翰·索瓦推广“语义网络”，这些方法成为后来专家系统的基石。
4 专家系统时代（1980–1987）
4.1 专家系统的工作原理
专家系统将人类专家的知识编码为“if-then”规则，通过推理引擎回答问题。它们专注于狭窄领域，如医学诊断、地质勘探，表现可靠且可解释。
4.1.1 MYCIN与DENDRAL的成功
斯坦福大学开发的MYCIN可识别细菌感染并推荐抗生素，准确率超越部分人类医生。DENDRAL则能根据质谱数据推断有机分子结构。两者证明了知识工程的价值，点燃了商业AI的第二波热潮。
4.2 日本第五代计算机计划
4.2.1 激起的全球竞争
1982年日本宣布第五代计算机计划，目标十年内开发出具备自然语言理解和推理能力的人工智能设备。这触发了美国、欧洲的恐慌式投资，各国纷纷推出类似项目，形成了一场声势浩大的“AI军备竞赛”。
5 第二次AI寒冬（1987–1993）
5.1 商业泡沫破裂
专家系统公司（如Lisp Machines Inc.）纷纷倒闭，因其系统维护成本高昂且难以扩展。日本第五代计划最终也未兑现宏大目标。投资退潮，AI再次背上“骗局”骂名，进入第二次寒冬。
5.2 连接主义复兴的前夜
5.2.1 反向传播算法的重新发现
1986年，大卫·鲁姆哈特等人重新推广反向传播算法，使多层神经网络训练成为可能。但由于当时算力不足和数据匮乏，连接主义仍处于学术界边缘，等待硬件和数据的爆发。
6 现代AI的兴起（1993–2010）
6.1 统计机器学习崛起
6.1.1 支持向量机与核方法
弗拉基米尔·瓦普尼克等人提出支持向量机，利用核技巧处理高维数据，在文本分类、手写识别上表现出色，被视为神经网络的有力替代。
6.1.2 贝叶斯网络
朱迪亚·珀尔发展了贝叶斯网络，为处理不确定性和因果关系提供了数学框架。该方法广泛应用于专家系统和诊断工具，推动AI向概率推理转型。
6.2 数据驱动与互联网红利
互联网爆炸式增长催生了海量文本和图像数据。统计方法从“手工规则”转向“数据驱动”，信息检索、推荐系统和垃圾邮件过滤等应用开始大规模使用机器学习模型。
6.3 游戏领域的突破
6.3.1 深蓝战胜卡斯帕罗夫
1997年，IBM的深蓝在国际象棋比赛中击败世界冠军加里·卡斯帕罗夫，成为AI夺得首个“人类智慧游戏”头衔的标志性事件。尽管深蓝主要靠暴力搜索而非通用智能，公众仍为之沸腾。
6.3.2 沃森夺魁Jeopardy!
2011年，IBM的沃森系统在美国智力问答节目《Jeopardy!》中击败人类冠军，展示了自然语言理解和知识检索能力的飞跃。沃森大量使用统计方法和并行计算，成为现代AI的预演。
7 深度学习革命（2010–至今）
7.1 图像识别的爆发
7.1.1 ImageNet竞赛与AlexNet
2012年，杰弗里·辛顿团队凭借AlexNet在ImageNet图像识别大赛中大幅获胜，错误率比第二名低10个百分点。AlexNet使用了深度卷积神经网络和GPU加速，开启了深度学习时代。
7.2 自然语言处理的飞跃
7.2.1 循环神经网络与长短期记忆
循环神经网络（RNN）及长短期记忆（LSTM）让模型能处理序列数据，在机器翻译、语音识别上取得进步。LSTM有效缓解了长期依赖问题，是2010年代中期NLP的核心技术。
7.2.2 Transformer架构与注意力机制
2017年谷歌团队提出Transformer，完全抛弃循环结构，仅依赖自注意力机制。该架构不仅并行效率高，还擅长捕捉长距离依赖。它迅速统治了NLP领域，并扩散到计算机视觉、语音等任务。
7.3 生成式AI浪潮
7.3.1 生成对抗网络
2014年伊恩·古德费洛提出生成对抗网络（GAN）：两个网络（生成器与判别器）相互博弈，生成逼真的图像、音频。GAN催生了Deepfake、AI艺术等应用，但也引发对伪造内容的担忧。
7.3.2 GPT系列与大型语言模型
OpenAI从2018年起发布GPT（生成式预训练Transformer）系列，规模从1.17亿参数增长到GPT-3的1750亿参数。模型通过学习海量文本，展现出令人惊讶的对话、写作、编程能力。
7.3.2.1 ChatGPT的病毒式传播
2022年底OpenAI推出ChatGPT，首次以对话形式开放给公众。它两周内获得百万用户，三个月破亿，成为史上增长最快的应用。用户纷纷用其写诗、编代码、编段子，也发现了它胡编乱造、输出有害内容的隐患。
7.4 AI伦理与对齐问题
随着AI能力膨胀，伦理问题成为焦点：偏见放大、隐私泄露、就业替代、自动武器等。AI对齐——确保系统目标与人类价值观一致——成为研究热点。业界陆续出台伦理指南，但有效监管仍在博弈中。
8 文化现象与轻松轶事
8.1 影视与文学中的AI形象
8.1.1 从HAL到《银翼杀手》
1968年电影《2001太空漫游》中的HAL 9000以冷静而富有威胁的嗓音谋杀宇航员；1982年《银翼杀手》中的复制人引发人性拷问。这些形象塑造了公众对AI既恐惧又着迷的矛盾心理。
8.2 网络迷因与AI幽默
8.2.1 “AI画手”和奇怪的生成结果
2022年Stable Diffusion、Midjourney等图像生成模型走红后，用户热衷于生成“一只穿着宇航服的猫在吃意大利面”之类荒诞指令。AI有时会产出多指手掌、融化面孔等诡异图像，成为热门迷因素材。
8.3 经典翻车案例
8.3.1 聊天机器人说脏话
2016年微软Tay上线后，不到24小时就被用户“教会”发表种族歧视和脏话攻击，被迫关停。事后微软道歉，但该事件成为AI安全与“群体智慧”负面的经典课例。
8.3.2 翻译软件的爆笑错误
早期机器翻译因缺乏语境常闹笑话：某英文“out of sight, out of mind”被译成中文后变成“看不见的，精神错乱”；“The spirit is willing but the flesh is weak”被译成“精神愿意，但肉是弱的”。这些错误虽已逐渐减少，但仍是AI发展史中不可或缺的笑料。