1956年夏天，新罕布什尔州的达特茅斯学院里，一群年轻人凑在一起开了个暑期研讨会。组织者是四个还不到四十岁的科学家——28岁的麦卡锡、28岁的明斯基、36岁的罗切斯特和39岁的香农。他们向洛克菲勒基金会申请了一笔经费，打算用两个月时间搞清楚一个问题：机器能不能模拟人的智能。
提案的开头写得很狂："我们猜想，学习以及智能的任何其他特性，原则上都能被精确描述，以致可以造一台机器来模拟它。"麦卡锡还给这件事起了个名字——人工智能。他们觉得，只要十来个聪明人凑一块儿干一个夏天，怎么也能搞出点名堂。最后基金会批了申请经费的一半，7500美元，会期也从两个月压缩到了五周。
这场会议后来被公认为AI的起点。但参会者们当时乐观过头了。他们以为智能就是写规则、编逻辑，把人类怎么想的一条条翻译成机器语言就行。这条路走了十几年，走到死胡同里去了。
两次寒冬
第一次AI冬天来得出乎意料。60年代末，明斯基和同事帕佩特合写了一本《感知机》，用数学证明当时流行的单层神经网络连"异或"这么简单的逻辑问题都解决不了。这话从领域奠基人嘴里说出来，杀伤力是毁灭性的。紧接着1973年，英国的莱特希尔报告直接给AI判了死刑，说这玩意儿吹得天花乱坠，实际啥用没有。政府经费一撤，研究人员鸟兽散，AI这个词在学术圈差不多成了贬义词。
但总有人不信邪。80年代初，专家系统火了一把。说白了就是把某个领域专家的知识一条条写成规则，让机器照着推理。这套东西在特定场景下真好用，当年DEC公司靠一个叫XCON的专家系统，每年省下四千万美元。一时间大家又觉得AI有戏了，创业公司风起云涌，专门跑AI程序的Lisp机卖得比豪宅还贵。
好景不长。专家系统太"脆"了，规则写得再全，真实世界总有规则覆盖不到的情况，一出范围就彻底傻眼。更致命的是，个人电脑起来了。企业一算账，花几十万买一套又贵又难用的专家系统，还不如买几台PC让员工自己折腾。
第二次AI冬天就这么来了。Lisp机公司倒闭，DARPA砍经费，日本雄心勃勃的第五代计算机项目不了了之。"人工智能"四个字又一次成了营销噱头的代名词。
两次寒冬，根子上是同一个问题：AI太专用了。每换一个场景就要重新写规则、重新训练，离"通用智能"差着十万八千里。那个年代的技术水平，撑不起人们对智能的想象。
深度学习的逆袭
寒冬里也有人在默默干活。杰弗里·辛顿就是其中一个。这位多伦多大学的教授从80年代起就死磕神经网络，中间经历了两次AI冬天，经费砍了又砍，学生跑了一批又一批，他就是不换方向。
2006年，辛顿在《科学》上发了篇论文，提出"深度信念网络"的概念——先用无监督学习一层一层"预训练"，再整体微调，深层网络居然可以训练了。他还给这件事起了个新名字叫"深度学习"。但当时学界反应冷淡，觉得无非是旧酒装新瓶。
真正的转折点在2012年。那一年的ImageNet图像识别大赛上，辛顿团队的学生Alex Krizhevsky拿出了一个叫AlexNet的模型，用两块GTX 580显卡训练了一个八层的卷积神经网络。比赛结果一出来，全场震惊：AlexNet的Top-5错误率是15.3%，第二名用传统方法做出来是26.2%——差了将近一倍。
这不是什么小幅改进，这是碾压。从那天起，整个计算机视觉领域一夜之间全部转向深度学习。
为什么偏偏是2012年？因为三个条件同时成熟了：数据够了——ImageNet有一千四百万张标注图片；算力够了——GPU的并行计算能力刚好能撑得起大规模神经网络训练；算法也够了——ReLU激活函数解决了梯度消失，Dropout防止过拟合。三者缺一不可。
之后就是加速跑。2015年，何恺明提出残差网络ResNet，把网络深度推到152层，图像识别准确率第一次超过了人类。2016年，AlphaGo击败李世石，告诉全世界深度学习不只会看图，还会下棋、会决策。AI从"感知"走向了"认知"。
大模型时代
2017年，谷歌的几个研究员发了篇论文，标题很拽——《Attention Is All You Need》。他们提出了一种叫Transformer的新架构，核心是自注意力机制。简单说，就是让模型在处理每个词的时候，都能同时"看到"句子里所有其他词，而且知道哪些更重要。
没人想到，Transformer会成为接下来整个AI革命的基础设施。
2018年，OpenAI发布GPT-1，1.17亿参数。很多人没当回事。 2019年，GPT-2，15亿参数。开始有人觉得这玩意儿生成的句子像那么回事了。 2020年，GPT-3，1750亿参数。人们第一次发现，模型大到一定程度会"涌现"出新能力——你给它几个例子，它就能照猫画虎做新任务，不用重新训练。
2022年11月30日，ChatGPT发布。
这才是真正的核弹。之前的GPT-3虽然强，但你得会写prompt、懂技术才能用。ChatGPT把它包进了一个聊天框里，普通人打开网页就能用。上线五天用户破百万，两个月破亿，成了人类历史上增长最快的消费级产品。
ChatGPT厉害的地方不只是模型强，更是它把AI从实验室直接推到了每个人面前。你可以让它写邮件、写代码、改论文、编故事、翻译、出主意——以前觉得机器做不了的脑力活，它居然都能做个七八分。
图灵1950年提出的那个测试，在七十多年后终于有了答案。2025年加州大学圣迭戈分校的研究证实，带上"人设"提示的GPT-4.5在图灵测试中73%的情况下被判定为人类，比真人被判定为人类的比例还高。
不一样的革命
AI和人类历史上任何一次技术革命都不一样。
蒸汽机延伸了人的手和脚，让生产效率翻了几十倍。电力延伸了人的活动范围，把黑夜变成了白天。计算机延伸了人的计算能力。但这些技术，说到底都是在帮人干"体力活"——不管是搬东西还是算算数，本质都是执行人类的指令。
AI不一样。AI延伸的是人的大脑。
以前的技术，你得先想清楚要干什么，然后告诉机器怎么干。现在不一样了，你只需要说你想要什么，机器自己会想办法。写文案、做设计、编程序、分析数据、甚至做决策——这些以前被认为是"脑力劳动"、是人类专属领地的事情，AI正在一件一件地拿过去。
程序员发现AI写代码比自己快还比自己稳，设计师发现AI几分钟就能出几十版方案，老师发现学生交的作业可能不是自己写的，律师发现AI检索法条的效率甩人类十条街。
当然也有人说，这都不是真智能。AI不过是在统计规律、拼概率，它根本"不懂"自己在说什么。这话可能没错，但不重要。如果AI做出来的东西和人做出来的没区别，甚至更好，那它到底有没有"真正理解"，从实用角度来说又有什么关系呢？
这就像飞机不会像鸟一样扇翅膀，但没人会否认飞机飞起来了。
AI到底会带人类走向何方？是又一次工业革命，让所有人从重复劳动中解放出来；还是潘多拉的盒子，打开了就合不上？现在没人说得准。
可以确定的只有一件事：这扇门已经打开了，再也关不上了。