AI 发展简史：三次浪潮与两次寒冬
更新日期：2026-09-30 ｜ 适用人群：想看懂 AI 新闻来龙去脉的职场人 / 学习者
AI 不是突然出现的。它从 1950 年代起涨落了三轮：每次都是「技术突破 → 资本涌入 → 承诺落空 → 寒冬」的循环。看懂这个节奏，你就知道今天的热度处在什么位置，也知道该学什么、不该追什么。
一、先记住一把尺子：浪潮与寒冬
| 阶段 | 时间 | 驱动力 | 结局 |
|---|---|---|---|
| 第一次浪潮 | 1950s–60s | 符号推理、早期程序 | 承诺过大，寒冬降临 |
| 第一次寒冬 | 1970s 中期 | 拨款削减、评估报告泼冷水 | 研究停滞 |
| 第二次浪潮 | 1980s | 专家系统商业化 | 维护成本高，再次退潮 |
| 第二次寒冬 | 1987–1990s | 专用硬件崩盘、项目取消 | 资本离场 |
| 第三次浪潮 | 2010s 至今 | 数据 + 算力 + 深度学习 | 产品化落地中 |
二、时间线上的关键节点
| 年份 | 事件 | 意义 |
|---|---|---|
| 1950 | 图灵提出「模仿游戏」 | AI 问题的起点 |
| 1956 | 达特茅斯会议 | 「人工智能」一词诞生 |
| 1966 | ELIZA 对话程序 | 第一个「聊天机器人」 |
| 1970s | 机器翻译与感知机受挫 | 第一次寒冬 |
| 1980s | 专家系统、第五代计算机计划 | 第二次浪潮高峰 |
| 1987+ | 专家系统与专用硬件退潮 | 第二次寒冬 |
| 1997 | 深蓝战胜国际象棋世界冠军 | 「专才 AI」的胜利 |
| 2006 | 深度学习方法重新升温 | 第三次浪潮的起点 |
| 2012 | 深度网络在图像识别上大放异彩 | 第三次浪潮加速 |
| 2016 | AlphaGo 战胜围棋冠军 | 大众认知转折点 |
| 2017 | Transformer 架构论文发表 | 大模型的底层引擎 |
| 2022 | 对话式大模型走向大众 | AI 进入日常工具 |
| 2023 至今 | 多模态、推理模型、智能体 | 应用层爆发 |
三、三次浪潮对比：这次哪里不一样
| 维度 | 前两次 | 第三次 |
|---|---|---|
| 数据 | 稀缺，靠专家手写 | 互联网海量、自动获取 |
| 算力 | 昂贵且不足 | GPU 集群普及 |
| 通用性 | 一个系统只干一件事 | 一个模型跨领域办事 |
| 商业模式 | 定制项目、政府资助 | 订阅与 API，直接收钱 |
前两次退潮的死因都是「演示惊艳、落地昂贵」；第三次第一次出现了用户自付费的商业闭环——这是它至少目前没有迅速退潮的关键。但也要清醒：热度会冷却、泡沫会破，这不等于技术没用——电力和互联网都经历过同样的曲线。
还有一条容易被忽略的规律：每一轮浪潮都会留下基础设施。第一次留下了算法思想与编程语言，第二次留下了商用软件生态，这一轮正在留下模型能力与工具体系——即使热度回落，这些也会成为下一代应用的底座。
四、两次寒冬的共同病因
| 病因 | 表现 |
|---|---|
| 承诺超前 | 演示惊艳，工程化却昂贵 |
| 数据不足 | 知识靠专家一条条录入，无法规模化 |
| 硬件受限 | 算力与成本压不下来 |
| 预期反噬 | 出资方看不到回报，集体撤退 |
规律很残酷也很公平：技术本身没有消失，是「期望值」先崩了——被砍掉的研究，十年后往往换个形态回来。所以看到今天的过热与唱衰，都不必全信。
五、历史给你的三个实用启示
- 学不变的部分：浪潮里最快过时的是「某工具的某个版本操作」，最难淘汰的是把需求说清楚、任务拆解与结果验收；
- 别追每一个热词：新概念先问「它解决了什么老问题」，再决定要不要学（可先查术语速查）；
- 用「任务」而不是「职业」评估冲击：历史证明被替代的是一类类任务，职业是被重组，不是被一键删除。
六、为什么这次是「第三次机会」而不是「又一次炒作」
诚实的答案：两者可能同时成立。技术上，这轮由数据、算力、算法三要素同时到位驱动，且已跑通商业闭环；但任何新技术都逃不过「先高估、后低估、再回归」的曲线。
对个人而言，正确的姿势不是赌对趋势，而是让自己在曲线回归之后仍然有用——这恰恰取决于那些不变的能力：提问、判断、验收。
📖 这只是基础。系统学习 AI 应用？查看课程体系 →
返回基础入门栏目 ｜ 相关阅读：什么是人工智能：从图灵测试到大模型