🟢 从图灵到 ChatGPT：AI 的 70 年，走过哪三道坎？
🟢 从图灵到 ChatGPT：AI 的 70 年，走过哪三道坎？
AI 不是这两年才有的。它已经活了 70 年，中间死过两次。 6 分钟，带你穿越它的三起两落。
🟢 AI 通识专栏 · 第 02 期 📅 2026年5月31日 ✍️ 小敏说 AI
💡 本文要点：很多人以为 AI 是 ChatGPT 横空出世的产物。事实是——AI 这门学科已经活了 70 年，经历了三次繁荣和两次寒冬。读完本文你会明白：为什么 AI 偏偏在这两年爆发，而不是 1980、不是 2000。
🎯 本文导读
- 🔹 起点：图灵和他的那个问题
- 🔹 第一春与第一寒冬（1956-1980）
- 🔹 第二春与第二寒冬（1980-2006）
- 🔹 第三春：三股力量同时到来
- 🔹 历史给出的”标准答案”
- 🔹 一段能反驳”AI 泡沫论”的话术
一、📈 先看结论：AI 不是突然爆发的，它”重启”了三次
AI 的 70 年历史，可以用一张表概括：
| 阶段 | 时间 | 关键词 | 结局 |
|---|---|---|---|
| 🚀 诞生 | 1956 | 达特茅斯会议 | “AI”一词正式登场 |
| 📈 第一春 | 1956-1974 | 符号主义 | 算力 + 数据双双拉胯 |
| ❄️ 第一寒冬 | 1974-1980 | 经费被砍 | 整个学科几乎停摆 |
| 📈 第二春 | 1980-1987 | 专家系统 | 商业化失败 |
| ❄️ 第二寒冬 | 1987-2006 | “AI”成贬义词 | 研究者改名”机器学习” |
| 📈 第三春 | 2006-now | 深度学习革命 | 2022 年 ChatGPT 引爆 |
⚠️ 重要提醒：今天的繁荣，是踩在两次大失败的尸体上爬出来的。理解这段历史，你才能判断”这次到底是不是泡沫”。
二、🎬 起点（1950-1956）：图灵的那个问题
1950 年，艾伦·图灵发表了一篇论文，提出一个看似简单的问题：
“机器能思考吗？”
为了回避”思考”这个词太模糊，他设计了著名的 图灵测试——让一个人通过文字和机器对话，如果分辨不出对方是人还是机器，那这台机器就可以被认为”具有智能”。
6 年后的 1956 年夏天，麦卡锡、明斯基、香农等一批年轻学者在达特茅斯学院开了一场会。就是在这场会议上，他们第一次正式使用了一个新词——
Artificial Intelligence（人工智能）
AI 的”出生证”，就这么被签下来了。
三、❄️ 第一春与第一寒冬（1956-1980）：被算力和数据捏死
第一春的乐观，今天看来近乎天真。明斯基在 1970 年的《Life》杂志上说：
“三到八年内，我们将拥有具有普通人智能的机器。”
那个年代的 AI 走的是 符号主义 路线，核心思想是：把人类的知识写成规则，让机器按规则推理。
听起来很合理，但很快撞上了三堵墙：
| 问题 | 表现 |
|---|---|
| 组合爆炸 | 规则一多，可能性指数级增长，根本算不过来 |
| 常识难表达 | “水是湿的、火是烫的”这种常识，写规则写到死也写不完 |
| 算力跟不上 | 1970 年代一台超级计算机的算力，还不如今天一个智能手表 |
1973 年，英国发布莱特希尔报告，宣判 AI 研究”未达预期”，研究经费被大规模砍掉。
💬 关键观点：第一寒冬的根本原因，是”算力 + 数据”双重不够。规则路线被证明在工程上不可行。
四、💼 第二春与第二寒冬（1980-2006）：专家系统的虚火
1980 年代，AI 找到了第二条出路——专家系统。
思路也很简单：与其让机器懂”所有事”，不如让它在一个非常窄的领域里成为专家。
代表案例是斯坦福大学开发的 MYCIN——能诊断血液感染、推荐抗生素，准确率比普通医生还高。
商业界沸腾了。日本甚至启动了”第五代计算机”国家工程，投入近 10 亿美元。
但好景不长。专家系统的致命缺陷在 1987 年集中爆发：
| 缺陷 | 后果 |
|---|---|
| 知识只能人工录入 | 一个领域要几百个专家忙几年 |
| 遇到规则没覆盖的情况 | 直接当机 |
| 维护成本飙升 | 企业纷纷下马项目 |
到 1990 年代，专家系统几乎全军覆没。AI 进入第二个寒冬，持续了将近 20 年。
⚠️ 重要提醒：那段时间，”AI” 在学术圈成了一个贬义词——你说自己研究 AI，别人会觉得你不靠谱。很多研究者偷偷换了个马甲，叫”机器学习”、”模式识别”、”统计学习”，继续做下去。
五、🚀 第三春（2006-2022）：三股力量同时到来
第三春不是某个英雄救场，而是三件大事在 21 世纪同时发生：
1️⃣ 数据爆炸（互联网时代）
2000 年后，互联网产生了前所未有的数据量。2009 年李飞飞建立 ImageNet——120 万张标注好的图片——为 AI 提供了”教科书”。
2️⃣ 算力暴涨（GPU 革命）
2007 年 NVIDIA 推出 CUDA，让程序员第一次能用 GPU 跑通用计算。GPU 这种本来用来打游戏的芯片，意外地完美适配神经网络的计算结构。
3️⃣ 算法突破（深度学习复兴）
2006 年 Hinton 等人提出深度神经网络的有效训练方法。2012 年他的学生 AlexNet 在 ImageNet 图像识别比赛上碾压所有传统方法——错误率从 26% 一夜降到 15%。
🎯 2012 年——被公认为深度学习的”开机时刻”。
接下来几年，捷报频传：
| 年份 | 大事件 |
|---|---|
| 2014 | GAN（生成对抗网络）：AI 学会”画画” |
| 2016 | AlphaGo 打败李世石 |
| 2017 | Google 发表 Transformer 论文《Attention Is All You Need》 |
| 2018-2020 | GPT-1/2/3 相继发布，参数量从 1.17 亿飙到 1750 亿 |
| 2022.11.30 | ChatGPT 发布 —— 5 天用户破百万，2 个月破 1 亿 |
💬 关键观点：ChatGPT 不是”灵光一现”，它是数据 + 算力 + 算法三股力量酝酿了 15 年后的总爆发。
六、🎯 AI 的三道坎，本质上是同一个问题被反复回答
回过头看，AI 的三起两落，其实是在反复回答同一个问题：
“机器到底要怎么学会智能？”
每一道坎，对应一种答案的破产，和下一种答案的诞生：
| 阶段 | 主流答案 | 死于什么 |
|---|---|---|
| 第一春 | “把规则写下来” | 规则写不完、算不动 |
| 第二春 | “在窄领域里写规则” | 维护成本无法承受 |
| 第三春 | “给数据，让它自己学” | 目前还在持续，且看不到天花板 |
🎯 一句话总结：机器从”被告知规则”变成了”自己发现规则”——这是一次根本性的范式转移。
七、❌ 四个常见误区
| 误区 | 真相 |
|---|---|
| ❌ “AI 是最近几年才有的” | AI 已经活了 70 年，今天只是它的第三春 |
| ❌ “深度学习是 ChatGPT 发明的” | 深度学习 2012 年就引爆了，ChatGPT 是应用层的胜利 |
| ❌ “Transformer 是 OpenAI 发明的” | 是 Google 2017 年发的论文 |
| ✅ “今天的 AI 浪潮 = 数据 + 算力 + 算法 三者凑齐” | 对，这是历史给出的标准答案 |
八、🎁 反驳”AI 泡沫论”的标准话术
下次有人问你”AI 是不是又一波泡沫？”，你可以这样回答：
“AI 已经经历过两次泡沫破裂。
但这一次和前两次最大的不同是——前两次失败于’算力不够 + 数据太少’，而这两个瓶颈现在已经被根本性地解决了。
所以这次更像是一场底层基础设施的革命，而不是单一产品的炒作。”
💬 关键观点：这套回答既承认风险，又指出关键变量。比简单说”是/不是”专业 10 倍。
📮 今日话题
💬 你认为这一轮 AI 浪潮，会不会迎来第三次寒冬？
如果会，最有可能因为什么——算力瓶颈、能源危机、监管管控，还是模型本身的天花板？欢迎留言。
🔮 下一篇预告
🟢 AI 通识 · 第 03 期：机器是怎么”学习”的？——一个考研刷题的类比，让你彻底搞懂
读完你会明白——为什么 AI 偶尔会犯低级错误，又能在某些事上超越人类专家。
周二早 8 点见。
🟢 本文属于「AI 通识」专栏，由浅入深、由零到一，带你建立完整的 AI 知识体系。
📱 关注「小敏说 AI」公众号，回复 「AI 入门」 领取《打工人 AI 自救工具箱》。