从20世纪50年代第一个初级程序到今天的复杂算法，人工智能已走过大半个世纪历程。早期的人工智能只是一系列简单的计算规则和推理模式，随着时间推移，它变得愈来愈复杂和精深，处理信息能力越来越强，并不断向新领域拓展、向新高度攀升。
模仿人类认知的智能
相较于自然智能，人工智能（简称AI）被认为是机器智能或由机器模仿人类认知功能的智能，如学习、理解、推理或解决问题等。
人工智能旨在模拟、延伸和扩展人类的智能——促使智能机器能够执行听（语音识别、机器翻译）、看（图像识别、文字识别）、说（语音合成、人机对话）、思（人机对弈、专家系统）、学（知识表示、机器学习）、行（机器人工作、自动驾驶）等人类智能活动。人工智能学科，是多学科交叉融合的新兴学科。
中国棋手柯洁与人工智能AlphaGo2017年的围棋比赛
人工智能可分为弱人工智能、强人工智能和超级人工智能。弱人工智能是当今普遍存在的人工智能类型，通常只适用于特定条件下某类问题的解决，如：人脸识别、语音识别、语义理解等。强人工智能又称“通用人工智能”，指拥有甚至超过人类智力水平的智能系统，能够以类似于人类认知的方式理解、学习和运用知识解决复杂问题。超级人工智能，则被认为在所有方面都超越了人类智慧，如创造力、创新力等，目前属于科幻范畴。
潮汐般的演变
人工智能诞生以来，其发展经历了如同潮汐一般的潮起潮落。这种现象被称为人工智能的夏天和冬天。
人工智能的诞生（20世纪40—50年代）。人工智能的起源可追溯至1942年，美国作家艾萨克·阿西莫夫在其科幻作品中提出了广为人知的“机器人三定律”，引发了人们对人工智能的广泛讨论。1943年，神经学家沃伦·麦卡洛克和数学家沃尔特·皮茨开创性地提出世界上第一个人工神经网络数学模型，用以模拟人类的思维活动，打开了人工神经网络的大门。1950年，阿兰•图灵发表《计算机与智能》，探讨计算机能否表现出智能的问题，提出著名的图灵测试。1956年，约翰•麦卡锡在达特茅斯研讨会上首次提出“人工智能”这一概念，标志着人工智能的正式诞生。
第一个人工智能之夏（20世纪50—70年代）。达特茅斯会议后，符号逻辑、自然语言处理、人机对话技术和专家系统等相继诞生，掀起人工智能发展的第一波浪潮，第一个人工智能之夏来临。1958年，约翰•麦卡锡设计出名为LISP的人工智能专用编程语言，该语言成为之后三十年的主流编程语言。1965年，约瑟夫•魏泽恩鲍姆开发出名为ELIZA的聊天机器人，能够模拟医患对话，开启了自然语言处理研究的新篇章。1968年，爱德华·费根鲍姆提出首个专家系统DENDRAL，可帮助化学家推断分子结构。1969年，斯坦福研究所开发出第一个将逻辑推理和物理动作相结合的移动机器人SHAKEY。
第七届世界世博会上展出的一款国画书法机器人
第一个人工智能之冬（20世纪70—80年代）。第一个人工智能之夏的突破性进展大幅提升了人们对人工智能的期望，各国为人工智能研究提供了大量资金。但之后，人工智能遇到了难以克服的技术障碍，主要是算力、内存和处理速度的限制无法突破。人们对人工智能的信心开始动摇。1973年，美国和英国政府撤回对人工智能研究的资助，其他各国的人工智能活动也急剧减少，这标志着人工智能进入衰退期。这个衰退期被称为第一个人工智能之冬。
第二个人工智能之夏（20世纪80年代初至80年代晚期）。20世纪80年代，专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的突破。1982—1986年，卡内基梅隆大学设计的专家系统XCON每年为数字设备公司节省4000万美元。看到这一进展后，美国政府通过组织微电子与计算机技术集团向人工智能研究提供资助。日本政府启动一个为期10年13亿美元的人工智能投资计划。英国则实施了耗资3.5亿英镑的Alvey工程。受益于数十亿美元投资，人工智能得以蓬勃发展，从专家系统开发到特定领域硬件、计算机视觉和机器人系统研发，都取得了突破性进展。
第二个人工智能之冬（20世纪80年代末至90年代中期）。这一阶段，备受追捧的专家系统逐渐暴露出局限性，技术突破停滞，资金投入锐减，人工智能从热潮进入低谷。“专家系统”被踢出IT词汇，研究人员甚至回避“人工智能”这个词而选择其他诸如“信息学”“分析学”等词汇。虽然人工智能的研究工作停摆，但反向传播算法研究却取得重要突破，并引发神经网络复苏。反向传播算法是深度学习和神经网络领域的基础，它使得复杂的神经网络模型训练成为可能，从而推动人工智能在图像识别、语音识别、自然语言处理等多个领域加快应用和发展。
第三个人工智能之夏（20世纪90年代中期至今）。神经网络的复苏和机器学习的兴起，推动人工智能飞速发展。神经网络和机器学习算法能从数据中学习，而无需针对每一种可能的场景进行明确的编程。这种灵活性和适应性为人工智能的应用开辟了新的空间。神经网络和机器学习算法可以用来解决以前被认为过于复杂或难以由计算机处理的问题，如图像识别、自然语言处理。有了这些新方法，人工智能不再局限于执行简单、定义明确的任务，而是可以处理更复杂、更开放的问题。
随着神经网络和机器学习算法的进步，它们开始在某些任务上超过人类。1997年，IBM开发的“深蓝”人工智能软件击败国际象棋世界冠军加里·卡斯帕罗夫。这是人工智能发展的一个重要里程碑，表明计算机在需要复杂推理和战略思维的任务上可以胜过人类。21世纪初，人工智能在语言翻译、图像字幕甚至回答问题等方面有了长足发展。一种更先进的机器学习形式——深度学习开始兴起，使得人工智能能够处理更为复杂的任务。之后，人工智能在自动驾驶、语音识别、图像分类和机器翻译等领域不断取得新突破。
随着数据、算力和算法的发展，21世纪10年代末和20年代初，AlphaGO、AlphaFold、GPT-3和DeepSeek等横空出世。AlphaGo与围棋世界冠军李世石进行了五局比赛，以4:1 的成绩获胜。AlphaGo的胜利证明深度学习在复杂游戏中的潜力，为其他领域的 AI 应用提供了启示。受AlphaGo的启发，DeepMind开发了蛋白质结构预测系统AlphaFold。AlphaFold的发展经历了多个版本迭代，通过不断改进算法和模型获得卓越的预测性能。GPT-3、ChatGPT等语言大模型在人工智能界掀起巨大波澜。这些模型能够生成与人类写作非常相似的文本，甚至可以用不同的风格进行创作。这为人工智能开辟了一个全新的领域，它不再只处理数字或识别模式，而是生成与作家不相上下的创造性内容。DeepSeek被硅谷称为“来自东方的神秘力量”，其凭借强化学习与模型蒸馏技术，在数学推理、代码生成等核心任务上表现优异，以超低成本实现性能突破。
广阔的发展前景
未来人工智能的发展前景十分广阔且充满变革潜力。在技术发展方面，以下几个方向较为关键。
多模态大模型：以DeepSeek、GPT等为代表的大模型将持续进化，从文本、图像、视频扩展到更复杂的多模态交互（如结合声音、触觉），推动内容创作、教育等领域的革新。
通用人工智能：尽管目前仍处于弱人工智能阶段，长期来看，具备自主推理和跨领域学习能力的通用人工智能将成为研究焦点，并可能引发颠覆性变革。
工作人员展示用于教育领域的AI产品
具身智能：指有身体并支持与物理世界进行交互的智能体。具有具身智能的机器人，可以聚集人工智能的三大流派：以神经网络为代表的连接主义，以知识工程为代表的符号主义和控制论相关的行为主义，三大流派可以同时作用在一个智能体，这会带来新的技术突破。
AI与脑科学的结合：脑机接口和神经形态计算的发展可以让AI更贴近人类认知方式，甚至促进医疗康复（如瘫痪治疗）和智能增强（如记忆辅助）。在行业应用方面，人工智能将深度渗透医疗健康、教育文化、智能制造、交通与城市管理等领域。
纵观人工智能历史，其发展并非一帆风顺。我们在为人工智能不断取得突破而欢欣鼓舞的同时，不能忽视人工智能产生的负面影响。AI会取代一些传统的工作，造成部分就业的替代。比如，驾驶员、工厂工人等职业可能会因为AI的发展而受到影响。不良数据的质量和代表性，可能会导致人工智能的偏见、不透明和低性能。比如，AI的招聘系统可能会因为算法的偏见而导致不公平的招聘结果。此外，恶意分子还可能使用AI深度造假、进行网络攻击等。为确保人工智能发展能够真正为人类社会带来福祉，需在加强技术研发和应用的同时，制定相应政策制度加以规范，最大限度发挥其积极作用，规避不利影响。
（作者单位：西安电子科技大学科学研究院、西安电子科技大学经济与管理学院）
