从古希腊神话中具备人类智慧的机械巨人，到工业革命时期自动运转的机械装置，人类对“人造智能”的向往与探索从未停歇。作为一门融合计算机科学、数学、神经科学、心理学等多学科的交叉领域，人工智能（AI）自诞生以来，历经六十余年跌宕起伏，在三次浪潮的交替推进中，实现了从理论构想到底层突破，再到规模化应用的跨越式发展。每一次浪潮的兴起，都伴随着关键技术的革命性突破；每一个节点的跨越，都为人类社会的生产生活埋下变革的种子。如今，AI已从实验室走向产业一线，成为重塑全球经济格局、推动科技进步的核心力量。

第一次浪潮：符号逻辑的启蒙时代（1950s-1990s）—— 从概念诞生到规则化探索

20世纪中叶，计算机技术的初步成熟为人工智能的诞生提供了物质基础，一场关于“机器能否思考”的学术争论，催生了这一全新学科。这一阶段的AI发展以符号逻辑为核心，强调通过人工编写规则让机器模拟人类思维，被视为人工智能的“启蒙期”，也开启了第一次发展浪潮。

关键节点：概念落地与早期探索

1950年，英国数学家艾伦·图灵在《计算机器与智能》一文中提出著名的“图灵测试”，首次从理论层面界定了“机器智能”的判断标准——若人类无法通过对话区分机器与人类，即可认为机器具备智能。这一理论为人工智能的发展奠定了思想基础，成为贯穿行业始终的核心命题。

1956年，达特茅斯会议的召开标志着人工智能正式成为一门独立学科。会议由约翰·麦卡锡、马文·明斯基等科学家发起，首次提出“Artificial Intelligence”（人工智能）这一术语，并确立了AI的研究目标：让机器模拟人类的学习、推理、决策等智能行为。此次会议聚集了当时全球顶尖的计算机科学家，形成了早期AI研究的核心阵营，被视为人工智能诞生的“元年里程碑”。

1966年，麻省理工学院研发出世界上第一个聊天机器人ELIZA，它通过预设的规则匹配人类对话内容，模拟心理医生的沟通方式。尽管ELIZA仅能进行简单的模式化回应，无法真正理解语言含义，但它首次实现了人机语音交互的雏形，让大众直观感受到AI的潜力，也推动了自然语言处理领域的早期探索。

技术突破：符号逻辑与专家系统的兴起

第一次浪潮的核心技术突破集中在符号逻辑与规则系统的构建。早期AI研究者认为，人类思维的本质是符号运算，只需将人类知识转化为机器可识别的逻辑规则，就能实现智能模拟。这一时期的关键技术包括逻辑推理、决策树、有限状态机等，其中最具代表性的成果是专家系统的研发与应用。

专家系统是一种基于特定领域知识的智能程序，通过整合行业专家的经验与规则，模拟专家的决策过程，用于解决复杂的专业问题。1976年，美国斯坦福大学研发的MYCIN医疗诊断系统成为标杆，它能根据患者的症状、化验结果等信息，诊断细菌感染疾病并推荐治疗方案，准确率达到人类专家水平。此后，专家系统在金融、化工、地质勘探等领域逐步落地，如用于信贷风险评估的信用卡审批系统、用于矿产资源勘探的地质分析系统等，成为AI商业化的早期尝试。

此外，这一时期的国际象棋程序也取得重大进展，成为AI能力的重要验证载体。1997年，IBM研发的DeepBlue超级计算机击败国际象棋世界冠军卡斯帕罗夫，这是AI首次在智力竞技领域战胜人类顶级选手，标志着符号逻辑与计算能力的结合达到新高度，也让全球见证了AI在复杂决策场景中的潜力。

然而，第一次浪潮的局限性也逐渐凸显。这一阶段的AI依赖人工编写规则，无法处理模糊性、不确定性问题，对复杂场景的适配能力极差，且随着应用场景的拓展，规则编写的成本呈指数级增长，导致AI发展陷入瓶颈。20世纪90年代末，随着专家系统商业化落地受阻，资本逐渐撤离，人工智能进入第一次“寒冬”。

第二次浪潮：机器学习的崛起时代（2000s-2010s）—— 数据驱动与统计学习的革新

进入21世纪，大数据技术的兴起与计算机算力的提升，为AI发展注入了新的活力。AI研究方向从“规则驱动”转向“数据驱动”，机器学习成为核心技术主线，通过算法让机器从海量数据中自动学习规律、优化模型，无需人工预设规则，这一变革开启了人工智能的第二次发展浪潮。

关键节点：数据赋能与算法迭代

2006年，Netflix发起百万美元推荐算法竞赛，邀请全球研究者优化其视频推荐系统。此次竞赛吸引了数千支团队参与，最终获胜算法将推荐准确率提升35%，不仅推动了协同过滤、梯度提升树等算法的优化，更验证了数据驱动模型在实际场景中的商业价值，催生了互联网行业个性化推荐的普及。

2010年前后，Hadoop等大数据处理框架的成熟的，解决了海量数据的存储与计算难题，为机器学习提供了底层支撑。随着互联网用户规模的爆发式增长，文本、图像、音频等多类型数据持续积累，形成了AI模型训练的“数据燃料”，推动机器学习从实验室走向大规模应用。

2012年，ImageNet图像识别竞赛成为重要转折点。谷歌团队研发的AlexNet模型凭借深度学习架构，在图像分类任务中实现15.3%的错误率，远超传统方法26.2%的错误率，这一成果不仅刷新了图像识别的精度纪录，更让深度学习技术正式进入大众视野，为第二次浪潮的巅峰奠定了基础。

技术突破：机器学习算法与基础设施的完善

第二次浪潮的核心技术突破体现在机器学习算法的迭代与基础设施的升级。这一时期，支持向量机（SVM）、随机森林、梯度提升树（XGBoost）等传统机器学习算法不断优化，在分类、回归、聚类等任务中展现出优异性能，成为工业界的主流工具。其中，梯度提升树算法凭借高效的特征学习能力，广泛应用于金融风控、广告推荐、医疗诊断等场景，成为数据驱动决策的核心支撑。

同时，深度学习的初步崛起成为关键亮点。AlexNet的成功证明了深度神经网络在图像识别中的优势，其采用的ReLU激活函数、Dropout正则化等技术，解决了传统神经网络梯度消失、过拟合等问题，推动了深度神经网络架构的革新。此后，卷积神经网络（CNN）快速发展，在图像检测、分割等任务中实现突破，为自动驾驶、安防监控等领域的技术落地提供了可能。

基础设施层面，NVIDIA CUDA生态的成熟成为重要支撑。CUDA架构让GPU具备高效的并行计算能力，将深度学习模型的训练速度提升数十倍，解决了传统CPU算力不足的瓶颈，成为AI训练的核心硬件载体。此外，2015年TensorFlow、2016年PyTorch等深度学习框架的开源，降低了算法研发门槛，推动了全球开发者社区的形成，加速了技术的普及与迭代。

尽管第二次浪潮实现了AI技术的规模化应用，但仍存在明显局限：特征工程依赖人工经验，模型泛化能力有限，难以适配复杂多变的真实场景。随着技术瓶颈的显现，AI发展在2017年前后进入短暂调整期，但这也为第三次浪潮的爆发积蓄了力量。

第三次浪潮：深度学习与大模型的爆发时代（2018年至今）—— 通用智能的雏形与规模化落地

2018年以来，预训练模型的出现颠覆了AI的研发范式，大语言模型、多模态模型快速迭代，AI能力从“专用智能”向“通用智能”迈进。同时，算力基建的完善、开源生态的爆发以及治理技术的升级，推动AI全面进入商业化落地的深水区，开启了第三次发展浪潮，也让AI真正成为重塑产业的核心生产力。

关键节点：大模型崛起与全场景渗透

2017年，谷歌团队发布论文《Attention Is All You Need》，提出Transformer架构，摒弃了传统的循环神经网络（RNN）结构，采用自注意力机制，大幅提升了模型的并行计算效率与长文本处理能力，成为大语言模型的核心架构基础，这一突破被视为AI发展的“范式革命”。

2018年，OpenAI发布GPT-1模型（1.17亿参数），首次验证了预训练+微调的研发范式——通过在海量文本数据上预训练获得通用语言能力，再针对具体任务微调模型，大幅降低了自然语言处理任务的研发成本。此后，大模型规模呈指数级增长，2020年GPT-3（1750亿参数）实现了零样本、少样本学习能力，能完成文本生成、翻译、代码编写等多种任务，展现出通用智能的雏形；2023年GPT-4（1.8万亿参数，MoE架构）进一步突破多模态能力，可处理文本、图像、音频、视频等多种输入，在复杂推理、专业领域问答等任务中达到人类专家水平。

2025年成为AI落地的关键年份，技术从“概念竞赛”迈入“落地深耕”阶段。从轻量化小模型的普及到具身智能的量产，从工业智能体重构制造业到科学大模型加速科研突破，AI全面渗透到各行各业，形成了全场景应用生态。同时，AI治理技术同步升级，将伦理、安全规则内置到技术架构，为行业健康发展筑牢底线。

技术突破：大模型、多模态与生态体系的完善

第三次浪潮的核心技术突破集中在大模型、多模态融合与全生态构建三大领域。在大模型技术层面，注意力机制持续优化，FlashAttention算法将训练速度提升3倍，谷歌Pathways架构通过稀疏计算降低70%显存占用，解决了大模型训练的算力与成本瓶颈。同时，开源生态爆发式增长，Hugging Face模型库收录超50万个预训练模型，LLaMA、Falcon、Qwen、DeepSeek等开源模型打破技术垄断，推动企业私有化部署，让中小企业也能低成本享受AI能力。

多模态生成技术成为重要突破方向，实现了从“单一模态”到“跨模态融合”的跨越。苹果SHARP技术可1秒实现2D图像到3D模型的转换，Meta SAM Audio支持多模态音频分离，让AI能精准理解并生成文本、图像、视频、3D模型等多种内容，为创意设计、工程研发、影视制作等领域带来效率革命。生成式AI搜索的兴起则重塑了信息获取方式，谷歌Gemini、微软必应AI等产品替代传统链接列表，直接生成定制化答案，支持多模态交互，让搜索体验从“查询”升级为“对话”。

硬件与基建层面，算力基建化趋势明显，全球超大规模数据中心资本开支超2980亿美元，中国“东数西算”工程构建一体化算力网络，清洁能源支撑算力爆发，推动算力成本下降40%。端侧AI硬件全面普及，AI PC、手机、可穿戴设备内置NPU成为标配，端侧模型推理能力媲美云端，实现“云-边-端”协同生态，让AI服务从“云端调用”走向“本地响应”，低延迟、高隐私的特性进一步拓展了应用场景。

此外，AI在垂直领域的深度落地形成技术突破闭环。具身智能从实验室走向量产，智元机器人年量产逼近万台，云深处Multi-Sense HaptX灵巧手穿针引线成功率达98.7%，让人形机器人从“演示品”变身工业生产力工具；工业智能体打通“自然语言→PLC编程”链路，西门子Industrial Copilot落地丰田工厂，将故障诊断效率提升82%，推动制造业进入柔性生产时代；科学大模型覆盖STEM 174个领域，之江实验室GeoGPT让赤潮预警效率提升1000倍，OneAstronomy发现8000余颗贫金属星，颠覆了传统科研范式。

浪潮背后的核心逻辑与未来展望

人工智能三次浪潮的交替演进，本质上是“算力、数据、算法”三大核心要素协同升级的过程。第一次浪潮依托人工规则与基础算力，完成了AI的概念启蒙；第二次浪潮凭借大数据与机器学习算法，实现了技术的规模化应用；第三次浪潮则在大模型架构、算力基建与开源生态的支撑下，迈向通用智能与全场景落地。每一次浪潮的低谷与复苏，都伴随着核心技术的迭代与行业认知的升级，也印证了AI作为颠覆性技术的发展规律——看似跌宕起伏，实则持续向前。

展望未来，人工智能将在“技术深化、治理完善、生态协同”三大方向持续突破。技术层面，通用人工智能（AGI）的探索将成为长期目标，小模型与大模型的协同、具身智能与多模态技术的融合，将进一步拓展AI的能力边界；治理层面，伦理规则与技术架构的深度融合将成为常态，全球协同的治理体系将逐步建立，为AI发展划定安全边界；生态层面，开源协作与跨界融合将成为主流，中国力量在全球AI生态中的影响力持续提升，推动行业从“封闭竞争”走向“协同创新”。

从图灵测试的理论构想，到如今AI融入生产生活的每一个角落，人工智能的发展史，是人类用科技突破自身能力边界的探索史。三次浪潮的洗礼，让AI从实验室走向产业，从专用走向通用，从技术概念变成改变世界的核心力量。未来，随着技术的持续迭代与生态的不断完善，人工智能必将开启更广阔的发展空间，重塑人类社会的运行逻辑，书写科技进步的新篇章。

转自@全球人工智能大会

《南方治理评论》第8辑