2023 年，美国高中生艾米丽为历史课作业发愁：她需要写一篇关于 “大萧条” 的论文，但毫无头绪。她试着问 ChatGPT：“能帮我列个论文大纲吗？要包含普通人的故事。”

几秒后，ChatGPT 返回了一个详细大纲，还附上了 1933 年芝加哥面包店前排队领食物的照片描述、一位失业父亲的日记摘录。艾米丽按照大纲写作，最终论文得了 A+。她在致谢中写道：“ChatGPT 不是老师，而是一个‘知识伙伴’—— 它让我学会了如何从海量信息中提取有价值的内容。”

艾米丽与ChatGPT的互动，是人工智能从实验室走向人类生活的缩影，几秒钟的背后是AI近80年走完的进化之路。人工智能从一个模糊的科学幻想，到如今深度渗透人类生活的各个领域，其发展历程充满了突破、挫折与重生。

一、理论奠基期（1940s-1950s）：一个数学家的战时执念

AI 的起点，其实是一场战争。

1943 年，英国数学家艾伦·图灵坐在布莱切利庄园的地下室，面前是他为破解德国"恩尼格玛密码机"设计的计算装置。后来的研究估算，图灵团队的工作缩短了二战进程约两年，间接挽救了超过 1400 万人的生命。但图灵本人更着迷的，是另一个问题：“机器能思考吗？”

1950 年，他在论文《计算机器与智能》里给出了一种检验方法：让机器和人类同时接受文字对话测试，如果考官无法区分哪个是机器，机器就算通过了。这就是图灵测试。

六年后，1956 年的达特茅斯会议上，约翰·麦卡锡把这个方向正式命名为"人工智能"。参会者里，一个叫马文·明斯基的年轻人在笔记本上写下："我们要让机器学会学习。"这句话后来成了整个领域的暗线。

---

二、符号主义探索期（1956-1970s）：规则驱动的“早期智能”*

早期 AI 研究者相信，只要把规则写得足够完备，机器就能像人一样推理。用代码定义：“如果下雨，那么带伞”，然后让机器处理更复杂的问题。

这个路子走到了 1966 年。

那年，麻省理工的约瑟夫·维森鲍姆开发了聊天机器人 ELIZA。程序只有 200 行，逻辑极简单：识别关键词，套用预设回应。用户说"我很伤心"，ELIZA 就问"你为什么伤心？"

但有件事让维森鲍姆震惊了——他的秘书开始依赖 ELIZA，甚至请他离开办公室，以便单独"聊天"。后来还有患者声称 ELIZA 比心理医生更懂自己。维森鲍姆在回忆录里写道：“我没想到，人类会如此轻易地把情感投射到一段代码上。”

这件事现在读起来仍然有点不安。不是因为 ELIZA 多聪明，而是因为它暴露了人类有多渴望被倾听。

ELIZA的成功让科学家乐观，但现实很快泼来冷水：它无法理解“下雨”和“带伞”的因果关系，更无法处理复杂对话。

到 1974 年，这条路走不下去了。规则系统无法处理语言里的歧义，早期计算机算力极低（大约是现代手机的百万分之一），处理速度慢、存储容量小，无法满足复杂人工智能算法的需求。AI 研究经费大幅缩减，进入第一次"寒冬"。

---

三、专家系统复兴期（1980s）：知识工程的“实用尝试”

寒冬过后，科学家换了思路：与其写通用规则，不如把特定领域的专家知识直接编进数据库。这就是"专家系统"。

最有名的案例是 1976 年斯坦福开发的 MYCIN。它存储了 600 条抗生素使用规则，根据症状推荐治疗方案，准确率在测试中甚至超过年轻医生。

但 1982 年出了事。一位脑膜炎患者入院，MYCIN 按症状推荐了青霉素，却没有调取到病历里的"青霉素过敏"记录——因为规则库里根本没有"过敏史"这个字段。患者出现严重反应，虽然抢救成功，但事件让整个医学界警觉：专家系统只能处理被编码过的知识，遇到规则库之外的情况，它没有任何应对能力。

更实际的问题是钱。维护一套专家系统每年需要投入数百万美元更新规则。1987 年，随着普通电脑性能提升，专家系统的成本优势彻底消失，AI 再次进入寒冬。

---

四、机器学习崛起期（1990s-2000s）：从“规则”到“数据学习”

互联网带来了真正的转机。不是因为算法更聪明，而是因为数据第一次变得足够多。

1997 年 5 月 11 日，纽约曼哈顿。国际象棋冠军加里·卡斯帕罗夫对阵 IBM 的"深蓝"。

首局卡斯帕罗夫赢了，赛后嘲笑深蓝走法像新手。但第二局，深蓝下出一步让他愣住的棋：主动牺牲一个车，换取后续进攻机会。卡斯帕罗夫后来说，那步棋"不像机器的计算，倒像人类的直觉"。

最终深蓝以 3.5:2.5 获胜。背后的逻辑其实不神秘：它用 3000 万局棋谱训练，找出了胜率最高的策略模式。机器不再需要人类告诉它怎么下棋，它从数据里自己总结出来了。这标志着AI从“规则驱动”转向“数据驱动”。

这一步转变，事后看来比任何人当时意识到的都更深远。

---

五、深度学习革命期（2010s-2020s）：从“感知”到“认知”的跨越

2012 年是个分水岭。辛顿团队的 AlexNet 在 ImageNet 图像识别竞赛上，将错误率从 26% 压到了 15%，远超所有传统算法。深度学习从学术圈的边缘方向，变成了整个行业押注的主赛道。

2016 年 3 月，首尔，围棋冠军李世石和 AlphaGo 的第四局。李世石走出一步"78 手挖"，这步棋在人类职业棋谱中几乎从未出现。现场解说员说这步棋太冒险。

AlphaGo 只用了 1 秒回应，随后赢下这局。

李世石赛后说了一句让我印象深刻的话：“那步棋，我是想看看 AI 有没有创造力。它的应对让我意识到，它不只是在计算。”

AlphaGo 的方法是强化学习——通过每天自我对弈 300 万局，它学到了人类无法用语言描述的"棋感"。规则没法教会你这个，数据也不够，必须靠大量试错积累出来的直觉。这标志着AI从“感知”（识别图像、语音）迈向“认知”（理解、创造）。

---

六、大模型与智能体时代（2020s至今）：从“工具”到“自主智能体”

2020 年，OpenAI 发布 GPT-3（1750 亿参数），证明了一件事：语言本身就是智能的一种压缩形式。2022 年 ChatGPT 发布后，大语言模型从实验室走向了普通人的日常。2023 年 GPT-4 开始理解图像，Sora 生成视频，AI 进入了所谓的"多模态"阶段。此后开源模型崛起，具身智能诞生，模型迭代迈向日更级别。

但真正改变游戏规则的，是几个不那么显眼的技术进展。

Function Calling（函数调用）：2023 年 OpenAI 在 GPT-4 中推出这个功能，让模型可以主动调用外部工具——查天气 API、查数据库、跑代码。在这之前，大模型只能根据训练数据"背答案"；之后，它能实时获取外部信息，回答范围突破了知识边界。

AI Agent（智能体）：能感知环境、自主决策、调用工具完成任务的 AI 系统。它能记住历史对话，把抽象目标拆解成可执行步骤，并根据执行结果动态调整。说得直白点，它不只是回答"应该怎么做"，而是直接去做。

MCP（模型上下文协议）：2024 年 11 月 Anthropic 发布，本质上是 AI 连接外部工具的统一接口标准。在这之前，每个 AI 模型接入每个外部服务，都需要写一套定制化代码，维护成本极高。MCP 把这个过程标准化了——就像 USB 接口让各种设备能直接插拔一样。

Agent Skills：2025 年 10 月 Anthropic 推出，把特定领域的任务流程、Prompt 逻辑、外部知识库打包成标准化文件（SKILL.md），让智能体按需加载。AI 开发的方式，开始从"写提示词"变成"写上下文配置"。

OpenClaw：2025 年 11 月，奥地利程序员 Peter Steinberger 随手做了个周末项目 Clawdbot，后来改名 OpenClaw。没有人预料到接下来会发生什么——GitHub star数在 3 个月内突破 27.8 万，增速超过 Linux 内核早期。这个框架让 AI 智能体真正能在本地运行：读写文件、操控浏览器、执行脚本。不是聊天助手，是能实际干活的"数字员工"。

国内阿里、字节、腾讯、百度随后跟进，"百虾大战"打响。Steinberger 说：“OpenClaw 的目标是让每个人都能有自己的 AI 员工，而不是 AI 玩具。”

思考与未来图景

从 ELIZA 的 200 行代码，到 OpenClaw 的 27.8 万星标；从图灵破译密码时的执念，到 ChatGPT 帮艾米丽写论文——这中间发生了很多次预测失败。

每一次"寒冬"来临，都是因为有人高估了当前技术，低估了某个还没出现的要素（数据量、算力、标准化接口）。每一次复苏，都不是靠理论突破，而是靠某个具体的、可量化的工程进展触发。

现在我们说 AGI（通用人工智能），说人机协作，说 AI 会"替代人类"或"解放人类"。这些叙事我都半信半疑。让我更有把握的，是 MYCIN 那个案例：一套 600 条规则的系统，因为"过敏史"字段的缺失，差点造成事故。这个细节没有过时。AI 系统能做的事越来越多，但它仍然只能处理已经被编码、被设计、被预见到的情况。那些没有被写进去的字段，依然是它的盲区。

技术在进化，这个问题的本质没有变。

在2026年的今天，我们既是AI历史的书写者，也是这场智慧觉醒的见证人。或许正如维特根斯坦所说：“语言的边界即世界的边界”。当AI突破语言桎梏之日，我想那便是人类文明新纪元的破晓之时。