AI 的发展不是直线上升，而是多次预期、低谷和突破。

Warren McCulloch 和 Walter Pitts 提出人工神经元的数学模型，奠定神经网络理论基础。

艾伦·图灵发表《计算机器与智能》，提出"机器能否思考"的问题，并设计图灵测试作为衡量机器智能的标准。

约翰·麦卡锡等人在达特茅斯学院组织研讨会，"人工智能"作为独立研究方向被正式提出。

Frank Rosenblatt 提出感知机——第一个可通过学习进行模式识别的人工神经网络。

MIT 的 Joseph Weizenbaum 创建 ELIZA，早期聊天程序展示了自然语言交互的可能性。

Minsky 和 Papert 发表《感知机》，指出单层网络的局限性，导致神经网络研究低潮。

算力、数据和资金限制让早期 AI 预期大幅回落，研究经费锐减。

Rumelhart、Hinton 和 Williams 重新发现并推广反向传播算法，神经网络研究复苏。

Yann LeCun 提出 LeNet 卷积神经网络，成功用于手写数字识别，开启深度学习实用化进程。

IBM 深蓝超级计算机击败国际象棋世界冠军加里·卡斯帕罗夫，展示专用 AI 系统的强大算力。

Hochreiter 和 Schmidhuber 提出 LSTM，解决 RNN 长期依赖问题，成为序列建模关键架构。

Geoffrey Hinton 提出深度信念网络预训练方法，引发学术界对深度学习的重新关注。

AlexNet 在 ImageNet 竞赛中大幅领先，证明深度卷积网络在视觉任务上的优越性能。

Ian Goodfellow 提出 GAN，通过生成器和判别器博弈实现图像生成，开启生成模型新方向。

Google 发表《Attention Is All You Need》，提出 Transformer 自注意力机制，彻底改变 NLP 领域。

Google 推出 BERT，通过大规模预训练和微调范式刷新多项 NLP 基准。

OpenAI 发布 GPT-3（1750 亿参数），展示了大语言模型在少样本场景下的广泛泛化能力。

DeepMind 的 AlphaFold 2 在蛋白质结构预测上取得突破性精度，展示 AI 在科学发现中的潜力。

OpenAI 发布 ChatGPT，大语言模型首次以对话形式进入大众产品，改变人机交互方式。

Stability AI 开源 Stable Diffusion，文本到图像生成技术民主化，推动 AIGC 生态。

OpenAI 发布 GPT-4，支持图像和文本多模态输入，在多项考试中达到人类专家水平。

Meta 开源 Llama 2，Mistral 发布高效开源模型，开源生态与闭源模型并行发展。

AI Agent 概念兴起，模型从单轮问答走向多步规划、工具调用和自主完成任务。