AI 发展时间线

这条时间线不是“英雄依次发明未来”的名单，也不是把模型排行榜排成年表。AI 的变化同时发生在思想、数学、算法、数据、硬件、工程、产品和制度中；一篇论文提出方法、一个系统完成演示、一个产品进入社会，代表的是不同证据。

本附录采用五类标记：思想表示问题或概念框架，论文表示公开的方法与证据，系统表示实际运行的研究或工程系统，产品表示面向真实用户的发布，基础设施与治理表示数据集、算力、评测、标准和制度环境。年份原则上取公开文献、报告或发布的时间；跨多年发展的项目用时间段表示。

1843-1955：在“人工智能”得名以前

  • 1843｜思想与文献｜洛夫莱斯为分析机写下注释。 她不仅描述伯努利数计算步骤，也讨论机器能否处理音乐等符号关系，并明确区分机器执行与自主创造。分析机并未完整建成，因此这首先是关于通用符号操作的设计与判断，不是一次 AI 演示。(Lovelace 1843年) 正文：第 1 章

  • 1854｜思想｜布尔把逻辑写成代数。 《思维规律研究》用符号和运算组织逻辑关系，使推理的一部分能够像代数式一样变换。布尔面对的还是形式逻辑，而非电子计算机；它的重要性在于为后来的逻辑电路准备了语言。(Boole 1854年) 正文：第 2 章

  • 1936｜论文｜丘奇与图灵刻画“可计算”，也给出不可计算边界。 lambda 演算和图灵机从不同形式出发，帮助建立现代计算理论；停机问题等否定结果同时说明，不是所有写得清楚的问题都有通用算法。AI 从一开始就建立在能力与边界并存的地基上。(Church 1936年; Turing 1937年) 正文：第 2 章与第 3 章

  • 1938｜论文与工程｜香农把布尔代数接到继电器开关。 逻辑“与、或、非”不再只是纸上的符号，也能成为电路分析与设计规则。这一步没有制造会思考的机器，却说明形式逻辑可以由物理状态可靠执行。(Shannon 1938年) 正文：第 3 章

  • 1943｜论文｜McCulloch-Pitts 神经元连接神经活动、逻辑与计算。 二值输入经过组合，越过阈值便激活；神经元网络因此可以用形式方法讨论。它是高度理想化的模型，不是生物神经元的完整复制。(McCulloch 和 Pitts 1943年) 正文：第 3 章

  • 1948-1949｜思想与论文｜反馈和连接可塑性进入共同视野。 维纳的控制论强调系统根据反馈调节行为；赫布讨论共同活动如何改变神经连接。前者把智能放进行动闭环，后者把能力变化放进连接更新，它们后来分别影响控制、强化学习和神经网络。(Wiener 1948年; Hebb 1949年) 正文：第 3 章

  • 1950｜思想与论文｜图灵把“机器能思考吗”改写成可观察测试。 同年，香农讨论计算机下棋，明确看到规则很短而搜索空间极大的矛盾。二者分别把行为评价与启发式搜索推到研究中心，但模仿游戏不等于完整智能定义，棋类也不等于整个现实。(Turing 1950年; Shannon 1950年) 正文：第 4 章

  • 1955｜研究提案｜“人工智能”成为一项明确的共同计划。 麦卡锡、明斯基、罗切斯特与香农提交达特茅斯暑期研究项目提案，为 1956 年的共同工作设定议题。提案的重要性是命名与组织研究纲领，不是宣布某台机器已经拥有智能。(McCarthy 等 1955年) 正文：第 4 章

1956-1979：符号、搜索、学习与第一次收缩

  • 1956｜学科事件｜达特茅斯项目把 AI 汇成一个研究领域。 参与者对语言、神经网络、抽象、学习和创造等问题并无统一路线；“AI 的诞生”因此更像学科形成，而不是某一天机器突然苏醒。(McCarthy 等 1955年; Nilsson 2010年) 正文：第 4 章

  • 1956｜系统｜Logic Theorist 用启发式搜索证明定理。 它从公理和规则出发寻找证明路径，报告为《数学原理》第二章最初 52 个定理中的 38 个找到证明。意义在于“形式表示 + 搜索 + 启发式”可以完成一部分数学活动，不在于机器从此成为通用数学家。(Newell 和 Simon 1956年) 正文：第 4 章

  • 1958｜论文与系统｜感知机展示从错误中调整连接。 Rosenblatt 的工作把样本、权重更新和分类行为连在一起，成为早期学习机器的重要代表。单层感知机只能表达线性边界，但它把“能力由训练形成”变成了可运行问题。(Rosenblatt 1958年) 正文：第 9 章

  • 1960 年代｜系统｜DENDRAL 把搜索放进专业化学知识中。 系统利用分子组成、化学价、碎裂规律和专家经验筛选候选结构，说明窄领域知识可以比更通用的搜索技巧更决定性能。它不是一般科学家，却是 AI 参与科学分析的早期范例。(Buchanan 和 Feigenbaum 1978年) 正文：第 7 章

  • 1966｜评估与资金｜ALPAC 报告批评机器翻译的承诺与交付差距。 报告影响了美国相关资金方向，但不能被简化成“一个报告关闭了全球 AI”。不同国家、机构和研究路线的收缩并不同步。(Automatic Language Processing Advisory Committee 1966年) 正文：第 7 章

  • 1969｜著作与边界｜《Perceptrons》系统分析单层模型的表示限制。 XOR 是今天最常见的教学例子，但书中讨论远不止一个逻辑门。它揭示了模型类别的真实边界，却不是神经网络研究降温的唯一原因。(Minsky 和 Papert 1969年) 正文：第 9 章

  • 1970 年代｜系统｜MYCIN 用规则和确定性因子组织医学建议。 它会追问信息、组合证据并给出抗菌药物建议，在受控评价中表现出竞争力，却未成为日常临床系统。实验性能到真实部署之间还隔着数据接入、责任、工作流和信任。(Shortliffe 1976年) 正文：第 7 章

  • 1973｜评估与资金｜Lighthill 报告批评组合爆炸和规模扩展困难。 随后的英国资助审查影响了一些研究中心。与 ALPAC 一样，它应被放在具体机构和任务中理解，而不是当作对全部 AI 的终局判决。(Lighthill 1973年) 正文：第 7 章

1980-2009：专家系统商业化，统计学习和神经网络积蓄条件

  • 1980 年代｜产品与系统｜XCON 把规则系统带进企业配置流程。 它帮助 Digital Equipment Corporation 配置 VAX 计算机，减少兼容性错误，证明窄领域 AI 可以在高价值业务中产生实际收益。与此同时，规则获取、冲突处理和持续维护也随规模增长。(McDermott 1982年) 正文：第 7 章

  • 1980 年代末至 1990 年代初｜产业周期｜第二次 AI 低潮出现。 专家系统维护成本、专用硬件市场变化、过高期待与投资收缩相互作用；许多方法仍继续使用，只是不再总以 AI 名义出现。低潮描述的是生态变化，不是所有算法同时失效。(Nilsson 2010年) 正文：第 7 章

  • 1986｜论文｜反向传播让多层网络学习内部表示的路线广为人知。 Rumelhart、Hinton 与 Williams 用多组实验展示误差怎样穿过多层连接。反向传播并非 1986 年凭空出现，它的影响来自算法、实验和连接主义研究重新汇合。(Rumelhart 等 1986年) 正文：第 13 章

  • 1989｜系统与论文｜端到端训练进入手写邮政编码识别。 LeCun 等人把反向传播用于现实视觉任务，展示特征提取和分类可以共同由误差塑造。它也提醒我们，深度学习的工程历史早于 2012 年。(LeCun 等 1989年) 正文：第 13 章

  • 1997｜论文｜LSTM 用门控改善长期依赖。 稳定状态通路和可学习门让循环网络更有机会保留远距离信息。LSTM 改善梯度与记忆管理，却不是无限上下文装置。(Hochreiter 和 Schmidhuber 1997年) 正文：第 16 章

  • 1998｜系统与论文｜LeNet-5 形成完整卷积识别系统。 卷积、下采样、分类层与反向传播共同用于文档识别。后来 AlexNet 的突破不是卷积思想第一次出现，而是旧结构在新数据、硬件和训练条件下被大幅扩展。(LeCun 等 1998年) 正文：第 14 章

  • 2009｜基础设施｜ImageNet 建立大规模共同视觉数据基础。 论文描述了超过 1400 万张、两万多个类别的图像集合，后续竞赛让架构和训练方法可以在共同任务上比较。数据集扩大了可测能力，也把标签偏差和“基准不等于现实”带到更大规模。(Deng 等 2009年) 正文：第 14 章

2012-2017：深度学习从识别扩展到语言、生成和决策

  • 2012｜系统与论文｜AlexNet 显著降低 ImageNet 竞赛错误率。 转折并非来自一个神奇公式，而是深层卷积网络、GPU、ReLU、正则化、数据和工程共同成熟。它为深度学习带来强证据，却不等于一般视觉理解已经解决。(Krizhevsky 等 2012年) 正文：第 14 章

  • 2013｜论文与工具｜Word2Vec 让大规模词向量训练变得高效。 CBOW、Skip-gram 和高效近似使分布式表示广泛进入语言系统。向量关系来自语料、上下文窗口和训练目标，不是词义被完整存进坐标。(Mikolov, Chen, 等 2013年; Mikolov, Sutskever, 等 2013年) 正文：第 15 章

  • 2014-2015｜论文｜seq2seq 与注意力重写机器翻译的数据流。 编码器-解码器允许变长序列端到端映射，注意力又让解码器在每一步动态读取源位置，缓解固定向量瓶颈。注意力最初是序列模型中的读取机制，还不是 Transformer 的全部架构。(Sutskever 等 2014年; Cho 等 2014年; Bahdanau 等 2015年) 正文：第 16 章与第 19 章

  • 2014｜论文｜GAN 用可学习的对手提供生成训练信号。 生成器与判别器交替竞争，推动高质量图像生成，也暴露训练不稳定和模式坍塌。它改变了生成建模版图，却没有消除覆盖度、评价和数据偏差问题。(Goodfellow 等 2014年) 正文：第 17 章

  • 2015｜系统与论文｜DQN 把卷积表示、Q-learning、经验回放和目标网络组合起来。 系统从 Atari 像素学习控制，为深度强化学习提供了有影响力的证据。“同一框架”不表示一套参数同时掌握所有游戏，每个游戏仍分别训练。(Mnih 等 2015年) 正文：第 18 章

  • 2015｜论文｜扩散概率模型的重要早期形式出现。 Sohl-Dickstein 等人把逐步加噪与学习反向过程结合。它当时尚未成为大众图像产品，但已经确立了“把困难生成拆成多步局部修正”的路线。(Sohl-Dickstein 等 2015年) 正文：第 22 章

  • 2016｜系统与论文｜AlphaGo 组合策略网络、价值网络和树搜索。 它的落子不是单个网络瞬间输出的结果，而是学习、自我对弈和测试时搜索共同作用。这个系统说明，神经网络的突破可以重新增强而非取代搜索。(Silver 等 2016年) 正文：第 18 章

  • 2017｜系统与论文｜AlphaGo Zero 从规则和自我对弈出发。 它移除人类棋谱训练起点，以搜索结果改进策略和价值。适用前提仍是规则明确、模拟便宜、胜负清楚，不能直接外推到开放现实。(Silver 等 2017年) 正文：第 18 章

  • 2017｜论文｜Transformer 把注意力放到序列架构主体。 自注意力、交叉注意力、位置表示、前馈网络、残差和归一化构成可并行训练、可稳定堆叠的系统。今天的大模型修改了许多细节，但核心数据流仍可追溯到这项组合。(Vaswani 等 2017年) 正文：第 20 章

2018-2022：预训练、生成模型和对话产品汇合

  • 2018｜论文｜生成式预训练展示广泛任务迁移。 GPT 路线先用因果语言建模学习文本规律，再为具体任务适配。预训练由此不只是初始化技巧，而开始成为连接多种语言任务的共同底座。(Radford 等 2018年) 正文：第 21 章

  • 2018-2019｜论文｜BERT 把双向上下文预训练带入广泛语言任务。 掩码语言模型根据左右文恢复缺失 Token，预训练后再针对任务微调。它与 GPT 代表不同信息约束，不是“理解”和“生成”的简单二分。(Devlin 等 2019年) 正文：第 21 章

  • 2020｜论文与规模证据｜GPT-3 展示提示和少样本上下文学习。 模型在不更新参数时，仅凭任务描述或少量示例完成多类任务，使“在上下文里指定任务”成为重要接口。规模扩大带来能力，也同步放大成本、偏差、评测污染和不可控输出。(Brown 等 2020年) 正文：第 21 章

  • 2020｜论文｜DDPM 推动扩散生成成为高质量路线。 常用噪声预测目标把训练写成不同噪声等级上的去噪问题，后来又与 score、引导和潜空间方法结合。生成质量提高不代表文字、空间关系和事实一致性自动可靠。(Ho 等 2020年) 正文：第 22 章

  • 2020｜论文与系统模式｜REALM 和 RAG 把外部检索接入语言生成。 知识不必全部压进参数，系统可以在请求时选择证据并放入上下文。这提升更新性和可追溯性，也新增分块、召回、排序、引用和权限链上的失败。(Guu 等 2020年; Lewis 等 2020年) 正文：第 27 章

  • 2021｜论文｜CLIP 用大规模图文对比学习建立联合空间。 自然语言开始充当开放类别描述，图像和文本可以在嵌入空间中比较。表示对齐推动多模态迁移，却不保证细粒度计数、空间关系和文字识别始终正确。(Radford 等 2021年) 正文：第 25 章

  • 2021｜系统与论文｜AlphaFold2 把蛋白质结构预测推进到新的实用水平。 多序列比对、成对表示和几何模块共同预测三维结构，并在 CASP14 盲测中显著提高许多目标的精度。结构预测突破不等于蛋白质功能、药效和临床安全已被解决。(Jumper 等 2021年) 正文：第 30 章

  • 2022｜论文与训练流程｜指令微调、思维链和 RLHF 走向同一助手栈。 FLAN 展示多任务指令微调，思维链提示展示中间步骤对部分任务的帮助，InstructGPT 系统记录示范、偏好、奖励模型和强化学习流程。三者解决的问题不同：任务遵循、测试时计算和行为偏好不能混为一谈。(Wei, Bosma, 等 2022年; Wei, Wang, 等 2022年; Ouyang 等 2022年) 正文：第 23 章与第 26 章

  • 2022｜论文与系统路线｜潜空间扩散降低高分辨率生成成本。 图像先压缩到潜表示，再在较小空间中加噪和去噪，文本条件通过注意力接入。它把表示压缩、条件控制和扩散生成组合成可扩展系统，也可能损失小文字与精细纹理。(Rombach 等 2022年) 正文：第 22 章

  • 2022 年 11 月 30 日｜产品｜ChatGPT 以研究预览形式发布。 对话界面、指令跟随和 RLHF 让大模型以极低使用门槛进入广泛公众场景。它是产品与交互转折，不是当天突然发明 Transformer、预训练或 RLHF。(OpenAI 2022年) 正文：第 23 章

2023-2026：模型开始成为带工具、反馈和治理边界的系统

  • 2022-2023｜系统与论文｜视觉、语言和机器人动作开始共享模型接口。 RT-1、PaLM-E 与 RT-2 分别探索动作 Token、多模态传感器接入和互联网语义向机器人控制迁移。真实机器人仍受数据覆盖、延迟、接触物理和安全约束，视频能力不能直接等同于现实操作能力。(Brohan 等 2022年, 2023年; Driess 等 2023年) 正文：第 29 章

  • 2023-2024｜基础设施与评测｜智能体从“会回答”转向“在环境中完成任务”的测量。 AgentBench、WebArena、SWE-bench 和 OSWorld 分别覆盖受控交互、网页、真实软件仓库与计算机操作。评测对象由单次答案扩展为多步状态变化，也暴露权限、恢复、停止和长程错误累积。(Liu 等 2024年; Zhou 等 2024年; Jimenez 等 2024年; Xie 等 2024年) 正文：第 28 章

  • 2023｜治理框架｜NIST AI RMF 把风险工作组织为持续流程。 Govern、Map、Measure、Manage 强调在具体情境中识别、测量和管理风险，而不是给所有 AI 一个统一合格分数。治理由此更明确地进入系统生命周期。(National Institute of Standards and Technology 2023年) 正文：第 32 章

  • 2024-2026｜法律与治理｜欧盟《人工智能法案》进入分阶段适用期。 被禁止实践、通用人工智能模型规则与部分透明度规则先后适用，高风险系统义务继续按后续日期推进。它说明“法律已经生效”不能当作单一开关，必须注明对象、角色、法域和具体条款日期。(European Commission 2026年) 正文：第 32 章

  • 2024｜论文｜测试时计算成为独立的资源分配问题。 研究开始系统比较模型大小、题目难度、采样数量和验证策略，说明部分任务可以用更多推理阶段计算换取更高准确率。额外计算不是免费的，也不保证验证器本身可靠。(Snell 等 2024年) 正文：第 26 章

  • 2024｜系统与论文｜AlphaFold3 扩展生物分子相互作用建模。 预测对象扩大到蛋白质、核酸、小分子和离子等组合。对象范围扩大仍不等于药物发现、毒性、剂量和临床效果可以由一个模型端到端保证。(Abramson 等 2024年) 正文：第 30 章

  • 2025｜技术报告｜强化学习和多阶段训练进一步塑造推理行为。 DeepSeek-R1 报告给出冷启动数据、强化学习和后续训练的组合案例，使“模型怎样学会分配推理步骤”成为可公开分析的问题。报告结果仍需按任务、预算、验证方式和复现实证理解。(Guo 等 2025年) 正文：第 26 章

  • 2025｜基础设施与治理｜内容来源标准继续发展。 C2PA 规范用可验证凭证记录内容来源和变换链，代表一种不同于“只靠检测器猜测是否生成”的路线。来源记录能够帮助追溯，却不能单独证明内容真实。(Coalition for Content Provenance and Authenticity 2025年) 正文：第 33 章

  • 2026｜年度测量｜AI Index 记录能力加速与锯齿状前沿并存。 报告汇总显示，智能体在 OSWorld 上的任务成功率从约 12% 升至约 66%，但仍失败约三分之一。单项基准快速上升与开放世界可靠性不足可以同时成立。(Stanford Institute for Human-Centered Artificial Intelligence 2026年) 正文：第 34 章

  • 截至 2026 年 8 月 19 日｜观察位置｜当代 AI 的主要变化发生在系统层。 基础模型正在与检索、代码执行、数据库、视觉、语音、外部记忆、验证器和权限控制组合。能力因此不再只由一组参数决定，风险也沿数据、模型、工具、用户和组织流程传播。正文：第 27 章、第 28 章与第 32 章

从时间线里读出什么

第一，AI 没有单一出生点。形式逻辑、可计算性、统计推断、神经模型、控制与工程系统来自不同传统；1956 年的重要性是命名和组织领域，而不是创造全部零件。

第二，搜索与学习反复重组，而不是简单替代。Logic Theorist 依靠搜索，感知机依靠学习；AlphaGo 又把学习到的策略和价值放回搜索树，现代推理系统继续组合采样、搜索和验证。

第三，突破常由整套条件同时成熟。AlexNet 需要数据、GPU、结构、优化和工程；大模型需要 Transformer、预训练数据、计算基础设施和部署接口。只寻找一个“神奇算法”，会漏掉真正的因果链。

第四，研究成功、产品成功和社会成功是三种不同门槛。MYCIN 的受控表现没有自动转化为临床部署，ChatGPT 的广泛采用也不自动证明回答可靠。系统还要穿过成本、工作流、责任和信任。

第五，旧方法很少彻底消失。规则系统仍在业务流程中，RNN 仍适合部分流式任务，搜索仍服务规划，检索仍承担外部知识入口。历史更像工具箱重组，而不是新模型把旧世界全部清空。

第六，能力越靠近行动，评价单位越必须扩大。单题正确率不足以描述智能体、机器人和科学系统；需要继续检查多步成功、权限、恢复、证据、现实锚定、成本和社会后果。

这也是阅读当代 AI 新闻时最有用的时间感：一项新结果可能是真的，但仍要问它属于哪类事件、改变了哪一层、依赖哪些条件，又有哪些门槛尚未跨过。

参考文献

Abramson, Josh, Jonas Adler, Jack Dunger, 等. 2024年. 《Accurate Structure Prediction of Biomolecular Interactions with AlphaFold 3》. Nature 630: 493～500. https://doi.org/10.1038/s41586-024-07487-w.
Automatic Language Processing Advisory Committee. 1966年. Languages and Machines: Computers in Translation and Linguistics. No. 1416. National Academy of Sciences, National Research Council. https://doi.org/10.17226/9547.
Bahdanau, Dzmitry, Kyunghyun Cho, 和 Yoshua Bengio. 2015年. 《Neural Machine Translation by Jointly Learning to Align and Translate》. 3rd International Conference on Learning Representations. https://arxiv.org/abs/1409.0473.
Boole, George. 1854年. An Investigation of the Laws of Thought. Walton; Maberly. https://www.gutenberg.org/ebooks/15114.
Brohan, Anthony, Noah Brown, Justice Carbajal, 等. 2022年. 《RT-1: Robotics Transformer for Real-World Control at Scale》. arXiv preprint arXiv:2212.06817.
Brohan, Anthony, Noah Brown, Justice Carbajal, 等. 2023年. 《RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control》. arXiv preprint arXiv:2307.15818.
Brown, Tom B., Benjamin Mann, Nick Ryder, 等. 2020年. 《Language Models are Few-Shot Learners》. Advances in Neural Information Processing Systems 33, 1877～901.
Buchanan, Bruce G., 和 Edward A. Feigenbaum. 1978年. 《DENDRAL and Meta-DENDRAL: Their Applications Dimension》. Artificial Intelligence 11 (1–2): 5～24. https://doi.org/10.1016/0004-3702(78)90010-3.
Cho, Kyunghyun, Bart van Merriënboer, Caglar Gülçehre, 等. 2014年. 《Learning Phrase Representations Using RNN Encoder–Decoder for Statistical Machine Translation》. Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing, 1724～34. https://doi.org/10.3115/v1/D14-1179.
Church, Alonzo. 1936年. 《An Unsolvable Problem of Elementary Number Theory》. American Journal of Mathematics 58 (2): 345～63. https://doi.org/10.2307/2371045.
Coalition for Content Provenance and Authenticity. 2025年. C2PA Technical Specification, Version 2.2. Coalition for Content Provenance; Authenticity.
Deng, Jia, Wei Dong, Richard Socher, Li-Jia Li, Kai Li, 和 Li Fei-Fei. 2009年. 《ImageNet: A Large-Scale Hierarchical Image Database》. 2009 IEEE Conference on Computer Vision and Pattern Recognition, 248～55. https://doi.org/10.1109/CVPR.2009.5206848.
Devlin, Jacob, Ming-Wei Chang, Kenton Lee, 和 Kristina Toutanova. 2019年. 《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics, 4171～86. https://doi.org/10.18653/v1/N19-1423.
Driess, Danny, Fei Xia, Mehdi S. M. Sajjadi, 等. 2023年. 《PaLM-E: An Embodied Multimodal Language Model》. Proceedings of the 40th International Conference on Machine Learning. https://arxiv.org/abs/2303.03378.
European Commission. 2026年. AI Act: Regulatory Framework for Artificial Intelligence. https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai.
Goodfellow, Ian, Jean Pouget-Abadie, Mehdi Mirza, 等. 2014年. 《Generative Adversarial Nets》. Advances in Neural Information Processing Systems 27, 2672～80.
Guo, Daya, Dejian Yang, Haowei Zhang, 等. 2025年. 《DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》. arXiv preprint arXiv:2501.12948, 网络首发. https://doi.org/10.48550/arXiv.2501.12948.
Guu, Kelvin, Kenton Lee, Zora Tung, Panupong Pasupat, 和 Ming-Wei Chang. 2020年. 《REALM: Retrieval-Augmented Language Model Pre-Training》. Proceedings of the 37th International Conference on Machine Learning. https://arxiv.org/abs/2002.08909.
Hebb, Donald O. 1949年. The Organization of Behavior: A Neuropsychological Theory. Wiley.
Ho, Jonathan, Ajay Jain, 和 Pieter Abbeel. 2020年. 《Denoising Diffusion Probabilistic Models》. Advances in Neural Information Processing Systems 33, 6840～51.
Hochreiter, Sepp, 和 Jürgen Schmidhuber. 1997年. 《Long Short-Term Memory》. Neural Computation 9 (8): 1735～80. https://doi.org/10.1162/neco.1997.9.8.1735.
Jimenez, Carlos E., John Yang, Alexander Wettig, 等. 2024年. 《SWE-bench: Can Language Models Resolve Real-World GitHub Issues?》 12th International Conference on Learning Representations. https://arxiv.org/abs/2310.06770.
Jumper, John, Richard Evans, Alexander Pritzel, 等. 2021年. 《Highly Accurate Protein Structure Prediction with AlphaFold》. Nature 596: 583～89. https://doi.org/10.1038/s41586-021-03819-2.
Krizhevsky, Alex, Ilya Sutskever, 和 Geoffrey E. Hinton. 2012年. 《ImageNet Classification with Deep Convolutional Neural Networks》. Advances in Neural Information Processing Systems 25, 1097～105.
LeCun, Yann, Bernhard Boser, John S. Denker, 等. 1989年. 《Backpropagation Applied to Handwritten Zip Code Recognition》. Neural Computation 1 (4): 541～51. https://doi.org/10.1162/neco.1989.1.4.541.
LeCun, Yann, Leon Bottou, Yoshua Bengio, 和 Patrick Haffner. 1998年. 《Gradient-Based Learning Applied to Document Recognition》. Proceedings of the IEEE 86 (11): 2278～324. https://doi.org/10.1109/5.726791.
Lewis, Patrick, Ethan Perez, Aleksandra Piktus, 等. 2020年. 《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》. Advances in Neural Information Processing Systems 33. https://arxiv.org/abs/2005.11401.
Lighthill, James. 1973年. 《Artificial Intelligence: A General Survey》. 收入 Artificial Intelligence: A Paper Symposium. Science Research Council.
Liu, Xiao, Hao Yu, Hanchen Zhang, 等. 2024年. 《AgentBench: Evaluating LLMs as Agents》. 12th International Conference on Learning Representations. https://arxiv.org/abs/2308.03688.
Lovelace, Augusta Ada. 1843年. 《Sketch of the Analytical Engine Invented by Charles Babbage, with Notes by the Translator》. Scientific Memoirs 3: 666～731. https://www.fourmilab.ch/babbage/sketch.html.
McCarthy, John, Marvin L. Minsky, Nathaniel Rochester, 和 Claude E. Shannon. 1955年. A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence. http://www-formal.stanford.edu/jmc/history/dartmouth/dartmouth.html.
McCulloch, Warren S., 和 Walter Pitts. 1943年. 《A Logical Calculus of the Ideas Immanent in Nervous Activity》. The Bulletin of Mathematical Biophysics 5: 115～33. https://doi.org/10.1007/BF02478259.
McDermott, John. 1982年. 《R1: A Rule-Based Configurer of Computer Systems》. Artificial Intelligence 19 (1): 39～88. https://doi.org/10.1016/0004-3702(82)90021-2.
Mikolov, Tomas, Kai Chen, Greg Corrado, 和 Jeffrey Dean. 2013年. 《Efficient Estimation of Word Representations in Vector Space》. arXiv preprint arXiv:1301.3781. https://arxiv.org/abs/1301.3781.
Mikolov, Tomas, Ilya Sutskever, Kai Chen, Greg S. Corrado, 和 Jeffrey Dean. 2013年. 《Distributed Representations of Words and Phrases and Their Compositionality》. Advances in Neural Information Processing Systems 26, 3111～19.
Minsky, Marvin, 和 Seymour Papert. 1969年. Perceptrons: An Introduction to Computational Geometry. MIT Press.
Mnih, Volodymyr, Koray Kavukcuoglu, David Silver, 等. 2015年. 《Human-Level Control through Deep Reinforcement Learning》. Nature 518: 529～33. https://doi.org/10.1038/nature14236.
National Institute of Standards and Technology. 2023年. Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1. National Institute of Standards; Technology. https://doi.org/10.6028/NIST.AI.100-1.
Newell, Allen, 和 Herbert A. Simon. 1956年. 《The Logic Theory Machine: A Complex Information Processing System》. IRE Transactions on Information Theory 2 (3): 61～79. https://doi.org/10.1109/TIT.1956.1056797.
Nilsson, Nils J. 2010年. The Quest for Artificial Intelligence: A History of Ideas and Achievements. Cambridge University Press. https://doi.org/10.1017/CBO9780511819346.
OpenAI. 2022年. Introducing ChatGPT. Research preview, November 30, 2022. https://openai.com/index/chatgpt/.
Ouyang, Long, Jeffrey Wu, Xu Jiang, 等. 2022年. 《Training Language Models to Follow Instructions with Human Feedback》. Advances in Neural Information Processing Systems 35, 27730～44.
Radford, Alec, Jong Wook Kim, Chris Hallacy, 等. 2021年. 《Learning Transferable Visual Models From Natural Language Supervision》. Proceedings of the 38th International Conference on Machine Learning, Proceedings of Machine Learning Research, 卷 139: 8748～63.
Radford, Alec, Karthik Narasimhan, Tim Salimans, 和 Ilya Sutskever. 2018年. Improving Language Understanding by Generative Pre-Training. OpenAI. https://cdn.openai.com/research-covers/language-unsupervised/language_understanding_paper.pdf.
Rombach, Robin, Andreas Blattmann, Dominik Lorenz, Patrick Esser, 和 Bjorn Ommer. 2022年. 《High-Resolution Image Synthesis with Latent Diffusion Models》. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 10684～95. https://doi.org/10.1109/CVPR52688.2022.01042.
Rosenblatt, Frank. 1958年. 《The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain》. Psychological Review 65 (6): 386～408. https://doi.org/10.1037/h0042519.
Rumelhart, David E., Geoffrey E. Hinton, 和 Ronald J. Williams. 1986年. 《Learning Representations by Back-Propagating Errors》. Nature 323: 533～36. https://doi.org/10.1038/323533a0.
Shannon, Claude E. 1938年. 《A Symbolic Analysis of Relay and Switching Circuits》. Transactions of the American Institute of Electrical Engineers 57 (12): 713～23. https://doi.org/10.1109/T-AIEE.1938.5057767.
Shannon, Claude E. 1950年. 《Programming a Computer for Playing Chess》. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science 41 (314): 256～75. https://doi.org/10.1080/14786445008521796.
Shortliffe, Edward H. 1976年. Computer-Based Medical Consultations: MYCIN. Elsevier.
Silver, David, Aja Huang, Chris J. Maddison, 等. 2016年. 《Mastering the Game of Go with Deep Neural Networks and Tree Search》. Nature 529: 484～89. https://doi.org/10.1038/nature16961.
Silver, David, Julian Schrittwieser, Karen Simonyan, 等. 2017年. 《Mastering the Game of Go without Human Knowledge》. Nature 550: 354～59. https://doi.org/10.1038/nature24270.
Snell, Charlie, Jaehoon Lee, Kelvin Xu, 和 Aviral Kumar. 2024年. 《Scaling LLM Test-Time Compute Optimally Can Be More Effective Than Scaling Model Parameters》. arXiv preprint arXiv:2408.03314, 网络首发. https://doi.org/10.48550/arXiv.2408.03314.
Sohl-Dickstein, Jascha, Eric A. Weiss, Niru Maheswaranathan, 和 Surya Ganguli. 2015年. 《Deep Unsupervised Learning using Nonequilibrium Thermodynamics》. Proceedings of the 32nd International Conference on Machine Learning, Proceedings of Machine Learning Research, 卷 37: 2256～65.
Stanford Institute for Human-Centered Artificial Intelligence. 2026年. The 2026 AI Index Report. Stanford University. https://hai.stanford.edu/ai-index/2026-ai-index-report.
Sutskever, Ilya, Oriol Vinyals, 和 Quoc V. Le. 2014年. 《Sequence to Sequence Learning with Neural Networks》. Advances in Neural Information Processing Systems 27, 3104～12.
Turing, Alan M. 1937年. 《On Computable Numbers, with an Application to the Entscheidungsproblem》. Proceedings of the London Mathematical Society s2-42 (1): 230～65. https://doi.org/10.1112/plms/s2-42.1.230.
Turing, Alan M. 1950年. 《Computing Machinery and Intelligence》. Mind LIX (236): 433～60. https://doi.org/10.1093/mind/LIX.236.433.
Vaswani, Ashish, Noam Shazeer, Niki Parmar, 等. 2017年. 《Attention Is All You Need》. Advances in Neural Information Processing Systems 30, 5998～6008. https://papers.nips.cc/paper/7181-attention-is-all-you-need.
Wei, Jason, Maarten Bosma, Vincent Y. Zhao, 等. 2022年. 《Finetuned Language Models Are Zero-Shot Learners》. 10th International Conference on Learning Representations.
Wei, Jason, Xuezhi Wang, Dale Schuurmans, 等. 2022年. 《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》. Advances in Neural Information Processing Systems 35, 24824～37.
Wiener, Norbert. 1948年. Cybernetics: Or Control and Communication in the Animal and the Machine. MIT Press.
Xie, Tianbao, Danyang Zhang, Jixuan Chen, 等. 2024年. 《OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments》. Advances in Neural Information Processing Systems 37. https://arxiv.org/abs/2404.07972.
Zhou, Shuyan, Frank F. Xu, Hao Zhu, 等. 2024年. 《WebArena: A Realistic Web Environment for Building Autonomous Agents》. 12th International Conference on Learning Representations. https://arxiv.org/abs/2307.13854.