从 1956 年达特茅斯会议喊出 “人工智能” 的口号，到如今 ChatGPT、Sora、Kimi 轮番登场，大模型融入生活方方面面；从算力匮乏的两次行业寒冬，到东数西算工程撑起算力底座，人工智能走过了 68 年波澜壮阔的发展历程。这不仅是一场技术的迭代革命，更是一次人类对 “智能” 的重新定义。如今的人工智能，早已从实验室走向千行百业，气象预测、电力巡检、医疗辅助、无人驾驶…… 智能时代的大幕，正全面拉开。
1956 年的夏天，美国汉诺斯小镇的达特茅斯学院里，约翰・麦卡锡、马文・闵斯基、克劳德・香农等一众科学家围坐一堂，讨论着一个大胆的课题：用机器模仿人类的学习与智能。这次会议上，“Artificial Intelligence（AI）” 首次被正式提出，1956 年也因此成为公认的人工智能元年。彼时，图灵测试早已为人工智能立下评判标准 —— 若机器的回答有超 30% 让人类误以为是同类所答，便称得上拥有人类智能。这一标准，至今仍是衡量人工智能水平的重要标尺。
达特茅斯会议像是一颗投入湖面的石子，在科技界激起千层浪，人工智能随即迎来第一个黄金时代（1956-1974）。1958 年，麦卡锡开发出 LISP 编程语言，成为人工智能领域的专属语言；1959 年，“机器学习之父” 亚瑟・塞缪尔开发的西洋跳棋程序击败当时的大师，让人们看到机器超越人类的可能；1964-1966 年，世界第一个聊天程序 ELIZA 诞生，机器人 Shakey 成为首个自主移动机器人，日本早稻田大学还在 1972 年造出搭载机械手脚、人工视觉与听觉的 WABOT-1 机器人原型。这一时期，美国国防高级研究计划署（DARPA）的持续投入，更是让人工智能研究一路高歌猛进。
但狂热的背后，是技术现实的桎梏。当时的计算能力极其有限，模拟人类视觉需要的 1000MIPS 计算力，远超彼时最强计算机运算力的 10 倍；国际象棋每一步的可能棋局达 10^40，这种计算量爆炸的难题根本无法解决。更关键的是，科学家们发现了 “莫拉维克悖论”—— 人类看似简单的本能和直觉，比如走路、看东西，需要机器付出巨大的运算量，而高级逻辑思维的运算量反而更少。再加上缺乏海量常识数据，1973 年的莱特希尔报告彻底揭开了人工智能寒冬的序幕，各国政府和机构纷纷停止或缩减投入，人工智能迎来第一次寒冬（1974-1980）。
第一次寒冬让行业开始冷静思考，技术的突破也在悄然酝酿。1980 年起，人工智能迎来新的繁荣期，专家系统成为核心突破口。这一模拟人类专家决策能力的软件系统，在特定领域大展身手，XCON 专家系统更是创造了实实在在的商业价值，让人们重新看到人工智能的应用潜力。与此同时，神经网络领域迎来复兴：1982 年约翰・霍普菲尔德发明 Hopfield 网络，1986 年杰弗里・辛顿和大卫・鲁梅哈特提出反向传播神经网络，为后续深度学习奠定了基础。德国慕尼黑联邦国防军大学还在 1986 年造出第一辆真正意义上的自动驾驶汽车，人工智能的应用场景开始落地。
然而，繁荣并未持续太久。专家系统的局限性逐渐暴露，它只能解决特定领域问题，通用性极差，被认为并非人工智能的正确路径。1987 年起，LISP 机器市场崩溃，再加上弗诺・芬奇的技术奇点理论提出人工智能应从对世界的感知中学习智慧，行业再次陷入低谷，迎来第二次寒冬（1987-1993）。但即便在寒冬中，技术探索从未停止：1988 年朱迪亚・皮尔将概率论引入人工智能推理，发明贝叶斯网络；1989 年雅恩・乐昆团队用卷积神经网络实现手写邮政编码识别，这些技术突破，为人工智能的复苏埋下了伏笔。
1993 年后，随着算力和数据的逐步发展，人工智能进入稳健发展期，开始在专业领域不断突破。1997 年，IBM 深蓝战胜人类国际象棋冠军卡斯帕罗夫，成为人工智能发展的标志性事件，让全世界看到了机器在复杂博弈中的能力。2006 年，杰弗里・辛顿的《Learning Multiple Layers of Representation》奠定了深度学习的核心技术，深度学习时代正式开启。2007 年，李飞飞发起 ImageNet，其挑战赛上的深度卷积神经网络，成为深度学习革命的开端；2009 年，吴恩达团队开始用 GPU 进行大规模无监督机器学习，算力的应用效率被大幅提升。这一时期的人工智能，不再是空中楼阁，而是有了扎实的技术和数据支撑。
2016 年，人工智能迎来新时代的转折点 —— 谷歌 AlphaGo 接连击败韩国李世石、中国柯洁两位围棋世界冠军。围棋的复杂度远超国际象棋，AlphaGo 的胜利，标志着深度学习技术的成熟，人工智能正式进入大众视野。此后，技术发展一路狂飙：2018 年波士顿动力的 Atlas 机器人展现出超强的环境适应能力，2024 年 ChatGPT、Kimi 等大语言模型涌现出强大的学习能力，Sora 更是凭借文本生成视频的能力，让人们看到了通用人工智能的曙光。从棋类博弈到自然语言交互，再到多模态生成，人工智能的能力边界不断被打破。
如果说技术突破是人工智能发展的内核，那么大模型的崛起，就是新时代人工智能的核心标志。大模型的发展并非一蹴而就，而是经历了三个关键阶段：1950-2005 年的萌芽期，以 CNN 为代表的传统神经网络模型奠定基础；2006-2019 年的探索沉淀期，Transformer 架构的出现让神经网络实现全新突破，成为大模型的核心基础；2020 年至今的迅猛发展期，以 GPT 为代表的预训练大模型成为主流，参数量从亿级飙升至万亿级，能力实现质的飞跃。
从 GPT-1 的 1.17 亿参数，到 GPT-3 的 1750 亿参数，再到 GPT-4 的千亿级参数和多模态能力，OpenAI 的 GPT 系列不断刷新人们对大模型的认知。而这并非孤例，国内外科技企业纷纷入局，大模型赛道呈现百花齐放的态势：谷歌的 Gemini、华为的盘古、百度的文心一言、阿里巴巴的通义千问、月之暗面的 Kimi…… 这些大模型在参数规模、技术架构、支持模态上各有特色，覆盖通用领域和医疗、金融、工业等行业领域，形成了完整的大模型谱系。
大模型的爆发，离不开资本和政策的双重加持。国内形成了围绕大模型的完整投资生态，从操作系统、存储数据库到金融科技、办公生态，各个环节都吸引了大量资本布局；国家层面更是高度重视，北京、上海、杭州、成都、广东等多地出台专项政策，支持大模型创新发展，2024 年政府工作报告中更是提出开展 “人工智能 +” 行动，为大模型的落地应用指明方向。如今的大模型，早已不是单纯的技术产物，而是成为推动数字经济发展的核心动力，Midjourney 的 AI 绘画冲击设计行业，Sora 的视频生成影响影视广告领域，GPT-4 的问答能力改变教育和创作模式，大模型正在重构各行各业的发展逻辑。
人工智能的飞速发展，离不开算力这座 “数字底座”，而 “东数西算” 工程的启动，正是为人工智能的发展筑牢了算力根基。2022 年 2 月，国家正式批复启动 “东数西算” 工程，在京津冀、长三角、粤港澳大湾区等 8 地建设国家算力枢纽，设立 10 个国家数据中心集群，构建全国一体化大数据中心协同创新体系。这一工程的核心，是推动算力资源跨区域统筹布局，让东部的算力需求与西部的算力资源优势相结合，实现算力的高效利用。
算力的重要性，早已被数据所印证。据 IDC 研究，计算力指数平均每提高 1 点，国家的数字经济和 GDP 将分别增长 3.6% 和 1.7%；李正茂的 “算力时代三定律” 更是指出，算力每投入 1 元，就能带动 3~4 元的 GDP 增长。截至目前，我国在用数据中心机架总规模超过 760 万标准机架，算力总规模达到 197EFLOPS，位居全球第二，成为名副其实的算力大国。从省份来看，上海、江苏、广东等东部省份处于算力第一梯队，在用算力规模占全国超 45%；从企业来看，中国移动、中国电信、中国联通三大运营商算力规模大幅提升，腾讯、阿里、华为、百度等科技企业更是成为算力领域的核心巨头，阿里云的飞天智能计算平台甚至能为全球数百万企业提供超 1000 万台服务器的算力资源。
高校和科研机构也成为算力建设的重要力量，北京大学 “未名一号”、上海交通大学 “思源一号”、天津大学智能与计算学部的计算集群，都为人工智能研究提供了坚实的算力支撑。但不同层面的算力差距依然明显，国家层面能支撑数十个 GPT-3 级别的大模型训练，而课题组层面仅能满足小模型的推理和简单微调。更关键的是，大模型的算力需求堪称 “天文数字”—— 训练一个 GPT-3 需要 3.14×10^23FLOPS 的计算能力，GPT-4 的训练更是动用了 25000 个 A100 GPU，历时近 100 天，单次训练成本高达 500 万美元。
算力需求的爆发，也让我国算力产业的短板逐渐暴露：GPU 国产化率不足 10%，商用 AI 芯片几乎完全依赖进口。而美国的芯片出口管制，更是让我国高端算力芯片的获取难上加难。但挑战之下，国产算力芯片正在加速崛起，华为昇腾 910 芯片的 FP16 算力达 376TFLOPS，与英伟达 A100 旗鼓相当，Atlas 900 SuperCluster 更是能实现 18000 张卡的超大规模组网；昆仑芯、摩尔线程、壁仞科技等企业的 AI 芯片也纷纷落地，国产算力正在逐步填补市场空缺。同时，曙光、中国电子云等企业的人工智能云计算平台，让算力实现 “云上共享”，进一步提升了算力的利用效率。算力国产化，已经成为我国人工智能发展的必由之路。
如果说算力是人工智能的 “动力”，那么数据就是人工智能的 “燃料”，而低空感知平台的建设，正是为人工智能积累了海量的高质量数据。随着智能无人集群协同成为大国博弈的主战场，无人机、无人舰等智能无人系统的发展，对环境感知、多机协同的数据需求大幅提升。但智能无人系统面临着三大难题：复杂环境感知难，场景高度动态、目标尺度多变；多模态配准融合难，多源传感器数据难以协同；多机协同进化难，新场景新任务的泛化能力不足。而低空感知平台的建设，正是破解这些难题的关键。
天津大学团队打造的复杂环境协同感知数据平台，成为低空感知领域的标杆。该平台构建了 VisDrone、MultiDrone-TJU 等多个子数据库，历时 5 年在全国 14 个城市采集，拥有 2000 万 + 图像 / 视频帧、2000 万 + 目标标注，累计下载次数超 2 万次，在 Github 获得 1500 个星标，还连续五届在 ECCV 和 ICCV 举办 VisDrone 竞赛，吸引了卡耐基梅隆大学等全球 700 + 参赛队伍，1555 篇论文引用其数据。这些数据覆盖了单机和多机协同感知任务，为智能无人系统的算法训练提供了坚实的基础。
除了基础数据平台，人机协同数据标注平台更是解决了数据标注的痛点。面对汽车、遥感影像等领域数据量大、人工标注成本高、精度差的问题，该平台结合人工智能技术，实现了数据的自动化、批量化标注，不仅获得了天津市科技进步二等奖，还被基金委纳入成果转化信息服务平台。基于这些数据平台的技术成果，已经在水利监测、电力巡检、光伏巡检、联防联控巡检等领域落地，帮助应用单位直接减少 65% 的人力成本，扩大 40 里的平均检测范围，还在空军 “无人争锋” 挑战赛中斩获冠军，支撑了天津警航总队抗洪救灾、水文局水情监测等实际任务。低空感知平台的建设，让人工智能的 “燃料” 更加充足，也让智能无人系统的应用更加落地。
当算力、数据、技术三大要素齐聚，人工智能的应用场景迎来了 “百花齐放” 的时代，从气象预测到电力行业，从无人驾驶到辅助医疗，从语音交互到新材料探索，人工智能已经融入社会生产生活的方方面面，成为推动产业升级、提升生活品质的核心力量。
在气象预测领域，人工智能让 “精准预报” 成为现实。国外，谷歌的 GraphCast 模型能在 1 分钟内以 0.25° 的分辨率预测全球未来 10 天的数百个天气变量，IBM 的 GRAF 系统将气象预测分辨率从 13 平方公里缩减至 3 平方公里；国内，华为的 “盘古气象” 模型更是实现了技术突破，成为首个精度超过传统数值预报方法的 AI 模型，能提供秒级全球气象预报，在台风 “玛娃” 的轨迹预测中，成功提前 5 天预测出其在台湾东部海域的转弯路径，为气象防灾减灾提供了重要支撑。
在电力行业，人工智能成为能源优化配置的 “智慧大脑”。虚拟电厂作为 AI 在电力领域的最佳落地场景，通过分析海量历史数据，提升电力预测精准度，促进光伏、储能、充电桩等资源的协调优化，成为解决电网负荷问题的经济选项；国家电网山东电力公司的无人机智能巡检技术，结合激光雷达和双目视觉识别，部署深度卷积神经网络算法，实现了电力线路的精细化巡检，缺陷发现率达 80%，大幅提升了巡检效率和安全性。
无人驾驶领域，人工智能让 “安全出行” 触手可及。2023 年 12 月，国产阿尔法巴无人驾驶电动公交车在深圳首次试运行，融合人工智能和视觉计算技术，实现了无人驾驶的落地；百度 Apollo 更是凭借高精度的视觉检测 AI 技术，能应对绕行障碍物、无保护左转、拥堵路口通行等复杂路况，让无人驾驶的安全性和实用性不断提升，为智慧交通的发展奠定了基础。
辅助医疗领域，人工智能成为医生的 “得力助手”。美国 FDNA 公司的 DeepGestalt 框架，通过 AI 分析面部表型，提升了遗传病的识别能力；Jacksonville 健康科学研究中心将卷积神经网络应用于心电图，实现了无症状左心室功能障碍的快速筛查；加拿大多伦多大学的 MedSAM 模型，实现了通用医学影像分割，解决了传统方法只能适用于特定疾病的难题；英矽智能更是利用生成式 AI 加速药物发现，设计出全球首款 TNIK 抑制剂，让药物研发的效率大幅提升。
除此之外，人工智能在语音交互、新材料探索、图像合成、音乐创作、AI 数字人等领域也大放异彩。Amazon Alexa、苹果 ReALM 模型让人机语音交互更加自然流畅；谷歌的 GNoME 系统能预测数十万种稳定存在的新材料，A-Lab 更是实现了新材料的自主合成；Artbreeder、Midjourney 让 AI 图像合成达到以假乱真的程度；AIVA 能在几秒内生成 250 多种风格的音乐，为音乐创作提供新思路；新华社的 AI 合成主播、百度的 “曦灵” 数字人，更是让数字人走进新闻、服务等多个领域。而在 AI for Science 领域，AlphaFold2 实现了蛋白质结构的精准预测，人工智能还能辅助证明数学定理、控制核聚变，成为推动基础科学研究的新动力。
68 年风雨兼程，人工智能从概念诞生到技术爆发，从两次寒冬到百花齐放，如今已经站在了通用人工智能的门槛前。未来的人工智能，将朝着哪些方向发展？答案早已清晰，大模型、AI Agent、具身智能、AI for Science 将成为核心发展方向，而安全伦理和国产设备，将成为行业发展的重要保障。
大模型的未来，是 “六个垂直化”：行业深度化、企业个性化、能力专业化、规模小型化、部署分布化、所有权私有化。未来的大模型，将不再追求一味的大参数，而是更加贴合行业需求，实现小而精的发展，在金融、医疗、工业等垂直领域深耕，为企业提供个性化的智能解决方案，同时实现分布式部署，保障数据安全和所有权私有化。
AI Agent 将成为大模型落地的主流形式，其核心是 “大语言模型 + 记忆 + 规划技能 + 工具使用”，能像人类一样独立思考、制定决策、使用工具，处理各种事务。未来的 AI Agent，将实现感知、思考、行动的一体化，让 “人机协同” 成为新常态，走进办公、生活、生产等各个场景，成为人类的 “智能助手”。
具身智能则是人工智能的下一个浪潮，作为人工智能与机器人的结合体，具身智能能像生命体一样，通过与物理世界的互动学习不断进化，还能将进化成果 “遗传” 给下一代，实现智能的持续提升。未来的具身智能，将摆脱实验室的束缚，走进现实世界，在工业生产、服务行业、应急救援等领域发挥作用，成为新质生产力的重要组成部分。
AI for Science 将成为推动基础科学研究的核心力量，人工智能将与物理、化学、生物、天文等基础学科深度融合，通过科学大数据和 AI 大模型的结合，解决传统科学研究中难以攻克的难题。正如微软研究院科学智能中心所说，未来十年，深度学习将给自然科学带来变革性影响，大幅提升人类对自然现象的建模和预测能力。
但人工智能的发展，从来都不是一帆风顺的，安全伦理问题始终是行业发展的底线。大模型的偏见、数据隐私泄露、人工智能的安全风险、模型的鲁棒性不足，都是亟待解决的问题。比利时男子与 AI 聊天后自杀的悲剧，更是为行业敲响了警钟 —— 人工智能是一把双刃剑，其强大的能力在带来便利的同时，也可能引发伦理冲突。未来，人工智能的发展必须坚持安全可控，建立完善的伦理规范和监管体系，让技术发展始终走在正确的轨道上。
同时，国产设备的自主化，将成为我国人工智能发展的关键。算力是人工智能的核心底座，在国外高端芯片禁运的背景下，发展自主可控的国产算力芯片、算力基础设施，已经成为必然选择。未来，我国需要持续加大对国产芯片、操作系统、云计算平台的研发投入，完善国产算力生态，让人工智能的发展不再受制于人。
从达特茅斯会议的星星之火，到如今的燎原之势，人工智能用 68 年的时间，完成了从概念到现实的跨越。如今，“人工智能 +” 行动已经全面启动，人工智能与实体经济的深度融合，正在催生新产业、新业态、新模式。智能时代已经到来，这是一个充满机遇的时代，也是一个充满挑战的时代。我们无需畏惧技术的变革，而应拥抱智能时代的到来，让人工智能成为推动人类社会进步的核心力量，让智能之光照亮未来的每一个角落。
