从图灵测试到智能体：人工智能七十年演进

1950 年，艾伦·图灵在《计算机器与智能》中把「机器能否思考」这个哲学问题，改写成一道可以检验的判断题；1956 年的达特茅斯会议，则第一次给这门学问取了名字——人工智能（Artificial Intelligence）。七十多年间，它两度跌入「寒冬」，又三次被算法、数据与算力重新托起。今天，AI 早已不是论文里的概念，而是写进生产线、诊室、课堂和手机里的通用技术。本文沿时间线梳理它的演进逻辑，并聚焦 2026 年前后正在发生的一次关键转向：从「会聊天」走向「能办事」。

内容提要

• 一条主线：从符号规则、专家系统到深度学习、大模型与智能体，每一次跃迁几乎都由算法、数据、算力三者同时到位触发。
• 一个转折：2022 年 ChatGPT 让生成式 AI 成为大众产品；2024—2025 年推理模型与开源模型，把竞争焦点从「参数有多大」拉回「能力有多密、成本有多低」。
• 一组张力：应用普及的速度，明显快于可靠性、能耗约束与治理体系的成熟速度；这条落差将决定 AI 能走多远。

表 1 · 关键里程碑与对应含义

一、起点：把「思考」变成可计算的问题（1950—1956）

1943 年，麦卡洛克与皮茨提出 MP 人工神经元模型，为神经网络埋下数学基础；1950 年，图灵提出以对话能否「骗过」人类来判定机器智能，即图灵测试；1956 年，达特茅斯学院的研讨会上首次使用「Artificial Intelligence」一词，AI 由此成为一门独立学科。三次事件串起同一个动作：把模糊的哲学追问，翻译成可计算、可验证的工程目标。

早期研究者信心十足：1957 年感知机问世，1970—1980 年代专家系统在医疗诊断、地质勘探等窄领域达到人类专家水平。但规则靠人手写、算力与数据都捉襟见肘，AI 在期望落空中两度进入「寒冬」。回头看，那不是失败，而是提前暴露了一个根本矛盾：真实世界太模糊，无法被穷举成规则。

二、三股力量汇合：数据、算力与深度学习（1997—2016）

转折来自「让机器自己从数据里学」。1986 年反向传播算法被系统阐述，解决了多层神经网络的训练难题；2006 年辛顿提出深度学习；2012 年 AlexNet 在 ImageNet 图像识别竞赛中大幅降低错误率，深度学习由此进入黄金十年。互联网积累的海量标注数据与 GPU 提供的并行算力，第一次同时到位。

标志性事件接连打破公众认知：1997 年 IBM「深蓝」击败国际象棋世界冠军卡斯帕罗夫，2016 年 DeepMind 的 AlphaGo 击败围棋顶尖棋手。前者证明专用系统在规则明确的领域可超越人类，后者则证明，在搜索空间大到无法穷举的博弈里，机器学习也能胜过人类直觉。

三、Transformer 之后：大模型走向大众（2017—2022）

2017 年，Google 团队在《Attention Is All You Need》中提出 Transformer 架构，用自注意力机制实现并行计算，为日后几乎所有大语言模型铺路。2018 年 BERT 与 GPT-1 相继问世，「大规模预训练 + 微调」成为自然语言处理的主流范式；2020 年 GPT-3 以 1750 亿参数展示少样本学习能力，「把模型做大」一度成为最明确的路线。

同一时期，多模态与科学计算也在铺开：2020 年 Vision Transformer 把 Transformer 引入视觉领域，2021 年 CLIP 实现图文对齐，AlphaFold2 破解蛋白质结构预测难题。2022 年 11 月 ChatGPT 上线，用一个人人都会用的对话框把大模型交到普通人手里，两个月内用户破亿——技术能力终于变成了大众产品。

四、从「会聊天」到「能办事」（2023—2026）

2023 年 GPT-4 带来多模态能力；2024 年 Sora、GPT-4o 与 o1 推理模型相继发布，模型开始「先想清楚再回答」。2025 年 1 月，DeepSeek R1 以开放权重、显著更低的成本逼近前沿推理能力，把「高性能、低成本」推成全球议题。State of AI Report 2025 把这一年概括为「推理定义之年」：前沿实验室用强化学习与可验证奖励，让模型学会规划、反思与自我纠错，中国开源模型在推理和编程任务上快速缩小差距。

更深层的变化发生在范式上。2026 年初清华「AGI-Next」峰会上，行业专家形成共识：以对话为核心的「Chat」范式已告终结，竞争转向「能办事」的智能体时代。国务院《关于深入实施「人工智能+」行动的意见》提出，到 2030 年智能体等应用普及率超 90%。参数不再是唯一叙事，能力密度、推理效率与真实场景的完成度成了新的标尺。

五、四条前沿主线

智能体：在大模型之上叠加动态规划、工具调用与持续交互，构成「感知—决策—执行」闭环，被视为「数字员工」的雏形。中国信通院也提醒，智能体在可靠性、上下文记忆和长程任务上仍有明显短板，距离大规模应用尚有距离。

多模态与世界模型：文本、图像、音频、视频与 3D 点云被纳入同一模型，人机交互走向「所见即所得」；具备推理与规划能力的世界模型，通过模拟行动后果，推动 AI 从感知智能迈向决策智能。

具身智能与科学智能：VLA 视觉—语言—动作模型、端到端控制与世界模型，让机器人从演示场景走向巡检、工厂与服务业实景；另一边，AI 开始自主提出假设、设计实验并验证，在生命科学、材料科学、气象预报等领域加速「从 0 到 1」。

效率与算力：当堆算力的边际效益趋平缓，稀疏注意力机制（如 NSA、MoBA）与「密度法则」成为新的优化方向；算力本身也从芯片堆砌变成硬件、软件、能源与网络协同的系统工程——工信部数据显示，我国已建成万卡智算集群 42 个，智能算力规模超过 1590 EFLOPS。

六、落地中国：规模、开源与「人工智能+」

产业侧的曲线同样陡峭。据新华社报道，2025 年我国人工智能核心产业规模预计突破 1.2 万亿元、同比增长近 30%，AI 企业超过 6000 家，国产开源大模型全球累计下载量突破 100 亿次。国家数据局数据显示，日均 Token 消耗量从 2024 年初的 1000 亿增至 2025 年 6 月底的 30 万亿，一年半增长 300 多倍——这不是概念热度，而是真实调用量。

路径上，「开源底座 + 场景渗透」逐渐清晰：基础模型数量持续收敛，应用层向医疗、制造、企业服务等垂直方向分化。以无锡为例，2026 年 6 月发布的《2026 人工智能产业发展趋势研究报告》指出，当地依托智能传感器、车联网、工业互联网「一感两网」基础推进 AIoT 协同；截至 2025 年底，无锡备案算法 30 个、建有智算中心 19 个，为 AI 从数字空间走向物理世界提供了落地样本。

七、未竟的议题：可靠性、能耗与治理

能力跑得越快，边界问题越刺眼。模型仍会产生幻觉，长程任务容易中途失焦；高质量行业数据分散在「孤岛」里，「不敢传、不愿传、不会传」让大量数据存而不用；吉瓦级数据中心把电力供给推成新的约束条件。张亚勤的判断很克制：规模定律并未失效，但堆算力的边际效益已趋于平缓，算法架构革新才是下一个突破点。

治理也在从原则走向日常。监管边界由生成式 AI 内容管理，逐步扩展到智能体、人形机器人与虚拟数字人，常态化备案与登记机制逐步成型。对企业而言，比「能不能用」更现实的问题是：在哪些环节允许模型自主决策、出错后由谁兜底、结果如何审计。

八、结语：把智能变成生产力

七十年前，AI 要回答的是「机器能不能思考」；今天要回答的是「我们愿意让机器替我们做什么，以及在哪条边界上停下来」。回看这条曲线，真正改变世界的从来不是某个惊人参数，而是理论、数据、算力与场景在同一个时间点上恰好对齐。

下一阶段的分水岭，也不在模型有多大，而在它能否在真实场景里稳定、可审计、低成本地创造价值——从给出答案，到把事情做完。

主要参考资料

• 新华社《新华深读｜2026 年中国 AI 发展趋势前瞻》
• 国务院《关于深入实施「人工智能+」行动的意见》
• 中国信息通信研究院《人工智能产业发展研究报告（2025 年）》
• 科普中国《人工智能大模型》《2026 年人工智能十大趋势发布》
• State of AI Report 2025（Air Street Capital）
• 新华网江苏频道《〈2026 人工智能产业发展趋势研究报告〉在无锡发布》
• Uedu《AI 大事记与治理时间轴》、澎湃新闻 AI 发展史梳理