从图灵到智能体：人工智能 76 年兴衰史，为什么爆发恰好发生在现在
2026 年的秋天，AI 新闻以每天三次的频率刷屏：Meta 的智能体应用两周登顶 App Store（见本站《Meta Muse 爆火复盘》）、OpenAI 和 Anthropic 凌晨互砍 API 价格（见《凌晨 90 分钟的价格战》）、不会说话只会做选择题的 Jev 模型全网爆火。一切看起来像昨天刚发生的事。
但"人工智能"这个学科，已经 70 多岁了。它经历过两次被资本抛弃的漫长寒冬，也见证过多次"这次不一样"的狂热。回看这条兴衰曲线，你会明白一个反直觉的事实：AI 的爆发不是发生在"智能"成熟的那天，而是发生在某个被忽略的基础要素补齐的那天。而 2026 年轮到哪个要素补齐，恰好解释了今天所有热点。
第一幕（1950-1956）：一个问题的诞生
故事从 1950 年开始。数学家艾伦·图灵发表论文《计算机器与智能》，避开"机器能思考吗"这个说不清的定义，改问了一个可操作的问题：如果一台机器的对话表现和人类无法区分，我们凭什么说它不智能？这就是后来的"图灵测试"。
1956 年夏天，26 岁的约翰·麦卡锡联合明斯基等几位年轻学者，在美国达特茅斯学院开了一场暑期研讨会，第一次正式提出"Artificial Intelligence（人工智能）"这个词。这一年被公认为学科出生年——一群年轻人相信，用一整个夏天就能把"让机器用语言、推理、学习"的问题搞定。
他们当然没搞定，但这个问题的提法本身改变了七十年。
第二幕（1957-1974）：第一次黄金时代与第一次寒冬
达特茅斯会议后的十年是乐观主义的巅峰：罗森布拉特 1958 年造出感知机（Perceptron），《纽约时报》当时就报道说这是"电子机器人的雏形，会思考、有记忆力"；ELIZA 在 1966 年用几个关键词匹配就骗得用户向它倾诉心事；证明定理、下棋、翻译，处处开花。
然后现实教育了所有人。1969 年，明斯基和派普特从数学上证明了单层感知机连最简单的"异或"问题都解决不了，神经网络研究被判缓刑；符号推理在真实世界的噪声面前不堪一击。1973 年，英国的莱特希尔报告直言 AI 的成果"自始至今未能实现对早期资助者的任何承诺"，各国经费随即断崖式削减。第一次寒冬降临。
寒冬的教训极其昂贵，也极其简单：演示效果 ≠ 可用能力。ELIZA 式的人工错觉撑不起一个产业。
第三幕（1980-1993）：专家系统的狂欢与第二次寒冬
1980 年代，AI 换了个务实的包装重新出发：不追求通用智能，把人类专家的知识写成一条条规则，卖给企业。数字设备公司的 XCON 专家系统据估算每年省下数千万美元，证明了"AI 能赚钱"；日本宣布第五代计算机计划，美国军方通过 DARPA 砸钱，Lisp 语言机器公司上市即暴涨——热钱回来了。
1987 年起，大厦崩塌：专家系统维护成本失控、无法学习、换个环境就废；Lisp 机器被通用工作站取代，市场一夜蒸发。加上个人电脑革命抢走了全部注意力，第二次寒冬比第一次更长更冷，一直冻到 90 年代中期。
第二次的教训是：知识无法靠人工穷举。规则写得越多，系统死得越快。
间奏（1997）：深蓝与"无聊方法"的胜利
寒冬年代 AI 没有死，只是换了身份：隐马尔可夫模型统治了语音识别，支持向量机统治了机器学习，神经网络在角落里苟延残喘。1997 年，IBM 深蓝击败国际象棋世界冠军卡斯帕罗夫，全世界重新注意到 AI——但那场胜利靠的不是"智能"，而是专用芯片每秒搜索约 20 万个棋局、评估上亿步的暴力算力。
深蓝是个预兆：下一次 AI 浪潮的燃料，可能不是更巧的算法，而是更猛的算力和更多的数据。
第四幕（2012-2016）：深度学习春天，三要素第一次凑齐
2012 年，辛顿组用两块消费级 GPU 训练的 AlexNet 在 ImageNet 图像识别赛上一战成名，把错误率从 26% 砸到 16%。深度学习复活了。人们回头发现，1986 年发明的反向传播算法从来没错，错的只是没有 GPU 和没有大数据。
这一幕里，算法（深度网络）、算力（GPU）、数据（互联网十年积累）第一次同时到位——这正是"爆发发生在要素补齐时"的第一次完整应验。
对中国用户，2016 年的 AlphaGo 大战李世石是真正的"AI 元年"记忆：围棋被认为是直觉与创造力的最后堡垒，也被算力+学习击穿了。随后是创业潮、政策文件、AlphaFold 破解蛋白质折叠——这一次，没人再敢说这是寒冬前的假象，但也没人预料到下一波冲击的形态。
第五幕（2017-2023）：Transformer 与 ChatGPT 的时刻
2017 年谷歌论文《Attention Is All You Need》提出的 Transformer 架构，是教科书级的"基础设施时刻"：它让大模型的并行训练成为可能。2020 年 GPT-3 用 1750 亿参数证明"规模本身就是魔法"（scaling laws）；2022 年 11 月 30 日，ChatGPT 上线，两个月用户破亿，成为人类历史上普及最快的消费应用。
ChatGPT 的真正意义不在聊天本身，而在于它把 AI 从开发者的 API 变成了一亿普通人的日常工具。也是从这一年起，"提示词""大模型""AIGC"进入中文日常词汇。2023 年 GPT-4 多模态、同年开源大模型井喷、2025 年初 DeepSeek-R1 用极低成本的推理训练震动手感最灵的硅谷和华尔街——性价比从此成为中国 AI 的名片，也为 2026 年那场美国厂商自打的 API 价格战埋下伏笔。
第六幕（2024-2026）：智能体时代，"执行"要素补齐
ChatGPT 之后，行业卡在一个问题上：AI 会说，不会做。2023-2024 年，"智能体（Agent）"从论文词汇变成工程词汇：模型学会调用工具、读写文件、操作浏览器。2024 年 Anthropic 发布 MCP（模型上下文协议），给"AI 连接外部世界"立了行业标准——这是本站读者每天都在用的东西。
2026 年被很多人追认为"个人智能体元年"，三件事在同一个月发生：9 月 8 日 Meta Muse 上线，用云端虚拟电脑把"替你干活"做成了 260 万人下载的爆款；9 月下旬 Jev 这类"系统一"决策模型爆火，证明 Agent 的判断环节可以用比大模型快两百倍、便宜得多的方式完成；API 价格战白热化，把"每任务成本"变成行业新的计价单位。
这一幕补齐的要素是执行与成本的可行性：智能体第一次既好用又用得起。历史再次应验——引爆点的不是"更聪明"，而是"够了聪明 + 真的便宜 + 能动手"。
兴衰曲线里的三个规律
复盘七十六年，有三条规律值得刻在桌上：
- 期望膨胀是寒冬的元凶。两次寒冬都不是技术退步，而是上一代承诺的利息到期。达特茅斯的"一个夏天"、专家系统的"包治百病"、ChatGPT 后的"两年 AGI"，剧本完全相同。
- 进步从来是木桶效应。算法、算力、数据、执行、成本，任何一块短板都足以让浪潮搁浅；每次爆发都是某块新板子恰好补上。
- 寒冬期不是空转期。反向传播、Transformer、scaling laws，全诞生于最冷的年代。真正改变世界的研究，往往发生在没人给它发奖的时候。
接下来会发生什么
站在 2026 年往下看，几个方向已经清晰：智能体从"极客尝鲜"进入"基础设施"阶段（Muse 计划接入社交与眼镜生态）；模型层继续通缩（价格战没有回头路）；决策小模型与大模型分工的"系统一+系统二"架构成为 Agent 标配；而信任与安全——Muse 两周内集齐漏洞、银行预警、平台封杀已经演示过——将是下一个必须补齐的要素，补不齐，下一轮寒冬的名单上就有"智能体"三个字。
对普通人的建议，恰恰藏在历史里：每一轮 AI 浪潮，红利都不属于最早喊口号的人，而属于在要素补齐的窗口期，把新技术变成生产工具的人。1997 年看懂深蓝的人得到了搜索与推荐，2012 年看懂 AlexNet 的人得到了移动互联网的内容革命，2022 年练熟提示词的人吃到了第一波效率红利。2026 年的窗口叫智能体——现在动手，正是历史反复证明的最佳时机。
常见问题（FAQ）
Q：为什么常说 AI 有"两次寒冬"，ChatGPT 之后没听说寒冬？ A：因为这次要素补齐得最全：算力（GPU 集群）、数据（互联网语料）、算法（Transformer+强化学习）、成本（价格战）都已到位，且叠加了十亿级用户盘。风险在信任与监管，而非能力倒退。
Q：图灵测试现在还有意义吗？ A：作为竞赛指标已过时——大模型普遍"通过"图灵式对话后，人们发现会聊天和会办事是两回事。这正是 2026 年智能体浪潮的概念起点。
Q：中国在这条历史线里的位置？ A：1956 年这门学科在达特茅斯诞生时，中国完全缺席；80 年代 AI 研究在国内恢复建制；2016 年 AlphaGo 事件点燃全民 AI 热情；2023 年起开源大模型集体崛起；2025-2026 年以 DeepSeek 性价比和小米 MiMo 等开源模型成为倒逼美国厂商降价的关键力量——从旁观者变成了定价权的参与者。
写在最后
七十六年里，人工智能这个名字被嘲笑过、被封存过、被重新包装过，但提出问题的人换了一代又一代，问题本身从未被放弃。今天你在手机上派给 Muse 的一个订酒店任务，背后是图灵 1950 年的追问、达特茅斯 1956 年的狂想、寒冬里无名研究者的坚持。AI 的历史还证明了一件事：每一次"机器不可能做到 X"的断言，最后都只是时间问题。 如果想把这七十六年的起伏一眼看完，可以试试我们做的交互式兴衰时间线，点任意节点即可查看那年发生了什么、为什么重要。所以面对 2026 年所有"AI 不过如此"或"AI 无所不能"的声音，最好的回应都是同一句——让子弹再飞一会儿，然后自己上手用起来。