AI 发展历程

OpenAI 发布 GPT-6 Astra，官方标题为“新一代智能”，Altman 表态“欢迎进入 AGI 时代”。“AGI 已到来”的判断出自黄仁勋在该发布场合的表态，并非 OpenAI 正式声明；第三方评测随后提出反证：同一测试更换题目后准确率由 99.9% 降至 62.7%。这一争议是“逼近 Matrix”曲线把 AGI 仅作为门槛线、而非极限点的直接原因。 报道：Unite.AI《OpenAI Releases GPT-6 Astra, Its First Model Rated Critical for Cybersecurity》（媒体转载，已从历程近端撤下）。 报道补充：Safety overview: GPT-6 Astra（https://openai.com/index/safety-overview-gpt-6-astra）；Path to Astra: critical capabilities and frontier safeguards（https://openai.com/index/path-to-astra）。已从历程近端撤下，并入本节点。

统一推理与对话的自动路由，标志"按需分配思考深度"成为主流设计。

开源 MoE 多模态，延续开放权重路线。

同一模型内可切换快速响应与扩展思考，推理能力首次产品化。

六十一国签署声明强调 AI 包容性发展，美英未签，显示全球治理路线的分歧。

开源推理模型以极低成本逼近头部闭源模型，当日冲击美股 AI 板块，成为本轮行业格局的关键转折。

671B MoE 且公开训练成本，引发全球对"前沿模型是否必须烧巨资"的重新评估。

系统阐述 AI 可能在五到十年内带来的社会变革，成为乐观派的代表性文本。

把"思考时间"当作可扩展的资源，Test-time compute 改变了规模定律的单一维度，是 2024 年最重要的方法论转向。

编码能力跃迁，价格性能比出现明显拐点，成为开发者主力模型。

原生全模态与低延迟语音，把交互从文本推向实时对话。

全球首部综合性 AI 监管法律，按风险分级并设通用模型专门条款。

Opus 在多项基准上首次全面超越 GPT-4，打破单一厂商的领先格局。

把上下文从千级推向百万级，改变长文档与代码库的处理方式。

全球首部综合性 AI 立法的最后关键一步，确立按风险分级与通用模型专门义务的监管框架。

128K 上下文加上平台化，把模型变成可分发应用的底座。

全球首个国家级 AI 安全机构，此后多国跟进设立同类机构，形成"评测与前沿风险"的制度化路径。

中美欧等二十八国首次就前沿 AI 风险达成共同声明。

要求前沿模型进行安全测试与申报，确立美国以行政手段监管的路径。

开源生态的分水岭，使非头部机构也能基于强模型做二次开发。

2023-08-15 施行，是全球较早针对生成式 AI 的专门监管规则，采用备案制而非许可制。

被称为"AI 教父"的他转向风险警示，极大改变了公众与政策讨论的基调。

马斯克、辛顿等联署，引发全球对 AI 风险的广泛讨论，也把 AI 安全推入公共议程。

多模态输入加上显著提升的推理与考试表现，确立此后一年的前沿基线。

Anthropic 提出让模型依据成文原则自我批评与修正，减少对大规模人工标注的依赖。这一路线直接影响了此后 Claude 系列的对齐方法。

五天百万用户、两月破亿，成为 AI 史上用户增长最快的事件，也是本轮 AI 热潮的真正起点。

提出算法歧视、数据隐私等五项原则，是美国"以权利为框架"监管思路的代表。

与闭源的 DALL·E 2 形成对照，开源权重让文生图迅速普及到个人设备。

图像生成从研究演示变成大众创作工具。

由离开 OpenAI 的研究者创立，以 AI 安全为核心命题，此后成为"安全优先"路线的代表厂商。

DeepMind 证明在同等算力下，多数模型训练数据严重不足；70B 的 Chinchilla 击败 280B 的 Gopher。这直接改变了此后所有厂商的预训练配方——"数据配比"与"参数规模"同等重要。

用人类反馈微调（RLHF）后的 1.3B 模型，在人工评估中胜过 175B 的 GPT-3。这是 ChatGPT 的直接技术前身，也说明对齐技术本身就是能力。

面向研发者与使用者的操作级规范，是中国 AI 伦理治理的具体落地文件。

冻结原模型、只训练低秩矩阵，使个人开发者也能微调大模型。是"开源生态繁荣"的关键使能技术。

斯坦福提出"基础模型"概念，为这一技术范式命名并系统梳理其风险与外部性。

按风险四级分类监管，并设通用人工智能与基础模型专门条款；2024 年通过，2025 年起分阶段生效。

用自然语言监督视觉表征，开启文生图与多模态对齐路线。

全球首个按风险分级监管 AI 的综合性立法，成为各国监管的参照系。

在 CASP14 达到实验精度，被视为 AI 推动科学发现的标志性事件，也显著改变了生命科学界对 AI 的态度。

few-shot 能力并非随参数线性增长，而是在某个规模后突然出现，为"规模出智能"提供了直接证据。

收到超过 1200 份意见，是 AI 立法过程中公众参与度最高的一次。

首次展示少样本学习能力，"提示词"由此成为新的交互范式。

Kaplan 等证明损失随算力、数据、参数呈幂律下降，把"做大"从直觉变成可预测的工程策略。

提出"负责任 AI"八项原则，是中国参与全球 AI 治理框架的早期动作。

首个政府间 AI 原则框架，此后成为 G20 等国际共识的基础。

15 亿参数，OpenAI 以"可能被滥用"为由只放出小版本。这是 AI 能力与发布伦理首次正面冲突的公开案例。

双向预训练刷新十一项 NLP 任务，与 GPT 路线形成理解与生成的分野。

证明无监督预训练可大幅提升下游任务表现。

两条路线（自回归生成 vs 双向理解）在同一年出现，此后三年主导 NLP 研究方向的选择。

在正式立法前先建立伦理框架，是"先准则、后立法"监管路径的典型。

仅靠自我对弈从零训练，以 100:0 战胜 AlphaGo，证明"从零自博弈"可超越人类知识注入。

Christian 等提出从人类偏好学习奖励模型，成为 ChatGPT 得以可用的关键技术之一。

完全基于注意力、抛弃循环结构，成为此后所有主流大模型的架构基础。可视为现代 AI 的真正技术起点。

Shazeer 等把 MoE 引入 NLP，为后来以"总参数大、激活参数小"降低推理成本提供了路径。

2018-05-25 生效。其中对"自动化决策"的限制，后来成为 AI 治理的重要法律基础。

围棋曾被视为 AI 十年内难以企及的领域。第二局第 37 手颠覆了人类对棋理的既有认知，是机器直觉首次战胜人类直觉的标志。

美国政府首份系统性 AI 政策文件，开始讨论自动化对就业与监管的影响。

以"确保 AGI 造福全人类"为使命成立，此后成为大模型时代最主要的推动者之一。

He 等在 ImageNet 夺冠，152 层网络使错误率降到 3.57%。残差连接此后成为几乎所有深度模型的标准组件（包括 Transformer）。

RL 领域的标准教材，为后来 RLHF 提供了方法基础。

约 4 亿英镑，是当时欧洲最大的 AI 收购，也标志着大公司开始用并购获取顶尖研究团队。

Sutskever 等用编码器-解码器做端到端翻译；Bahdanau 等随后加入注意力，解决长句信息瓶颈。

Goodfellow 提出生成对抗网络，开创生成模型路线。

为三年后的 Transformer 提供关键组件。

把词映射为稠密向量且保留语义关系，是"表征学习"进入 NLP 的标志。

Hinton 团队加入 Google，工业界开始系统性吸纳深度学习人才。

Hinton 团队用 GPU 训练的深度卷积网络大幅领先第二名，点燃深度学习革命。日期为竞赛公布时间，学界通常记为 2012 年。

首次用大规模分布式算力做无监督特征学习，证明"规模"本身能带来质变。这条思路后来直接演化为规模定律。

Hinton 团队与微软、Google 合作，用深层网络把语音识别错误率显著降低，这是深度学习在工业级任务上第一次决定性胜利——比 ImageNet 早三年。

李飞飞团队构建千万级标注图像库，为深度学习提供了此前缺失的数据前提。

此后十年算力增长的技术前提。常被忽视，但它是深度学习得以实现的物质基础。

把受限玻尔兹曼机的训练成本降到可用，是"深度网络可训练"这一结论的技术前提。

用"深度"重新命名神经网络并证明其可训练，被视为深度学习复兴的起点。

统计学习与神经网络研究在此时期合流，为 2012 年后的爆发准备了人才与评价体系。

Vapnik《统计学习理论的本质》出版，为泛化能力提供理论工具。

首次在复杂智力竞技中战胜人类顶尖选手，但依赖暴力搜索而非学习，因此并未改变 AI 的研究路线。

Hochreiter 与 Schmidhuber 解决循环网络的梯度消失问题，主导序列建模近二十年。

Cortes 与 Vapnik 提出，此后近二十年主导机器学习。

在手写数字识别上达到商用水平，奠定计算机视觉的架构基础。

专用硬件市场萎缩叠加维护成本高企。

Rumelhart、Hinton、Williams 证明多层网络可有效训练，直接回应了 1969 年的批评。

把统计物理引入神经网络，为后来的能量模型与生成模型铺路。

专家系统首次大规模商用，催生 AI 产业第一波热潮。

Werbos 提出，后由 Rumelhart、Hinton、Williams 于 1986 年推广，成为深度学习的基础算法。

第一次 AI 寒冬的制度性成因：承诺未兑现，资金退潮。

在血液感染诊断上达到专家水平，开启知识工程路线。

对 AI 过度承诺的第一次系统性反噬。

Minsky 与 Papert 证明单层感知机无法表示 XOR，直接导致神经网络研究被冷落十余年。

为处理不确定性提供数学框架，影响此后的控制系统与决策模型。

把梯度下降引入自适应线性单元，是反向传播的前身。

此后三十年 AI 研究的主要编程语言。

首个可训练的线性分类器，也是连接主义与符号主义之争的起点。

麦卡锡等人首次提出"人工智能"一词，并乐观预计一代人内即可解决。该会议的过度承诺也埋下了此后两次寒冬的伏笔。

用 40 个突触模拟赫布学习，是最早的神经网络硬件实现之一。

提出"模仿游戏"，把"机器能思考吗"这个哲学问题重构为可操作的行为判据，奠定 AI 的哲学地基。