2026年8月26日，英伟达财报电话会上，关于通用人工智能（AGI）的讨论引发了巨大轰动。黄仁勋表示：“对于很多任务来说，我们可以说已经实现了AGI。”这一言论极具争议，但也侧面印证了当今AI的强大实力。
将时间拨回71年前，1955年8月31日，四位年轻人向洛克菲勒基金会提交了一份名为《关于举办达特茅斯人工智能夏季研究项目的提议》的提案。这份提案奠定了AI学科的基础。建议在1956年夏天，于新罕布什尔州的达特茅斯学院进行为期两个月、由十人参与的研究。其核心假设是：学习的各个方面或智能特征原则上可以被精确描述，从而使机器能够模拟它。提案的四位署名者是：28岁的约翰·麦卡锡、28岁的马文·明斯基、36岁的纳撒尼尔·罗切斯特和39岁的克劳德·香农。虽然香农是当时的明星，但四人申请的1.35万美元仅获得了7500美元的资助。这笔钱和十个人，开启了AI的历史。提案中列出的任务（使用语言、形成抽象和概念、解决只有人类能解决的问题、自我改进）至今仍是AI行业的路线图。
在“人工智能”这个词出现之前，这个领域被称为控制论。麦卡锡为了避开维纳的控制论圈子，并寻找一个属于自己的新词，创造了“Artificial Intelligence”。这个从诞生起就缺乏精确定义的词汇，导致了AI领域一个反复出现的困境：它永远无法被证明实现，也无法被证明失败。
1956年的达特茅斯会议是AI的诞生地。虽然参会人数模糊，但艾伦·纽厄尔和赫伯特·西蒙带来的“逻辑理论家”程序证明了罗素《数学原理》中的定理，甚至给出了比原著更简洁的证明。这是历史上首次AI系统被拒绝署名权。随后的十几年是AI的“黄金时代”：罗森布拉特发明了感知机硬件，麦卡锡发明了LISP语言，塞缪尔开发了会下棋的机器学习程序，维森鲍姆编写了模拟心理治疗师的ELIZA。预言开始失控，明斯基等人预测3到8年内会出现普通人智力的机器，但同时也因《感知机》一书对单层网络的悲观预测，导致神经网络研究经费断流。
1970年代，算力和组合爆炸问题让AI撞墙。1966年的ALPAC报告否定了机器翻译，1973年的莱特希尔报告更是直言AI研究未能兑现承诺。组合爆炸导致玩具问题无法扩展到真实世界规模，美国和英国的AI经费大幅削减。第一次寒冬来临。
1980年代，AI靠“专家系统”解冻。费根鲍姆提出“知识就是力量”，DENDRAL和MYCIN在特定领域表现优异。XCON系统的成功证明了其商业价值。但专家系统维护成本高、无法自我学习，且专用LISP机器在1987年被通用工作站取代，导致AI产业泡沫破裂。日本第五代计算机计划的失败加速了第二次寒冬的到来。
1990年代到2000年代中期，AI研究者改名换姓，从事机器学习、数据挖掘等工作。虽然“AI”这个词被避讳，但学科本身在统计方法上取得了进步。辛顿等人坚持的神经网络方向在2000年代后期迎来了转机。李飞飞发起的ImageNet提供了海量数据，辛顿团队在2012年凭借AlexNet在ImageNet竞赛中大获成功。这标志着旧算法+新算力+大数据的新能力时代的开启。
随后是加速的十年。2017年的Transformer架构成为大模型的基础。2018年的GPT-1，2020年的GPT-3，以及Scaling Laws的提出，让大模型训练成为可计算的工程。2022年，ChatGPT的发布让普通用户第一次接触到了大模型的能力。2023年，大模型军备竞赛爆发，幻觉和就业问题引发讨论。
2024年，OpenAI的o1模型引入推理时扩展，强化学习用于推理链条。同年，神经网络相关研究获得诺贝尔奖。2025年，DeepSeek-R1等开源模型大幅降低了推理门槛，AI在数学竞赛（IMO）中达到金牌水平。2026年，行业共识转向“能办事”的智能体，MCP等接口标准化，推理成本大幅下降，模型开始具备控制电脑、执行长程任务的能力。
回望这七十年，有五点规律反复出现：1. 每次寒冬都是承诺跑得比能力快。2. “苦涩的教训”：依赖人类知识的方法终将被单纯利用算力扩展的方法超越。3. 莫拉维克悖论：高级任务对机器容易，低级感知运动对机器难。4. AI效应：一旦成功，就没人再叫它AI了。5. 路线之争从未结束。
关于AGI是否实现，取决于定义。如果按1955年提案的标准，答案接近是；如果按1965年西蒙的标准，答案是否。但无论哪种定义，麦卡锡当年造词时的模糊性，既是容纳不同技术路线的容器，也是定义模糊、难以衡量进度的代价。