1956年，美国达特茅斯学院召开研讨会，约翰·麦卡锡、马文·明斯基等学者正式提出“人工智能”概念。该概念的核心是通过计算机程序或硬件模拟人类的感知、认知、决策和执行能力，使机器具备类似人的思考与行动能力。这一方向在70年间不断演变，但基本定义始终未脱离“模拟能力”与“采取行动”的范畴。
展开完整正文（7 段）
AI发展经历了三次浪潮。第一次浪潮自1950年代至1970年代，以专家系统为代表，依赖人工编写的规则进行推理，但受限于规则复杂性和矛盾问题，在1970年代末陷入资金枯竭的困境。2006年，杰弗里·辛顿提出深度学习概念，为第三次浪潮奠定基础。2012年，深度学习在ImageNet图像识别挑战中大幅降低错误率，验证了神经网络的规模扩展性。此后，2016年AlphaGo击败李世石，2017年Transformer架构出现，2020年GPT-3发布，2022年ChatGPT面世，2025年开源模型大规模应用，2026年AI向自主执行任务方向发展。
AI按智能水平可分为弱人工智能、强人工智能和超人工智能。当前所有实际应用均属弱人工智能，即在特定领域如语言处理或图像识别中表现突出，但缺乏跨领域通用能力。强人工智能和超人工智能仍属理论范畴。按功能划分，AI分为判别式AI和生成式AI，前者用于识别和分类，后者用于创造新内容。按能力层级，研究者提出了四阶段分类，包括反应型、有限记忆、心智理论、自我意识，目前技术处于有限记忆阶段，正向心智理论探索。
AI的运转依赖算法、算力和数据三大要素。算法从传统统计学习演进至深度学习，其中Transformer架构的自注意力机制解决了长距离依赖问题，成为大语言模型的基础。算力以GPU和专用芯片为主，训练千亿参数模型需要数万块GPU运行数月，而人脑功耗仅约20瓦，显示能效差距。数据要求大规模高质量语料，大模型训练常需万亿级Token，数据质量直接影响模型效果。
AI技术栈从底层到上层分为五层，包括基础设施层、框架层、模型层、应用层和Agent层。基础设施层提供算力芯片和云计算平台，框架层提供TensorFlow、PyTorch等开发工具，模型层包含GPT、DeepSeek等预训练大模型，应用层承载智能客服、AI编程等具体场景，Agent层则实现自主任务拆解与执行。
AI应用场景已覆盖多个领域。内容生成方面，生成式AI用于文本、图像、视频创作。智能客服方面，相关数据显示，某支付平台AI助手处理了三分之二客服对话，响应时间从11分钟缩短至2分钟，2025年节省约6000万美元。企业知识管理方面，大模型结合检索增强生成技术，将内部文档转化为可问答系统。行业垂直应用方面，工业企业应用大模型比例从2024年的9.6%升至2025年的47.5%。Agent自主执行方面，2026年已有72%的企业完成Agent试点，平均部署3.5个场景。具身智能方面，AI在机器人、自动驾驶等物理环境中执行任务。
2026年，AI领域呈现多项数据变化。中国大模型市场规模突破700亿元，企业级智能体市场增至449亿元。Token消耗量一年半内增长300倍，中国日均Token调用量突破140万亿。开源模型全球累计下载量超过100亿次，中国大模型周调用量连续超越美国。多模态处理成为标配，小模型在特定场景实现成本削减95%，端侧AI应用加速普及。同时，47%的机构报告过AI相关安全事件，AI治理成为部署前提。