人工智能发展编年史。

从 Chat 到 Agent 的转变

在2026年3月份的当下，正在经历一个从“对话”（Chat）范式向“智能体”（Agent）范式的转变期。大部分中国人之前总是会认为AI就是基于Deepseek、抖音豆包、腾讯元宝的对话。少部分人知道 Manus 智能体，然后这一少部分人里面的很大一部分人认为 Manus 只是大模型套壳，不具备真正价值。真正让人们认识到智能体（Agent）范式的东西是 OpenClaw，但是对于OpenClaw，一部分人认为它是万能的，另一部分则认为它只是个玩具。

我完全理解这两种看法或者心态，OpenClaw 的能力非常依赖于大模型和使用方法，甚至即使你使用了第一梯队的大模型API，但是在某个时间段仍然会出现因为算力拥挤而导致OpenClaw “降智”的现象。另一方面，大模型本质上是概率，而并不是具备像人类那样的“记忆力”和“逻辑推理能力”，只是当概率模型的规模足够大时，涌现出了推理、泛化能力，这也就是意味着 OpenClaw 这类智能体的确定性不够强。

对于加法运算逻辑而言，大模型像是一个背过无数加法题的超级复读机，靠统计规律猜对答案。

2026

2026年是 AI Agent 规模化落地元年，行业重心从大模型比拼转向智能体协同、本地自动化、企业安全部署与生态协议标准化。

1. OpenClaw（小龙虾）：最火开源 AI Agent 框架，主打本地部署、自动化办公、数字员工。
2. NVIDIA NemoClaw: 企业级安全增强版 OpenClaw, GTC 2026 重磅发布.
3. Google Gemini: 月活 7.5 亿 +, 全球最大 AI 服务, MCP 协议生态核心.
4. Claude Code: 原生代理式编程, 深度集成 Xcode, 开发者首选.
5. MiniMax：全球首个 Agent 原生设计的生产级大模型。
6. CrewAI: 最易上手的多智能体协作框架, GitHub 星标 18.2K+.

2025

2025年进入多模态全面成熟 + 低代码应用平台爆发阶段，RAG+Agent 成为企业标配，视频生成与实时交互普及。

1. GPT-4o: OpenAI 实时多模态交互标杆.
2. Sora: OpenAI 文生视频工业级模型.
3. Claude 4.5：超长上下文，企业级推理主力。
4. Dify: 低代码 LLM 应用开发平台, 快速搭建 Agent/知识库.
5. Qwen-Agent: 阿里开源轻量级 Agent 框架, 中文生态友好.
6. LangGraph: LangChain 推出的 Agent 工作流编排框架.

2024

2024年以开源大模型生态爆发、多模态理解成熟、AIGC 工作流工程化、多 Agent 框架兴起为核心特征。

1. Llama 3: Meta 开源大模型, 推动开源生态爆发.
2. GPT-4V: 多模态理解里程碑.
3. ComfyUI: Stable Diffusion 可视化工作流神器, AIGC 必备.
4. AutoGen: 微软多 Agent 协作框架.
5. LlamaIndex: RAG 检索增强生成标杆框架.
6. SD WebUI (Automatic1111): 最流行 Stable Diffusion 本地部署 UI.

2023

2023年是对话式 AI 全民破圈、国产大模型集中亮相、开源大模型正式崛起的一年。

1. ChatGPT (GPT-3.5): 全民 AI 爆发起点.
2. GPT-4: 逻辑推理与多模态能力质变.
3. Llama 2: Meta 开源大模型, 开启开源时代.
4. Midjourney V6: 图像生成主流工具.
5. 文心一言、通义千问、讯飞星火：国产大模型集中发布。
6. Claude 2: 超长上下文文档处理利器.

2022

2022年是AIGC 全民化启动、生成式 AI 从实验室走向大众的关键一年。

1. ChatGPT (GPT-3.5):11月发布, 两个月破亿用户.
2. Stable Diffusion: 开源文生图模型, AIGC 普及开端.
3. DALL·E 2: OpenAI 商业级图像生成.
4. GitHub Copilot: AI 编程助手规模化应用.

2021

2021年进入大模型涌现能力验证、多模态预训练起步阶段。

1. GPT-3: 零样本/少样本学习能力正式显现.
2. CLIP、DALL·E: OpenAI 多模态基础模型.
3. Stable Diffusion 早期研究：隐式扩散模型奠基。

2020

2020年标志超大规模预训练语言模型时代正式开启。

1. GPT-3:1750 亿参数大模型发布.
2. T5 BERT-large: NLP 预训练主流模型.

2019

2019年确立NLP 预训练–微调主流范式，生成模型能力显著提升。

1. GPT-2: 文本生成与少样本能力初显.
2. BERT: Google 预训练模型, 全面刷新 NLP 基准.

2018

2018年是Transformer 落地爆发、预训练语言模型路线确立的一年。

1. GPT-1: OpenAI 生成式预训练起点.
2. BERT: 开启 NLP 预训练新时代.

2017

2017年是AI 底层架构革新元年，Transformer 横空出世，彻底颠覆序列建模方式，成为后续大模型核心基石。

1. Transformer: Google 发表《Attention Is All You Need》提出, 替代 RNN/LSTM, 大模型底层架构奠基.
2. AlphaGo Zero: DeepMind 强化学习里程碑, 无人类数据自学完胜前代版本.
3. GAN 系列优化：WGAN、CycleGAN 推出，生成对抗网络稳定性大幅提升。

2016

2016年是强化学习全民破圈、深度学习全面落地的一年，AI 在复杂博弈领域首次战胜人类顶尖选手。

1. AlphaGo: DeepMind 研发, 击败围棋世界冠军李世石, 强化学习轰动全球.
2. ResNet: 微软提出, 解决深度神经网络退化问题, 模型层数大幅突破.
3. YOLO: 首创单阶段实时目标检测, 计算机视觉工程化提速.
4. SpaCy: 开源工业级 NLP 库, 推动自然语言处理落地应用.

2015

2015年进入深度学习技术全面成熟、视觉与语音能力突破阶段，模型架构与训练效率大幅优化。

1. Faster R-CNN: 计算机视觉两阶段检测标杆, 精度大幅提升.
2. 深度学习语音识别：首次超越人类水平，语音交互技术奠基。
3. Batch Normalization: 批量归一化技术, 解决深度模型训练难题.
4. TensorFlow: Google 开源深度学习框架, 普及深度学习开发.

2014

2014年是生成式 AI 起步、深度学习框架普及的一年，生成模型与 NLP 表示学习迎来关键突破。

1. GAN（生成对抗网络）：Ian Goodfellow 提出，开启生成式AI新篇章。
2. Word2Vec: Google 发布, 词向量技术突破, 推动 NLP 表示学习.
3. PyTorch 早期版本：Facebook 推出，灵活易用的深度学习框架。
4. Seq2Seq: 序列到序列模型, 奠定机器翻译、对话系统基础.

2013

2013年是深度学习在 NLP 领域初步崛起的一年，词向量与视觉检测技术持续优化，应用场景逐步拓宽。

1. Word2Vec 雏形：分布式词向量研究落地，NLP 特征工程革新。
2. OverFeat: 首个结合深度学习的目标检测与定位模型.
3. Caffe: 开源高效深度学习框架, 适合计算机视觉快速开发.

2012

2012年是深度学习革命爆发元年，AlexNet 登顶 ImageNet，彻底颠覆传统计算机视觉方法。

1. AlexNet: Hinton 团队研发, ImageNet 竞赛夺冠, 深度学习正式引爆.
2. ReLU 激活函数：普及应用，解决深度学习训练梯度消失问题。
3. GPU 加速训练：大规模应用 GPU，大幅缩短深度学习训练周期。

2011

2011年是深度学习商业化试点、语音助手起步的一年，AI 开始向消费级产品渗透。

1. IBM Watson: 参加《危险边缘》战胜人类冠军, AI 认知计算破圈.
2. Siri: 苹果正式推出, 首款消费级 AI 语音助手规模化落地.
3. 深度学习语音识别：Google 研发，大幅提升语音识别准确率。

2009-2010

2009-2010年是大数据与标注数据集奠基、深度学习蓄力的阶段，为后续视觉革命储备核心数据。

1. ImageNet 数据集：大规模标注图像数据集成熟，计算机视觉数据基石。
2. 传统机器学习巅峰：SVM、随机森林、Boosting 成为工业界主流算法。
3. 稀疏编码与自编码器：无监督学习研究突破，深度学习预热。

2006

2006年被公认为深度学习元年，深层神经网络训练瓶颈突破，AI 走出第二次寒冬。

1. 深度信念网络（DBN）：Hinton 提出，解决多层神经网络训练难题。
2. 逐层预训练技术：开启深度学习研究热潮，打破感知机局限。

1997

1997年是传统 AI 博弈突破、序列模型奠基的一年，AI 首次在复杂棋类战胜人类顶尖选手。

1. IBM 深蓝（Deep Blue）：击败国际象棋冠军卡斯帕罗夫，AI里程碑事件。
2. LSTM 模型：提出长短期记忆网络，解决 RNN 梯度消失问题，序列建模核心。

1986

1986年是神经网络技术复兴的一年，反向传播算法重新普及，突破早期神经网络训练局限。

1. 反向传播（BP）算法：Hinton 团队复兴推广，多层神经网络训练可行。
2. 多层感知机（MLP）：普及应用，神经网络研究重回主流。

1959

1959年正式确立机器学习概念，AI 从纯理论推理转向数据学习方向。

1. 机器学习概念提出：亚瑟·塞缪尔定义术语，开发跳棋 AI 程序自学优化。

1957

1957年是神经网络硬件化起步的一年，首个可学习神经网络模型诞生。

1. 感知机（Perceptron）：罗森布拉特发明，首个可学习人工神经网络模型。

1956

1956年是AI 学科正式诞生元年，人工智能术语确立，学科研究正式启动。

1. 达特茅斯会议：约翰·麦卡锡首次提出“人工智能”术语，学科正式创立。

1950

1950年奠定AI 理论基础，提出机器智能核心评判标准，开启 AI 理论探索。

1. 图灵测试：图灵发表《计算机器与智能》，提出机器智能评判标准。

1943

1943年是AI 神经科学理论奠基的一年，构建人工神经元数学模型，为神经网络埋下伏笔。

1. 人工神经元数学模型：麦卡洛克-皮茨提出，神经网络最早理论基石。