从“会计算”到“会协作”：国内外人工智能发展历史

这个问题其实很像“国产汽车和国外汽车谁更好”。如果不说明车型、用途和使用环境，很难简单地回答谁全面领先。今天的人工智能也是如此，不同模型在中文写作、数学推理、代码编程、图片理解、价格、速度和本地服务等方面，各有优势。

一、先看今天：国产 AI 与国际 AI 的差距在哪里？

目前国内比较有代表性的 AI 产品和模型，包括 DeepSeek、通义千问、豆包、智谱、Kimi、腾讯混元、文心和讯飞星火等。国际上则有 GPT、Claude、Gemini、Llama、Grok、Mistral 等模型家族。

需要说明的是，这些模型更新非常快，今天的排名并不代表几个月后的结果。与其争论“谁是第一”，不如从几个方面来比较。

简单地说，国产 AI 已经不是过去所说的“只能追赶”。在中文对话、本地知识、产品价格、行业应用和模型开放等方面，国内已经形成了很强的竞争力。

而国际头部 AI 在多语言能力、全球知识、复杂推理、前沿科研、开发者工具和底层算力生态方面，仍然保持较强优势。

两者之间的差距正在缩小，但并没有在所有方面完全消失。

普通用户可以这样理解：

国产 AI 更像一位熟悉中国社会和生活的本地助手；国际 AI 更像一位拥有全球资料和国际工具经验的研究助理。谁更好，取决于你要解决什么问题。

二、人工智能到底是什么？

人工智能并不是突然出现的，也不是从聊天机器人开始的。

如果把人类智能比作一个人解决问题的能力，那么人工智能就是让机器具备某些类似能力，例如识别图像、理解语言、预测结果、寻找规律和制定计划。

早期的人工智能主要靠人来编写规则。

比如，要让电脑判断一个人是否符合贷款条件，工程师需要事先写出大量规则：

如果收入高于某个数值，就增加通过概率；如果有逾期记录，就降低通过概率；如果年龄、职业和资产符合条件，就给出另一种结果。

这种方式在规则明确的问题上很有用，但现实世界往往非常复杂。人不可能提前写出所有规则，于是科学家开始让机器自己从大量数据中寻找规律，这就是机器学习。

后来，神经网络和深度学习快速发展。简单来说，深度学习让机器可以通过很多层计算，从图片、声音和文字中逐步发现复杂特征。

如今的大语言模型，则是在海量文字、代码、图片和声音上进行训练，学习人类表达和知识之间的规律。它们可以根据上下文生成文章、回答问题、总结资料、翻译语言和编写程序。

但大模型并不等于真正的人类。它有时会把错误内容说得很有道理，这种现象通常被称为“AI 幻觉”。因此，涉及医疗、法律、金融和重要决策时，仍然需要人来核实。

三、国际人工智能的发展历史

1. 1940 年代至 1950 年代：思想开始形成

1940 年代，科学家开始研究人脑神经元能否用数学模型表示。

1950 年，英国科学家艾伦·图灵发表了著名论文，提出了一个后来被称为“图灵测试”的思想：如果一台机器和人对话时，能够让人难以分辨对方究竟是人还是机器，那么这台机器是否可以被认为具有某种智能？

这并不意味着机器真的拥有意识，但它提出了一个重要问题：机器能不能表现出类似人类的思考能力？

2. 1956 年：人工智能正式成为一个研究领域

1956 年，美国达特茅斯学院举办了一次学术会议。“人工智能”这个名称在这次会议上正式流行起来。

当时很多科学家都非常乐观，认为只要继续研究几十年，机器就可以像人一样理解语言、解决问题，甚至拥有常识。

早期的 AI 主要使用符号和逻辑。电脑下棋、证明数学定理、解决简单谜题，都是这一时期的重要成果。

3. 1970 年代至 1980 年代：第一次人工智能寒冬

早期 AI 的表现让人们产生了很高期待，但现实很快证明，真正困难的问题并不是计算，而是理解现实世界。

电脑可以按照规则下棋，却很难理解一句普通话；可以处理结构清楚的数学题，却无法像孩子一样认识一只猫。

由于计算机速度不够快、数据不够多、算法也不够成熟，很多项目没有达到预期，资金开始减少，人工智能研究进入低谷。这个时期后来被称为“人工智能寒冬”。

到了 1980 年代，专家系统重新受到关注。专家系统把医生、工程师和金融专家的经验写成规则，用来帮助解决专业问题。

但专家系统依然需要人不断维护规则，面对新的情况时容易失效。

4. 1990 年代至 2011 年：机器学习逐渐成为主流

随着互联网发展，数据越来越多，计算机也越来越强。科学家开始让机器从大量数据中学习，而不是完全依赖人工编写规则。

这一时期，语音识别、搜索引擎、垃圾邮件过滤、商品推荐和文字识别逐渐进入普通人的生活。

1997 年，IBM 的“深蓝”计算机击败国际象棋世界冠军卡斯帕罗夫，成为人工智能历史上的重要事件。

不过，深蓝并不是像人一样理解棋局，而是通过极强的计算能力分析大量可能的走法。它证明了机器可以在特定任务上超过人类，但不代表机器已经具备全面智能。

5. 2012 年至 2016 年：深度学习爆发

2012 年，名为 AlexNet 的深度学习系统在图像识别比赛中取得突破性成绩。

这件事让全世界重新认识到，只要有足够多的数据、足够强的计算能力和合适的算法，机器就能在识别图片、声音和文字方面取得巨大进步。

随后，自动驾驶、人脸识别、语音助手、机器翻译和智能推荐快速发展。

2016 年，谷歌旗下 DeepMind 开发的 AlphaGo 击败围棋世界冠军李世石。围棋比国际象棋拥有更多变化，长期以来被认为是机器很难征服的项目。

AlphaGo 的胜利让许多人第一次真正感受到：人工智能已经不只是实验室里的概念，而是可以在复杂问题上挑战人类顶尖高手。

6. 2017 年至 2021 年：大模型时代的基础形成

2017 年，一篇名为《Attention Is All You Need》的论文提出了 Transformer 架构。

这个技术后来成为 GPT、BERT、Claude、Gemini、通义千问和许多其他大模型的重要基础。

Transformer 让模型更擅长同时理解一段话中的不同部分，不必只按照从前到后的顺序处理文字。正因为如此，模型可以更好地理解上下文，处理更长的文章和更复杂的表达。

这一阶段，GPT、BERT 等模型逐渐进入公众视野。人工智能开始从“识别已有内容”，走向“生成新的内容”。

7. 2022 年至今：生成式 AI 走进普通人的生活

2022 年，ChatGPT 面向公众开放，迅速成为全球现象级产品。

在此之前，很多人知道人工智能可以识别人脸、推荐商品，但很少有人真正与 AI 长时间对话。ChatGPT 让人们发现，机器可以写文章、改邮件、讲解知识、翻译语言、编写代码，也可以成为一个随时可以交流的助手。

此后，人工智能开始从单纯的“聊天”发展到多模态。

它不仅能够理解文字，也逐渐能够识别图片、声音、视频和文件。有些模型还可以调用搜索、计算器、办公软件和其他工具，完成一系列任务。

近年来，人工智能的发展重点又开始从“会回答问题”转向“会推理、会规划、会使用工具”。这类能够分步骤完成任务的系统，通常被称为 AI Agent，也就是人工智能代理。

四、中国人工智能的发展历程

中国的人工智能研究并不是近几年才开始的。

1. 早期研究：从计算机、自动控制和模式识别起步

在人工智能概念形成之后，中国的高校、科研院所也逐渐开展了计算机、自动控制、模式识别、语音识别和机器翻译等方面的研究。

当时的研究条件与国际先进水平存在差距，但很多科研人员已经开始探索如何让计算机识别汉字、理解语音和处理中文信息。

2. 1990 年代至 2000 年代：互联网推动应用发展

互联网普及之后，中国出现了大量真实应用场景。

搜索引擎需要理解用户意图，电商平台需要推荐商品，通信软件需要处理海量消息，输入法需要预测用户要输入的文字。

这些应用虽然不一定以“人工智能”作为宣传重点，但背后已经大量使用了机器学习、自然语言处理和推荐算法。

与此同时，语音识别、中文输入法、手写识别和图像识别也逐渐进入普通人的日常生活。

3. 2010 年之后：深度学习开始大规模应用

随着智能手机、移动互联网和云计算的发展，中国积累了大量图片、文字、语音和消费数据。

百度、阿里巴巴、腾讯、科大讯飞、华为以及众多创业公司，开始在搜索、广告、语音、视觉、金融、医疗和自动驾驶等领域投入人工智能研究。

这一阶段，中国在人工智能应用速度和商业化规模方面发展很快。

人脸识别、手机语音助手、智能客服、短视频推荐和地图导航，逐渐成为普通人能够直接感受到的 AI 产品。

4. 2017 年：人工智能上升为国家发展战略

2017 年，中国发布《新一代人工智能发展规划》，人工智能开始被放在国家科技和产业发展的重要位置。

从那以后，人工智能教育、芯片、云计算、机器人、自动驾驶和智慧城市等领域都获得了更多关注。

中国的优势之一，是拥有规模庞大的市场和丰富的应用场景。一个新的 AI 产品如果能够解决实际问题，就有机会迅速被大量用户使用。

5. 2023 年之后：国产大模型集中出现

生成式 AI 兴起后，国内企业纷纷推出自己的大语言模型和 AI 助手。

文心、通义、豆包、混元、智谱、Kimi、讯飞星火和 DeepSeek 等产品，开始进入办公、教育、写作、客服、编程和内容创作领域。

特别是近几年，一些国产模型在推理能力、低成本运行和开放权重方面引起了国际关注。用户不再只是把 AI 当成聊天工具，而是开始把它用于写报告、做表格、分析资料、学习课程和处理工作。

这说明中国人工智能已经从“应用人工智能”逐渐走向“基础模型和完整生态”。

五、为什么国内外 AI 会形成不同特点？

第一，语言和文化环境不同

一个模型长期接触什么样的数据，就会形成什么样的表达习惯。

国产模型通常更熟悉中文成语、国内新闻、行政表达、生活习惯和本土商业场景。在写中文文章、解释国内政策或设计本地化方案时，往往更自然。

国际模型接触的英文资料和多语言资料更广，在国际新闻、英文论文、跨国商业和多语言交流方面通常更方便。

第二，产业结构不同

中国拥有非常复杂和庞大的制造业、电商、物流、金融、教育和本地服务体系，因此 AI 很容易与现实产业结合。

国际头部企业则在操作系统、云计算、芯片、全球软件和开发者工具方面积累较深。

所以，国内 AI 更容易与本地生活和产业结合，国际 AI 更容易接入全球软件和开发者生态。

第三，算力和芯片是重要基础

训练和运行大型 AI 模型，需要大量计算能力。

高性能 AI 芯片、服务器、数据中心和软件工具，决定了模型能够训练多大、运行多快、成本多低。

国际企业在高端芯片、底层软件和全球云计算方面积累较早。中国则在国产芯片、模型压缩、推理效率和本地算力建设方面持续追赶。

对于普通用户来说，芯片看不见摸不着，但它会影响 AI 的价格、速度和稳定性。

第四，AI 竞争已经不只是模型竞争

一款 AI 产品好不好，并不只取决于它回答问题是否聪明。

还要看它能不能连接文档、表格、搜索、会议、邮箱、代码工具和企业系统；能不能保护用户隐私；能不能稳定运行；价格是否合理；出了问题有没有人工负责。

因此，未来的竞争不仅是“谁的模型更大”，还包括谁的产品更实用、服务更可靠、生态更完整。

六、普通人应该怎样看待 AI？

首先，不要把 AI 当成万能答案机器。

AI 可以帮助我们整理信息、提供思路和提高效率，但它并不保证每句话都正确。尤其是医疗、法律、金融和公共安全问题，一定要通过可靠来源再次核实。

其次，不要只看一次回答就判断一个模型好不好。

同一个模型在写文章、做数学题、翻译方言和分析图片时，表现可能完全不同。选择 AI 时，应该根据自己的任务进行比较。

再次，尽量不要把身份证号码、银行卡信息、账号密码、未公开合同和商业机密直接交给不明 AI 工具。

最后，真正有价值的能力不是记住某个按钮在哪里，而是知道自己要解决什么问题，能够向 AI 讲清楚背景、目标和要求，并且判断它给出的内容是否可靠。

结语：人工智能的下一站，是成为普通人的工具

回顾人工智能的发展历史，可以发现它经历了很多次从乐观到失望、再从低谷重新崛起的过程。

它曾经只是实验室里的规则系统，后来变成搜索和推荐工具，又发展成能够写文章、看图片、听声音和使用软件的智能助手。

今天，国内外 AI 正处于激烈竞争之中。国产 AI 在中文、本地应用、成本和行业落地方面不断增强，国际 AI 在全球知识、前沿研究、基础设施和开发者生态方面仍有优势。

未来很可能不会只有一个“全世界最强的 AI”。不同国家、不同公司和不同模型，会在不同领域发挥作用。

对于普通人来说，最重要的不是争论 AI 究竟属于哪个国家，而是学会判断它适合做什么、不适合做什么，并把它变成提升学习、工作和生活效率的工具。

人工智能的历史还没有结束。真正的变化，也许不是机器最终取代人，而是那些会使用 AI 的人，逐渐获得比过去更强的工作和学习能力。

**资料说明：**本文中的模型名称和能力比较属于代表性介绍，不构成排名。人工智能产品更新很快，具体表现会随着版本、任务和使用方式变化。