1950—1960 年首次出现人工智能浪潮, 1950 年, “人工智能之父” 阿兰·图灵提出了 “机器能否思考?” 的问题, 也就是著名的 “图灵测试”,这是对人工智能的开创性构思。 1956 年夏天, 在美国东部召开的达特茅斯会议上, 人工智能作为一个全新研究领域出现在学界, 学界将这一年称为人工智能的元年, 但是受制于当时科学技术发展水平较低, 硬件设施算力不够,只能进行低级别的基础运算, 智能技术在理论和实践中均无法取得新的进展, 更无法达到原有的技术愿景, 所以本次发展浪潮于 1960 年陷入低谷。

20 世纪 80 年代至 20 世纪 90 年代, 人工智能开启第二次浪潮, 处于这个阶段的人工智能有了新的技术超越, 最大突破在人工神经网络模块,具备了语音识别和图像识别功能, 但需要注意的是, 这个阶段的人工智能只能解决一些简单问题, 在对复杂的、 数据量较大的问题处理时显得无能为力, 且处理成本高昂, 很难在实际生活中运用, 技术实用价值较低。

2006—2022 年是人工智能第三次浪潮, 从此时期开始人工智能开始逐渐走向成熟, 随着互联网走向千家万户, 海量的数据信息喷涌而出, 芯片制程工艺突飞猛进。 此阶段, 人工智能可被应用的领域得到拓展, 各类商用的智能软件走入大众的生活, 如手机智能语音助手普及应用, 实现了更加便捷自然的人机交互方式, 之后人工智能再次让世人瞩目的事件是智能机器人 Alpha. Go 在围棋比赛中战胜人类围棋世界冠军。

2022 年至今是人工智能第四次浪潮, 生成式人工智能技术是当前人工智能技术发展的新形态。 美国 OpenAI 公司于 2022 年 11 月 30 日发布了一款基于 GPT - 3. 5 架构的聊天机器人模型 ChatGPT。 ChatGPT 采用了 “从人类反馈中强化学习” (RLHF) 的训练方式, 通过大量语料库的学习, 能够理解和生成自然语言文本, 模拟与人类交流对话, 这标志着生成式人工智能技术的快速进步与逐渐成熟。 2025 年, 中国学者研发的 DeepSeek 大模型一夜爆火出圈, 如同平静湖面投入了一颗石子, 短短半月之余, 在国际舞台激起层层涟漪, 其震荡效应甚至跃出技术范围, 迅速扩散到国际政治、 经济社会和思想文化领域。 DeepSeek R1 - Zero 更重要的价值是, “推理即训练” 的自我进化突破了自 GPT 大模型以来终极的人类输入瓶颈, 其普惠开源的公益壮举, 更使人工智能一味追逐大数据、 大算力、 大模型、大能耗的 “闭源竞争” 整体生态发生裂变, 国际上几大 AI 头部企业也被迫走出大模型开源免费之路。

生成式人工智能 ( Generative AI) 是人工智能领域的一个重要分支,它专注于创造新内容, 如文本、 图像、 音乐等, 而非仅仅分析或识别现有数据。 其核心原理是利用机器学习和深度学习技术, 让模型通过学习大量数据样本, 掌握其内在规律和特征, 进而生成与原始数据相似但又不完全相同的新数据。 生成式对抗网络 (GANs) 和变分自编码器 (VAEs) 是其中的代表性技术。 GANs 通过两个神经网络———生成器和判别器的相互博弈来提升生成内容的质量, 而 VAEs 则通过编码和解码过程来学习数据的潜在表示。 生成式 AI 在多个领域展现出巨大潜力, 如艺术创作、 游戏设计、 药物研发等, 它不仅能提高创作效率, 还能激发新的创意。

人工智能技术的核心技术主要包括机器学习、 自然语言处理 ( NLP)和计算机视觉, 这些技术在推动人工智能的广泛应用和持续发展中发挥着至关重要的作用。

机器学习作为人工智能领域的一个关键技术, 它使计算机能够通过数据学习并作出决策或预测。 这一技术大致可以分为监督学习、 无监督学习和强化学习三大类。 监督学习在有标签的数据集上进行训练, 使模型能够学会从输入到输出的映射关系; 无监督学习则是在没有标签的数据集上发现数据的内在结构和规律; 强化学习则是通过与环境的交互, 学习如何采取行动以最大化某种累积奖励。 这些技术使得机器可以通过数据的模式和规律来改善性能, 逐渐提高自己的表现。 在金融风控领域, 机器学习模型可以分析大量的交易数据, 识别出潜在的欺诈行为; 在医疗诊断中, 机器学习可以辅助医生分析医学影像, 提高诊断的准确性和效率。 深度学习作为机器学习的一个子领域, 它通过构建多层神经网络模型, 模拟人脑的学习过程, 能够处理复杂的非线性问题。 在图像识别、 语音识别、 自然语言处理等领域, 深度学习都取得了显著的成果, 例如, 在图像识别领域, 深度学习算法能够准确识别出照片中的物体、 人脸等, 为智能安防、 自动驾驶等领域提供了有力的技术支持。

自然语言处理 (NLP) 是人工智能领域的另一大核心技术, 它关注于使计算机能够理解、 解释和生成人类语言。 NLP 技术涵盖了语言模型、 词性标注、 句法分析、 语义理解和机器翻译等多个方面。 通过这些技术, 计算机可以处理和分析大量的文本数据, 提取有用的信息, 甚至进行语言的自动生成和对话。 NLP 技术在智能客服、 智能翻译、 情感分析等领域有着广泛的应用。 例如, 智能客服系统可以通过 NLP 技术理解用户的提问, 并给出相应的回答; 智能翻译系统则可以将一种语言自动翻译成另一种语言, 极大地促进了跨语言交流。 随着深度学习的发展, NLP 取得了显著进展, 例如, BERT 模型的出现使得计算机对语境的理解更加准确, 推动了智能搜索、 智能写作等领域的发展。

计算机视觉技术使计算机能够像人类一样通过视觉感知世界, 这是实现智能监控、自动驾驶等应用的关键。 它涵盖了图像识别、 物体检测、 场景重建等多个方面。 图像识别技术能够识别图像中的物体、 人脸等, 为智能安防、 智能零售等领域提供支持; 物体检测技术则用于检测图像中的特定物体, 如交通标志、 行人等, 为自动驾驶等领域提供支持; 场景重建技术则能够构建三维场景模型, 为虚拟现实、 增强现实等应用提供可能。 在自动驾驶技术中, 计算机视觉负责识别道路、 车辆、 行人等交通元素, 为自动驾驶提供决策依据, 是自动驾驶中最关键的部分之一。

这三大核心技术不仅各自在特定领域内发挥着重要作用, 而且它们之间的相互融合与协作更是为人工智能的广泛应用奠定了坚实的基础。 例如, 在智能医疗领域, 机器学习技术可以用于分析医学影像数据、 预测疾病风险; 自然语言处理技术可以用于处理医疗文献和病历数据、 提取有用信息; 而计算机视觉技术则可以用于辅助手术和远程医疗等场景。 在智能语音助手的应用中, 机器学习技术用于识别用户的语音输入并将其转化为文本; 自然语言处理技术则用于理解用户的意图和请求; 而计算机视觉技术则可能用于识别用户的手势或面部表情, 以提供更丰富的交互体验。

此外, 人工智能的发展还离不开大数据、 云计算、 高性能计算硬件等技术的支持。 大数据技术能够处理海量数据, 为人工智能模型提供丰富的训练样本; 云计算提供了分布式计算和存储服务, 降低了人工智能应用的成本和门槛; 而 GPU、 TPU 等高性能计算设备则为人工智能提供了强大的计算能力, 使深度学习等复杂算法得以高效运行。

人工智能对经济社会发展的影响是全面而深刻的, 体现在: 生产方式的智能化转型、 消费模式的个性化与智能化、 就业结构的深刻变革、 社会结构的优化与治理创新以及公共政策的调整与适应性等方面。

第一, 生产方式的智能化转型。 人工智能技术的广泛应用, 促使传统制造业和服务业向智能化、 自动化方向转型。 在生产线上, 机器人、 自动化设备和智能管理系统成为主角, 它们能够高效、 精准地完成重复性高、劳动强度大的工作, 显著提高了生产效率和质量。 例如, 在汽车制造业中, 智能机器人已广泛应用于焊接、 喷涂、 装配等环节, 不仅大幅提升了生产速度, 还有效降低了人为错误率。 此外, 人工智能还推动了智能制造的发展, 通过数据分析、预测维护等手段, 实现了生产过程的智能化管理和优化, 降低了能耗和成本。 在服务业, AI 客服、 智能推荐系统、 自动化交易等应用, 也极大提高了服务效率和顾客满意度。 这种生产方式的智能化转型, 不仅促进了产业升级, 还带动了新技术、 新业态、 新模式的蓬勃发展。

第二, 消费模式的个性化与智能化。人工智能技术的普及, 深刻改变了消费者的购物体验, 推动了消费模式的个性化与智能化。借助大数据分析、 机器学习等技术, 电商平台能够精准分析用户的购物习惯、 偏好和需求, 实现个性化商品推荐, 极大地提升了购物体验和转化率。 同时, 智能家居、 智能穿戴设备等产品的出现,让消费者的生活更加便捷和智能。 这些设备通过物联网技术连接, 能够根据用户的习惯和环境变化自动调节,如智能温控系统根据室内外温差自动调节室内温度, 智能音箱根据用户指令播放音乐或查询信息等。 这种个性化、 智能化的消费模式, 不仅满足了消费者多样化的需求, 还促进了消费市场的繁荣和消费升级。

第三, 就业结构的深刻变革。 人工智能技术的快速发展, 对就业市场产生了深远影响, 引发了就业结构的深刻变革。 一方面, AI 技术的广泛应用, 使得许多传统岗位被自动化取代, 如工厂流水线工人、 客服人员等,导致部分低技能劳动力面临失业风险。 另一方面, 人工智能技术也催生了大量新兴职业, 如算法工程师、 数据分析师、 人工智能训练师等, 这些岗位对专业技能的要求较高, 为求职者提供了新的就业机会。 此外, AI 技术还促进了跨行业、 跨领域的融合创新, 为创业和就业提供了更广阔的发展空间。 面对这种就业结构的变革, 政府和社会需要积极采取措施, 加强职业教育和技能培训, 提高劳动力的适应性和竞争力, 以应对人工智能技术带来的挑战。

第四, 社会结构的优化与治理创新。人工智能技术的普及, 也在一定程度上优化了社会结构, 推动了社会治理的创新。 在公共服务领域, AI 技术能够提供更高效、 更精准的服务, 如智能医疗系统能够辅助医生进行疾病诊断, 提高诊疗效率和质量; 智能交通系统能够优化交通流量, 缓解交通拥堵问题。 在社会治理方面, 人工智能技术通过大数据分析、 智能监控等手段, 能够及时发现和预警社会风险, 提高社会治理的预见性和精准性。 例如, 通过智能安防系统, 可以实现对重点区域、 重点人群的实时监控, 有效预防犯罪行为的发生。 此外, 人工智能技术还促进了政务服务的智能化和便捷化, 如在线政务服务平台的出现, 让民众能够足不出户办理各类业务, 提高了政府服务的效率和满意度。

第五, 公共政策的调整与适应性。 面对人工智能技术的快速发展, 公共政策也需要进行相应的调整和优化, 以适应新的经济社会环境。 一方面, 政府应制定和完善相关法律法规, 规范人工智能技术的研发和应用,保护个人隐私和数据安全。 例如, 出台数据保护法、 算法责任法等, 明确数据收集、 处理、 使用的法律边界, 防止滥用和侵犯。 另一方面, 政府还应加大对人工智能技术的研发投入, 支持关键技术的突破和创新, 推动人工智能技术的广泛应用和产业化发展。 同时, 政府还应加强对人工智能技术的监管和评估, 确保其符合社会伦理和道德标准, 避免对社会造成不良影响。 此外, 政府还应通过税收优惠、 财政补贴等手段, 鼓励企业加大人工智能技术的研发投入和应用推广, 促进人工智能技术与实体经济的深度融合, 推动经济社会的高质量发展。