一、生物启发的理论雏形（1890-1949）
神经协作理论奠基
1890年，威廉·詹姆斯提出神经元协同机制理论，认为大脑皮层活动是神经元间信号传递的总和效应。这一思想启发了后续对神经网络的数学建模。
MP模型与数学基础
1943年，McCulloch和Pitts提出首个神经元数学模型（MP模型），用二进制逻辑模拟神经元激活，证明神经网络可实现算术与逻辑运算。
学习规则的生物学突破
1949年，Donald Hebb提出赫布学习定律，揭示神经元连接强度随协同激活增强的机制，为后续权重调整算法奠定基础。
二、第一次浪潮：感知器与早期挫折（1950-1974）
感知器的突破与局限
1958年，Rosenblatt发明感知器（Perceptron），首次实现物理化神经网络，通过权重调整完成线性分类，但无法解决异或问题。
技术拓展：ADALINE与混合系统
1960年Widrow开发ADALINE，引入最小均方（LMS）学习规则，成为首个自适应线性元件。同期玻尔兹曼机等混合系统尝试解决复杂计算问题。
寒冬来临
1969年Minsky和Papert证明单层感知器局限性，叠加算力不足和符号学派兴起，导致研究资金锐减。
三、蛰伏期的技术积累（1974-2005）
反向传播算法突破
1974年Paul Werbos提出反向传播算法，但直到1986年Rumelhart团队优化算法结构，才实现多层网络有效训练。
新型网络架构探索
1988年Grossberg提出自适应共振理论（ART）网络，模拟生物神经元动态调节；1997年Hochreiter提出LSTM，解决RNN梯度消失问题。
硬件与数据限制
受限于算力（90年代PC内存仅16KB）和数据规模（ImageNet未诞生），复杂网络难以实用化。
四、深度学习革命（2006-2017）
深度网络训练破冰
2006年Hinton提出深度置信网络（DBN），通过无监督预训练缓解梯度消失，开启深度学习新时代。
里程碑事件
2012年AlexNet在ImageNet竞赛准确率提升10%，GPU加速训练成为标配；2014年生成对抗网络（GAN）推动生成式AI发展。
架构革新
2017年Transformer模型问世，自注意力机制突破序列建模瓶颈，奠定大模型基础。
五、大模型与生态构建（2018-2025）
参数规模跃迁
2020年GPT-3（1750亿参数）展示少样本学习能力；2022年AlphaFold2破解蛋白质折叠难题，推动生物医学革命。2025年DeepSeek-R1模型以逻辑推理为核心，在数学和编程任务中超越GPT-4，同时训练成本降低90%。
多模态突破
2021年DALL·E实现文生图；2023年扩散模型（如Stable Diffusion）超越GAN生成质量；DeepSeek-VL融合多模态能力，支持高分辨率图像与逻辑图解析。
技术生态成熟
框架：PyTorch动态图机制加速实验迭代；硬件：英伟达H100 GPU专为Transformer优化；伦理：欧盟《人工智能法案》等监管框架逐步建立。开源生态方面，DeepSeek的开源策略迫使闭源模型开放接口，Manus构建多智能体协作沙盒并计划部分开源。
六、未来趋势（2025-）
计算范式革新
量子神经网络（QNN）探索叠加态加速训练；光子芯片突破冯·诺依曼瓶颈；DeepSeek与Manus推动推理效率提升，后者实现0.1秒级任务拆解。
生物启发再升级
脉冲神经网络（SNN）模拟生物神经元时序编码，能效比传统网络提升百倍；Manus通过智能体协作模拟人类团队决策流程。
通用人工智能路径
世界模型（如Meta的VC-1）尝试统一视觉、语言、运动等多模态表征；DeepSeek与ChatGPT持续迭代，前者在学术写作与数据分析中提供高精度支持，后者通过Canvas功能优化科研协作流程。