2012 - 2015 年：深度学习大爆炸
| 时间 | 概念 | 核心内容 | 代表事件 | 链接 |
|---|---|---|---|---|
| 2012.09 | CNN 崛起 (AlexNet) | 深度卷积神经网络首次在 ImageNet 夺冠，准确率远超传统算法 | AlexNet 开启深度学习革命 | AlexNet Paper (NIPS 2012) |
| 2014.06 | GANs (生成对抗网络) | 通过“生成器”与“判别器”博弈，开创生成式 AI 先河 | Ian Goodfellow 提出 GANs 概念 | GANs Paper (2014) |
| 2015.06 | YOLO 诞生 (v1) | 提出“You Only Look Once”，将检测视为回归问题，实现实时目标检测 | Joseph Redmon 发布 YOLO，改变了视觉检测效率 | YOLO v1 Paper |
| 2015.12 | ResNet (残差网络) | 解决深层网络退化问题，使训练百层甚至千层网络成为可能 | 微软发布 ResNet，斩获 ILSVRC 五项第一 | ResNet Paper (2015) |
2016 - 2018 年：感知到理解的飞跃
| 时间 | 概念 | 核心内容 | 代表事件 | 链接 |
|---|---|---|---|---|
| 2016.03 | 强化学习突破 | 深度学习与强化学习结合，处理极端复杂的博弈空间 | AlphaGo 以 4:1 击败人类顶尖棋手李世石 | DeepMind: AlphaGo |
| 2017.06 | Transformer 诞生 | 抛弃 RNN，采用“注意力机制”并行处理数据，LLM 的核心架构 | Google 发布《Attention Is All You Need》 | Transformer Paper (2017) |
| 2018.10 | BERT (预训练双向编码) | 引入“遮罩语言模型”，极大提升 NLP 任务的理解能力 | Google 发布 BERT，刷新 11 项 NLP 纪录 | BERT Paper (2018) |
2019 - 2021 年：参数爆炸与生成预热
| 时间 | 概念 | 核心内容 | 代表事件 | 链接 |
|---|---|---|---|---|
| 2020.05 | GPT-3 (千亿级参数) | 1750 亿参数，首次展现“上下文学习（In-context Learning）”能力 | OpenAI 发布 GPT-3，AI 开始展现惊人的创作潜力 | OpenAI: GPT-3 Paper. Language Models are Few-Shot Learners |
| 2020.05 | DETR | 抛弃 NMS、锚框等手工设计，首次将 Transformer 引入物体检测 | Facebook (Meta) 发布 Transformer架构的DETR挑战CNN架构的YOLO，开启视觉检测新范式 | DETR Paper (ECCV 2020) |
| 2020.10 | ViT (Vision Transformer) | 抛弃卷积网络(CNN)，将图像切块后像文本一样处理 | Google 发布《An Image is Worth 16x16 Words》，视觉架构转向 Transformer，挑战 CNN 霸主地位 | ViT Paper |
| 2021.01 | CLIP & DALL-E | 借助 ViT 架构将图文关联，实现多模态理解与生成 | OpenAI 发布 DALL-E，开启多模态生成元年 | OpenAI Blog: DALL-E |
| 2021.01** | MoE & Switch Transformer | 仅激活模型的一部分参数进行计算，实现“稀疏性”，让模型规模突破万亿 | Google 发布 Switch Transformer，参数量达 1.6 万亿 | Switch Transformer Paper |
| 2021.06 | GitHub Copilot | 基于 OpenAI Codex 的代码补全，AI 辅助编程商业化 | GitHub 推出 Copilot 预览版 | GitHub Blog: Introducing Copilot |
2022 年：大模型觉醒之年
| 时间 | 概念 | 核心内容 | 代表事件 | 链接 |
|---|---|---|---|---|
| 2022.01 | CoT (思维链) | 通过 “Let’s think step by step” 诱导模型输出中间推理步骤 | Google 发布思维链研究，大幅提升模型逻辑推理能力 | CoT Paper (Google Brain) |
| 2022.03 | Chinchilla Scaling Laws | 提出参数量与数据量的最佳平衡比例（约 1:20） | DeepMind 发布 Chinchilla，70B 模型击败了 175B 的 GPT-3 | Chinchilla Paper |
| 2022.10 | ReAct 框架 | 将“推理(Reason)”与“行动(Act)”结合，允许模型在思考过程中调用搜索等外部工具 | Google & Princeton 发布 ReAct，奠定了 LLM Agent 的底层逻辑 | ReAct Paper |
| 2022.11 | ChatGPT 爆发 | 基于 GPT-3.5 的对话 AI，首次让公众体验“类人对话” | OpenAI 发布 ChatGPT，5 天破百万用户 | OpenAI Blog: Introducing ChatGPT |
| 2022.Q4 | Prompt Engineering（提示工程） | 通过精心设计输入指令引导 LLM 输出 | 成为早期 AI 使用者的核心技能 | Google Developers: Prompt Design Guide |
2023 年：多模态 + 开源崛起
| 时间 | 概念 | 核心内容 | 代表事件 | 链接 |
|---|---|---|---|---|
| 2023.03 | GPT-4 发布 | 多模态（图像+文本）、更强推理、上下文达 32K | OpenAI 宣称“AGI 重要一步” | OpenAI GPT-4 Technical Report |
| 2023.04 | LLM Agent 初现 | LLM 能调用工具、规划任务、自我反思 | AutoGPT、BabyAGI 开源引爆 GitHub | AutoGPT GitHub BabyAGI GitHub |
| 2023.07 | 开源大模型浪潮 | Meta 开源 Llama，打破闭源垄断 | Llama、Falcon、Mistral 推动本地部署 | Meta Llama 2 Announcement Falcon LM (TII) Mistral AI Launch |
| 2023.09 | RAG（检索增强生成） | 让 LLM 结合私有知识库回答问题 | 成为企业落地 LLM 的首选架构 | Lewis et al., “Retrieval-Augmented Generation”, 2020 (奠基) LangChain RAG Docs |
| 2023.12 | AI Coding 工具普及 | Copilot 全面商用，代码生成进入日常开发 | GitHub Copilot 覆盖超 3 万企业 | GitHub Copilot Enterprise Launch |
2024 年：Agentic 智能体元年
| 时间 | 概念 | 核心内容 | 代表事件 | 链接 |
|---|---|---|---|---|
| 2024.02 | Multimodal Agents | 能看图、听音、操作 GUI 的智能体 | Google 推出 Astra，OpenAI 展示 GPT-4V 操控手机 | Google Astra Demo (I/O 2024) OpenAI GPT-4o Vision Demo |
| 2024.05 | Memory & Reflection | Agent 具备长期记忆与事后复盘能力 | Stanford 发布 “Reflexion” 框架 | Shinn & Cassano et al., “Reflexion: Language Agents with Verbal Reinforcement Learning”, NeurIPS 2023 |
| 2024.08 | Function Calling 2.0 | 更可靠的工具调用协议（如 MCP 前身） | Anthropic、OpenAI 升级 Tool Use API | Anthropic Tools Documentation OpenAI Function Calling Guide |
| 2024.10 | AI OS / AI Native App | 应用围绕 AI 重构，而非“加个聊天框” | Notion AI、Cursor、Windsurf 等新锐产品崛起 | Notion AI Cursor.sh Windsurf.ai |
2025 年：规范驱动 + 技术融合爆发年
| 时间 | 概念 | 核心内容 | 代表事件 | 链接 |
|---|---|---|---|---|
| 2025.01 | DeepSeek | 中国开源模型进入全球第一梯队 | DeepSeek App和DeepSeek-R1开源模型发布 | DeepSeek-R1 发布，性能对标 OpenAI o1 正式版 |
| 2025.01 | Spec-Driven Development (SDD) | 先写规范（Spec），AI 自动生成并维护代码 | AWS 推出 Kiro，GitHub 推出 Spec-kit | AWS Kiro Announcement (re:Invent 2024) GitHub Spec-kit Docs |
| 2025.05 | MCP (Model Communication Protocol) | 统一 LLM 与外部工具通信的标准协议 | 类似“AI 的 USB-C”，被 Cursor、Continue、Claude 采纳 | MCP Specification (GitHub) |
| 2025.07 | Agentic IDE | IDE 内置自主编程智能体（非仅补全） | Cursor Pro、Trae、Qoder 支持“自然语言建项目” | Cursor Agentic Mode Trae.ai Alibaba Qoder |
| 2025.09 | AI Factories / AI DevOps | 用 AI 自动构建、测试、部署其他 AI 应用 | Microsoft 提出“AI 生产 AI”范式 | Microsoft Build 2025 Keynote |
| 2025.10 | Skills (技能) | 模块化、可共享的 Agent 能力包 | Anthropic 在 Claude Code 中正式支持 Skills | Introducing Agent Skills |
视觉检测演进专项
| 时间 | 概念 | 核心内容 | 代表事件 | 链接 |
|---|---|---|---|---|
| 2013.11 | R-CNN (二阶段检测) | 开启深度学习检测时代。采用“先选框再分类”的 CNN 两阶段法，精度高但计算量巨大（非实时） | Ross Girshick 发布 R-CNN，奠定物体检测基础架构 | R-CNN Paper |
| 2015.06 | YOLO v1 (一阶段检测) | 对比 R-CNN： 同样基于 CNN，但将检测简化为单一回归问题。牺牲微小精度换取极致速度，实现实时检测 | Joseph Redmon 发布 YOLO，改变了工业界视觉落地进程 | YOLO v1 Paper |
| 2015.12 | ResNet (残差网络) | 引入残差连接，解决了深度 CNN 训练中的梯度消失问题，成为后来所有 YOLO 版本的强力后盾 | 微软发布 ResNet，斩获 ILSVRC 五项第一 | ResNet Paper |
| 2020.04 | YOLOv4 / v5 | 引入 CSPNet 等优化，将 CNN 架构的检测性能榨干到极致 | AlexeyAB 与 Ultralytics 发布，成为全球部署最广的检测工具 | YOLOv5 GitHub |
| 2020.05 | DETR (视觉 Transformer) | 架构革命： 彻底抛弃 CNN 时代的锚框和 NMS 后处理，首次将 Transformer 引入检测任务 | Facebook 发布 DETR，开启视觉检测“去卷积”进程 | DETR Paper |
| 2022.03 | ViT-Adapter | 将 Transformer 的全局建模能力引入检测主干网络，在大尺寸图像检测上超越传统 CNN | 视觉架构正式开始从卷积向注意力机制大迁移 | ViT-Adapter Paper |
| 2024.03 | RT-DETR (实时 Transformer) | 地位更替： 解决了 Transformer 速度慢的顽疾。在相同延迟下精度全面超越 YOLOv8 | 百度发布 RT-DETR，标志着 Transformer 在实时赛道击败 CNN | RT-DETR Paper |
| 2024.Q2 | Grounding DINO | 结合大语言模型，通过文字指令实现“零样本”物体检测 | 物体检测从单一视觉识别进化为多模态语义理解 | Grounding DINO |
NLP (自然语言处理) 专项
| 时间 | 概念 | 核心内容 | 代表事件 | 链接 |
|---|---|---|---|---|
| 2013.01 | Word2Vec (词向量) | 将单词转化为稠密向量，通过数学距离表示语义相似度 | Google 发布 Word2Vec，开启 NLP “词表征”时代 | Word2Vec Paper |
| 2014.09 | Seq2Seq + Attention | 引入编码器-解码器架构与注意力机制，解决变长序列处理难题 | Bahdanau 等提出 Attention，奠定翻译任务基础 | Attention Paper (2014) |
| 2017.06 | Transformer 架构 | 架构分水岭： 彻底抛弃 RNN/CNN，利用自注意力机制实现大规模并行训练 | Google 发布《Attention Is All You Need》 | Transformer Paper |
| 2018.10 | BERT (双向预训练) | 通过遮罩语言模型（MLM）获取上下文语义，统治理解类任务 | Google 发布 BERT，刷新 11 项 NLP 纪录 | BERT Paper (2018) |
| 2020.05 | GPT-3 (千亿级参数) | 首次展现“上下文学习”能力，证明了 Scaling Law 的巨大潜力 | OpenAI 发布 GPT-3，开启大模型（LLM）狂潮 | GPT-3 Paper |
| 2022.01 | CoT (思维链) | 通过中间推理步骤引导模型，AI 从“预测概率”转向“逻辑模拟” | Google Brain 发布思维链研究，攻克复杂数学题 | CoT Paper |
| 2022.11 | ChatGPT (RLHF) | 引入人类反馈强化学习，让模型生成内容符合人类偏好与安全规范 | OpenAI 发布 ChatGPT，解决“对齐”问题 | OpenAI Blog: ChatGPT |
| 2024.09 | OpenAI o1 (推理模型) | 范式演进： 通过强化学习诱导模型在输出前进行长时间的自我推理 | OpenAI 发布 o1 预览版，显著提升理科逻辑能力 | OpenAI o1 Announcement |
| 2025.01 | DeepSeek-R1 (推理开源) | 纯强化学习训练的开源推理模型，低成本复现 o1 级别性能 | DeepSeek 发布 R1 系列，打破推理大模型闭源垄断 | DeepSeek-R1 News |
| 2025.Q4 | Logic-Native LLMs | 逻辑推理层与语言表述层彻底分离，解决大模型幻觉问题 | 工业界普及“逻辑内核”架构，模型回答准确率趋近 100% | LLM Logic Research |
语音处理 (Speech) 专项
| 时间 | 概念 | 核心内容 | 代表事件 | 链接 |
|---|---|---|---|---|
| 2012.11 | DNN-HMM (深度神经网络) | DNN 取代传统的混合高斯模型（GMM），识别率实现质的飞跃 | 微软与 Google 联合宣布深度学习在语音识别的突破 | DNN-HMM Research |
| 2016.09 | WaveNet (神经生成) | 摒弃拼接合成，基于神经网络逐个采样点生成原始音频波形 | DeepMind 发布 WaveNet，让机器合成音接近人声 | WaveNet Paper |
| 2017.12 | Tacotron 2 | 简化 TTS 流程，实现从字符到梅尔频谱的端到端合成 | Google 发布 Tacotron 2，确立了现代 TTS 的基本范式 | Tacotron 2 Paper |
| 2022.09 | Whisper (通用识别) | 基于 Transformer 的大规模弱监督预训练，解决杂音与多语言难题 | OpenAI 开源 Whisper 语音识别系列模型 | Whisper Paper |
| 2023.01 | VALL-E (神经编解码) | 基于离散代码的神经编解码语言模型，实现“3秒克隆”声音 | 微软发布 VALL-E，开启了个性化语音生成元年 | VALL-E Paper |
| 2024.05 | GPT-4o (原生语音交互) | 范式演进： 彻底抛弃 ASR+TTS 链路，实现音频输入输出的端到端训练 | OpenAI 发布 GPT-4o，延迟低至 320ms，具备情感表达 | OpenAI Blog: GPT-4o |
| 2025.01 | Audio-Reasoning (语音推理) | 语音模型具备“思考”能力，能通过音调、语气推断用户真实意图 | OpenAI 升级 Advanced Voice Mode 推理能力 | OpenAI Voice Updates |
| 2025.10 | Skill-Based Voice Agents | 将语音交互与 Agent 技能包结合，AI 可通过语音操控外部应用 | Anthropic 在 Claude Code 语音版中支持 Skills 调用 | Introducing Voice Skills |
多模态生成 (AIGC) 专项：从像素重组到物理模拟
该领域完成了从“乱涂乱画”到“理解物理世界规律”的跨越。
| 时间 | 概念 | 核心内容 | 代表事件 | 链接 |
|---|---|---|---|---|
| 2014.06 | GANs (对抗网络) | 生成器与判别器博弈，开启了深度学习生成图像的先河 | Ian Goodfellow 提出 GANs 架构 | GANs Paper |
| 2021.12 | Diffusion (扩散模型) | 通过“去噪”过程生成图像，稳定性与多样性全面超越 GANs | OpenAI 发布 GLIDE，Stable Diffusion 随后爆发 | Diffusion Paper |
| 2022.08 | Stable Diffusion | 开源图像生成模型，支持通过 Prompt 精确控图 | Stability AI 发布 SD v1.4，引爆 AI 绘画狂潮 | SD Launch |
| 2024.02 | Sora (视频生成) | 基于 Transformer 处理时空切块，生成长达 1 分钟的一致性视频 | OpenAI 发布 Sora，展现了“模拟物理世界”的潜力 | Sora Blog |
| 2025.12 | World Models (世界模型) | AI 不仅生成画面，还能预测物体碰撞、重力等物理反馈 | 视觉生成模型与物理引擎彻底融合，用于机器人预训练 | World Models Research |
具身智能 (Embodied AI) 专项：AI 走进现实世界
这是 AI 的“终极战场”，让算法拥有实体，在物理空间执行任务。
| 时间 | 概念 | 核心内容 | 代表事件 | 链接 |
|---|---|---|---|---|
| 2022.08 | PaLM-SayCan | 将大语言模型作为机器人的“大脑”，规划复杂指令 | Google 展示机器人根据指令拿取零食 | SayCan Paper |
| 2023.07 | RT-2 (视觉-语言-动作) | 提出 VLA 模型，将视觉识别与机器人动作控制统一训练 | Google 发布首个视觉-语言-动作大模型 | RT-2 Blog |
| 2024.03 | Figure 01 + OpenAI | 机器人接入大模型，实现边说话边根据视觉反馈整理餐具 | Figure 发布接入 OpenAI 的机器人演示视频 | Figure AI News |
| 2025.02 | End-to-End Robotics | 抛弃手工写代码控制关节，实现“视觉输入-动作输出”的全端到端训练 | 特斯拉 Optimus 实现高度类人的灵巧手操作 | Tesla AI Day 2025 |
| 2026.01 | Robot-Brain 标准化 | 类似电脑系统的统一机器人底层系统出现，实现技能跨硬件迁移 | 宇树、Figure 等厂商达成机器人通用指令集共识 | Unified Robot OS |
AI for Science 专项：AI 改变科研范式
AI 开始解决人类几十年无法攻克的科学难题（生物、材料、气象）。
| 时间 | 概念 | 核心内容 | 代表事件 | 链接 |
|---|---|---|---|---|
| 2020.11 | AlphaFold 2 | 破解困扰生物学 50 年的“蛋白质折叠”难题 | DeepMind 预测了几乎所有人类已知蛋白质结构 | AlphaFold 2 Nature |
| 2023.03 | GraphCast | 基于图神经网络的气象预测，精度与速度远超传统数值模拟 | Google 发布全球最准的中期天气预报模型 | GraphCast Paper |
| 2023.11 | GNoME (新材料预测) | AI 预测了 220 万种新晶体结构，相当于人类 800 年的知识积累 | DeepMind 发布新材料预测成果 | GNoME Blog |
| 2025.05 | Drug-Discovery LLM | 专用大模型实现从靶点发现到药物分子设计的自动化 | 首款由 AI 全流程设计的抗癌药物进入三期临床 | AI Medicine Review |
音乐生成 (Music AI) 专项演进史
| 时间 | 概念 | 核心内容 | 代表事件 | 链接 |
|---|---|---|---|---|
| 2016.09 | Sony Flow Machines | AI 辅助创作。通过算法学习曲风，辅助人类写出旋律 | 索尼发布全球首支 AI 创作流行曲《Daddy’s Car》 | Sony AI Music |
| 2019.04 | MuseNet (OpenAI) | 深度学习作曲。能模拟 10 种乐器，结合从古典到流行的曲风 | OpenAI 发布 MuseNet，展示跨流派编排能力 | MuseNet Blog |
| 2023.01 | MusicLM (Google) | 语义里程碑： 首次实现根据复杂文本描述（如“带有热带风情的爵士乐”）生成高保真音频 | Google 发布 MusicLM，将音乐生成引入大模型时代 | MusicLM Paper |
| 2023.06 | AudioCraft / MusicGen | Meta 开源的音乐生成模型，支持通过旋律和文字共同控制 | Meta 开源 AudioCraft，推动了社区二次开发热潮 | AudioCraft GitHub |
| 2023.12 | Suno v2 | 全流程集成： 首次在网页端实现“歌词+旋律+人声”一键生成，降低了创作门槛 | Suno 接入 Copilot 插件，开启 AI 音乐平民化元年 | Suno v2 Launch |
| 2024.03 | Suno v3 / Udio | 工业革命： 生成质量达到“广播级”，具备复杂的转调、和声及情感表达 | Suno v3 发布；随后 Udio 带着更高的音频保真度横空出世 | Suno v3 News |
| 2025.01 | Mureka / Suno v5 | 本地化与推理： 深度理解特定语言（如中文）的曲风韵律，支持更长的生成时长（8分钟+） | 昆仑万维发布 Mureka；Suno 更新至 v5，音质实现无损化 | Mureka AI |
| 2026.01 | Interactive DAW Agent | AI 进驻数字音频工作站（DAW），支持对生成的音轨进行分层精修 | AI 音乐生成从“一键开盲盒”进化为“可交互生产力” | AI DAW News |
智能体 (Agentic Workflow) 专项：从工具到员工
不仅是对话，而是 AI 能够自主规划、使用工具、完成闭环任务。
| 时间 | 概念 | 核心内容 | 代表事件 | 链接 |
|---|---|---|---|---|
| 2023.04 | AutoGPT / BabyAGI | 首次展示 AI 能够自我拆解任务并循环执行 | 开源社区掀起“自主智能体”热潮 | AutoGPT GitHub |
| 2024.08 | MCP (模型通信协议) | 统一 AI 模型与外部数据库、工具、App 之间的通信标准 | Anthropic 发布 MCP，打破智能体连接壁垒 | MCP GitHub |
| 2025.01 | Agentic IDE | AI 不仅写代码，还能自主运行测试、修复 Bug、部署服务 | Cursor、Windsurf 成为开发者标配 | Cursor.com |
| 2025.07 | Computer Use | AI 具备操控操作系统（点击鼠标、输入文字）的视觉导航能力 | Anthropic 与 Apple 合作推出系统级控制 Agent | Claude Blog |
| 2025.10 | Claude Code / Skills | 智能体具备了模块化的“技能包”，能自主完成复杂的软件工程链路 | Anthropic 发布终端原生 AI 工程师 | Claude Code Release |
| 2025.12 | OpenClaw (🦞) | 里程碑：跨OS、跨平台的开源 AI 助手，实现“Any OS, Any Platform”的全局操控 | OpenClaw 开源，标志着“个人 AI 雇员”时代的平民化 | OpenClaw Website |
| 2026.01 | Agentic OS | 操作系统围绕 Agent 重新设计，App 演变为 Agent 可调用的组件 | Future of OS |
