AI 基础
从「图灵发表《论可计算数》」到「Transformer 架构论文发表」，先抓住起点、路线转向与当前边界，再展开完整事件线。
Transformer 架构论文发表
Google 研究者在机器翻译论文中提出 Transformer，用自注意力、前馈网络和位置编码构成编码器—解码器，去掉循环和卷积。
OpenAI 成立
OpenAI 由 Sam Altman、Elon Musk、Ilya Sutskever、Greg Brockman 等人联合创立，定位为以安全与开放为优先的非营利 AI 研究机构，初始承诺资金约 10 亿美元。
支持向量机
Corinna Cortes 与 Vladimir Vapnik 发表《Support-Vector Networks》，系统提出支持向量机。它以最大间隔超平面和核技巧为核心，在 1990 年代到 2000 年代初成为文本、图像分类的主流方法之一。
反向传播算法
Rumelhart、Hinton 与 Williams 展示如何用误差反向传播训练多层网络，使隐藏层能够从样本中形成内部表示。
Cyc 常识知识库项目启动
莱纳特启动 Cyc 项目，试图把人类常识编码成机器可推理的知识库。它代表了符号主义「知识工程」路线的长期主义实验，也深刻影响了知识图谱等方向。
DENDRAL 开启专家系统路线
Joshua Lederberg、Edward Feigenbaum、Carl Djerassi 与 Bruce Buchanan 等人在斯坦福开发 DENDRAL，用化学约束和启发式规则生成、筛除质谱数据对应的候选分子结构。系统在限定化合物类别中辅助专家分析，不能覆盖全部化学空间。
LISP 语言诞生
John McCarthy 提出 LISP，一种以符号表达式和递归为核心的编程语言。它成为之后几十年 AI 研究的主流工具，也为「程序即数据」的思想打下基础。
通用问题求解器 GPS
纽厄尔、肖和西蒙开发通用问题求解器 GPS，用「手段-目的分析」把任意问题拆成子目标逐步解决。它是符号主义 AI 早期最雄心勃勃的尝试。
Rosenblatt 提出感知机
Frank Rosenblatt 提出感知机学习规则，并在 Cornell Aeronautical Laboratory 制作 Mark I 硬件，用样本训练二元图像分类。
达特茅斯暑期研究项目
1956 年夏天，研究者在达特茅斯学院讨论学习、语言、抽象和自我改进机器。项目提案首次用“Artificial Intelligence”命名这组问题。
Logic Theorist 完成定理证明
Allen Newell、Herbert Simon 与 Cliff Shaw 开发 Logic Theorist，用启发式搜索证明《数学原理》第二章 52 个命题中的 38 个；其中一个证明比书中版本更短。
Arthur Samuel 的跳棋程序
在 IBM 702 上，Arthur Samuel 编写了一个会下跳棋的程序，并让它通过与自己对弈持续改进棋力。他后来把这项工作称为「机器学习」的一个早期实例，这个术语也由此进入公共词汇。
图灵提出“模仿游戏”
图灵在《计算机器与智能》中提出“模仿游戏”：询问者只通过文字与人和机器交谈，再判断双方身份。论文同时讨论“儿童机器”与训练，未把测试等同于意识证明。
McCulloch–Pitts 人工神经元
沃伦·麦卡洛克与沃尔特·皮茨发表《神经活动中内在思想的逻辑演算》，证明简单人工神经元可执行逻辑运算。这篇论文为神经网络与 AI 提供了数学基础。
图灵发表《论可计算数》
图灵在《论可计算数及其在判定问题上的应用》中提出「图灵机」抽象模型，定义了可计算性的边界，为后来的计算机与人工智能提供了理论地基。