AI 發展
里程碑
理論基礎 架構突破 科學應用 人機競技 獎項榮譽 生成式AI 法規政策
2026
-
科學應用 AlphaGenome：解讀全基因組
DeepMind發布AlphaGenome，可分析人類全基因組（包含98%非編碼DNA），預測基因突變對基因表達的影響，在26項基準中25項達到最優，發表於《自然》期刊，為精準醫療開啟新紀元。
📚 資料來源：Google DeepMind, "AlphaGenome", Nature, January 2026
2025
-
法規政策 各國AI主權競賽加劇
美國、中國、歐盟、阿聯酋等持續加碼AI基礎設施投資，美國推出「星際之門計畫」（Stargate），投入5000億美元建設AI數據中心，全球AI算力競賽進入新階段。
📚 資料來源：US Stargate Project announcement, January 2025; various government AI investment reports
2025
-
法規政策 NATO更新AI戰略
北約以AI快速發展為由更新2021年AI戰略，重點確保AI軍事與安全應用的安全性、透明度及責任制，反映AI治理已成為國際安全核心議題。
📚 資料來源：NATO AI Strategy Update, 2025
2025
-
科學應用 AI科學家：自主科研系統
Google的AI Co-Scientist與OpenAI Deep Research相繼問世，能夠自主提出假說、設計實驗、合成文獻，在48小時內獨立重現了科學家花費10年確認的細菌基因轉移機制。
📚 資料來源：Google DeepMind AI Co-Scientist, February 2025
2025
-
架構突破 各大科技巨頭發布代理 AI 願景
各大領先科技公司已將重心轉向打造由「代理（agents）」驅動的單一系統與多系統工作流程，使其更為智慧化。
然而，當各家供應商競相實現其代理化（agentic）的願景時，企業團隊也面臨新的挑戰：這些代理將如何在安全的前提下運作？如何彼此發現並建立連結？如何蒐集所需的情境與數據？以及在供應商的利潤動機、資料孤島、非結構化情境、企業資料、智慧財產權與資安等現實因素交織之下，這些代理又該如何有效協作，將願景轉化為實際成果？
📚 資料來源：State of the Art of Agentic AI Transformation
2024
-
科學應用 Waymo One全自動駕駛計程車商業化
Waymo在舊金山、鳳凰城等城市擴大全自動駕駛（無安全員）計程車服務Waymo One，成為史上首個大規模商業化的Level 4自動駕駛服務。
📚 資料來源：Waymo, Waymo One expansion announcements, 2024
2024
-
法規政策 歐盟《人工智能法案》正式生效
歐盟《人工智能法案》正式成為法律，依風險等級監管AI系統，禁止某些高風險應用（如社會評分），設定全球首個AI監管標準，影響全球AI合規生態。
📚 資料來源：Regulation (EU) 2024/1689, Official Journal of the European Union
2024
-
架構突破 OpenAI o1：鏈式推理模型
OpenAI發布o1系列，採用「思維鏈」強化學習，讓模型在回答前進行更長時間的內部推理，在數學、科學、代碼等複雜推理任務上顯著超越GPT-4。
📚 資料來源：OpenAI, "Learning to Reason with LLMs", OpenAI Blog, 2024
2024
-
生成式AI GPT-4o：實時多模態交互
OpenAI發布GPT-4o（"omni"），支持實時語音、視覺與文字的多模態交互，反應速度接近人類對話節奏，展示AI助手的全新互動可能性。
📚 資料來源：OpenAI, GPT-4o announcement, May 2024
2024
-
獎項榮譽 諾貝爾物理學獎：深度學習理論貢獻
傑弗里·辛頓（Geoffrey Hinton）與約翰·霍普菲爾德（John Hopfield）共同獲得2024年諾貝爾物理學獎，表彰其對人工神經網絡與機器學習的基礎性貢獻，為首次因AI研究獲物理學獎。
📚 資料來源：Nobel Prize in Physics 2024, The Royal Swedish Academy of Sciences
-
獎項榮譽 諾貝爾化學獎：AlphaFold蛋白質折疊
哈薩比斯（Demis Hassabis）與朱默（John Jumper）因開發AlphaFold2，與大衛·貝克（David Baker）因蛋白質設計共同獲得2024年諾貝爾化學獎，AI研究首次在同年同時斬獲兩個諾貝爾獎。
📚 資料來源：Nobel Prize in Chemistry 2024, The Royal Swedish Academy of Sciences
2024
-
科學應用 AlphaFold3擴展至所有生命分子
DeepMind發布AlphaFold3，預測能力從蛋白質擴展至DNA、RNA、小分子配體及其相互作用，大幅提升藥物發現的預測能力，DNA相互作用精準度從28%提升至65%。
2023
-
法規政策 歐盟人工智能法案草案通過
歐洲議會通過《人工智能法案》（AI Act）草案，這是全球首部針對AI的全面性立法，依風險等級對AI應用分類監管，對生成式AI提出透明度要求。
📚 資料來源：EU Artificial Intelligence Act, European Parliament, 2023-2024
2023
-
架構突破 AutoGPT——現代AI代理 (AI Agent) 的先驅
AutoGPT於2023年3月30日發布，由電子遊戲公司Significant Gravitas Ltd.的創辦人托蘭·布魯斯·理查茲（Toran Bruce Richards）開發。它是最早廣泛展示GPT-4自主能力的應用程式之一。普遍被視為近代AI代理時代的開端。
📚 資料來源：Agentic AI: AutoGPT, BabyAGI, and Autonomous LLM Agents — Substance or Hype?
2023
-
生成式AI Gemini發布：Google多模態挑戰者
Google DeepMind發布Gemini系列（Nano/Pro/Ultra），原生多模態設計（同時訓練文本、圖像、音頻、視頻），以多項基準超越GPT-4，Google正式全面進入大模型競賽。
📚 資料來源：Google DeepMind, "Gemini: A Family of Highly Capable Multimodal Models", 2023
2023
-
生成式AI LLaMA開源：大模型民主化
Meta開源LLaMA系列大型語言模型，社群在此基礎上快速開發Alpaca、Vicuna等衍生模型，推動開源AI生態系統蓬勃發展，打破大模型研究的算力門檻。
📚 資料來源：Touvron et al., "LLaMA: Open and Efficient Foundation Language Models", arXiv, 2023
2023
-
生成式AI GPT-4：多模態大型語言模型
OpenAI發布GPT-4，支持圖像輸入，在多項學術測試（包括律師資格考試、醫學執照）中達到人類前10%水平，標誌大型語言模型能力的重大飛躍。
📚 資料來源：OpenAI, "GPT-4 Technical Report", 2023
2023
-
理論基礎 「邏輯推理鏈提示法」（Chain-of-Thought Prompting，簡稱CoT）
由韋傑森等人（Wei et al.）於2022年首次提出。這一方法模仿人類的認知過程，在需要多步驟推理的任務中展現出顯著的性能提升。邏輯推理鏈是一種引導大型語言模型（LLM）進行結構化推理的技術，將複雜任務分解為較小的、可管理的步驟。與傳統提示法直接尋求答案不同，CoT鼓勵模型在得出結論之前，先明確表達中間推理步驟，從而顯著提升其執行複雜推理任務的能力。
📚 資料來源：Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
2022
-
人機競技 AlphaCode：AI編程競賽達競賽級水平
DeepMind的AlphaCode在程序競賽中達到約50%競賽參與者的平均水平，展示AI在競技編程領域的潛力。
📚 資料來源：Li et al., "Competition-Level Code Generation with AlphaCode", Science, 2022
2022
-
生成式AI Stable Diffusion開源：圖像生成民主化
Stability AI開源Stable Diffusion擴散模型，任何人均可在個人電腦運行文字生成圖像，引發創意AI工具爆發，Midjourney等商業產品隨之興起。
📚 資料來源：Rombach et al., "High-Resolution Image Synthesis with Latent Diffusion Models", CVPR, 2022
2022
-
生成式AI ChatGPT推出：生成式AI大眾化
OpenAI於11月30日推出ChatGPT，5天內突破100萬用戶，兩個月內達1億用戶，成為史上增長最快的消費應用，引爆全球對大型語言模型的熱潮。
📚 資料來源：OpenAI, ChatGPT launch, November 2022
2021
-
生成式AI DALL-E：文字生成圖像
OpenAI發布DALL-E，能夠根據文字描述生成高質量圖像，開啟文本到圖像生成的新紀元，引發創意產業的廣泛討論。
📚 資料來源：Ramesh et al., "Zero-Shot Text-to-Image Generation", ICML, 2021
2021
-
科學應用 AlphaFold 蛋白質資料庫開放
DeepMind與EMBL-EBI合作，公開AlphaFold蛋白質資料庫，覆蓋超過2億種已知蛋白質結構，供全球研究者免費使用，加速藥物研發與疾病研究。
📚 資料來源：DeepMind & EMBL-EBI, AlphaFold Protein Structure Database, 2021
2020
-
理論基礎 神經網絡規模定律（Scaling Laws）
OpenAI發表《神經語言模型的規模定律》，量化模型參數、數據量與計算量的關係，指出增加規模可系統性提升性能，為大模型競賽提供理論依據。
📚 資料來源：Kaplan et al., "Scaling Laws for Neural Language Models", OpenAI, 2020
2020
-
科學應用 AlphaFold2攻克蛋白質折疊難題
DeepMind的AlphaFold2在CASP14競賽中以超過90分的精準度預測蛋白質三維結構，被科學界稱為「50年難題在一下午被解決」，徹底改變生物學研究範式。
📚 資料來源：Jumper et al., "Highly accurate protein structure prediction with AlphaFold", Nature, 2021
2020
-
生成式AI GPT-3：語言模型大爆發
OpenAI發布擁有1750億參數的GPT-3，展示少樣本學習能力，無需針對特定任務微調即可完成翻譯、問答、代碼生成等任務，引發AI規模定律（Scaling Laws）的廣泛討論。
📚 資料來源：Brown et al., "Language Models are Few-Shot Learners", NeurIPS, 2020
2019
-
生成式AI GPT-2：強大文字生成
OpenAI 發布GPT-2，能生成連貫的長篇文章，質量接近人類寫作，引發社會對AI生成虛假信息的廣泛討論，OpenAI最初以安全顧慮為由拒絕完整公開模型。
📚 資料來源：Radford et al., "Language Models are Unsupervised Multitask Learners", OpenAI Blog, 2019
2018
-
獎項榮譽 Geoffrey Hinton等獲圖靈獎
被譽為「深度學習教父」的傑弗里·辛頓（Geoffrey Hinton）、楊立昆（Yann LeCun）與約書亞·本吉奧（Yoshua Bengio）共同獲得2018年度ACM圖靈獎，表彰其對深度學習的奠基性貢獻。
📚 資料來源：ACM Turing Award 2018 announcement
2018
-
架構突破 BERT語言模型：雙向預訓練
Google提出BERT（雙向編碼器表示），採用雙向Transformer預訓練，大幅提升問答、情感分析等NLP任務性能，成為預訓練語言模型的里程碑。
2017
-
架構突破 AlphaGo Zero：無師自通
AlphaGo Zero在不使用任何人類棋譜的情況下，通過純自我博弈訓練，在3天內超越AlphaGo，展示強化學習從零開始達到超人水平的潛力。
📚 資料來源：Silver et al., "Mastering the game of Go without human knowledge", Nature, 2017
2017
-
架構突破 Transformer架構問世
Google Brain團隊發表論文《Attention Is All You Need》，提出Transformer架構，以自注意力機制取代循環結構，成為GPT、BERT等幾乎所有現代大型語言模型的基礎，是近十年最重要的AI架構創新。
📚 資料來源：Vaswani et al., "Attention Is All You Need", NeurIPS, 2017
2016
-
人機競技 AlphaGo 擊敗李世乭
DeepMind的AlphaGo在正式比賽中以4:1擊敗韓國圍棋世界冠軍李世乭（Lee Sedol），震驚棋壇。圍棋被認為是人類智力的終極挑戰，此戰標誌AI決策能力達到全新高度。
📚 資料來源：Silver et al., "Mastering the game of Go with deep neural networks and tree search", Nature, 2016
2015
-
架構突破 TensorFlow 開源發布
Google開源TensorFlow深度學習框架，極大降低AI開發門檻，使全球研究者與企業能快速實驗和部署神經網絡，推動AI民主化。
📚 資料來源：Abadi et al., "TensorFlow: Large-Scale Machine Learning on Heterogeneous Systems", 2015
2014
-
架構突破 生成對抗網絡（GAN）提出
伊恩·古德費洛（Ian Goodfellow）等人提出生成對抗網絡GAN，通過生成器與判別器的對抗訓練生成逼真內容，開創生成式AI的全新範式，後推動圖像生成、深度偽造等領域發展。
📚 資料來源：Goodfellow et al., "Generative Adversarial Nets", NeurIPS, 2014
2013
-
架構突破 Word2Vec詞嵌入模型
Google的米科洛夫（Tomas Mikolov）等人提出Word2Vec，將詞語映射到連續向量空間，捕捉語義關係，成為自然語言處理的基礎表示學習工具。
📚 資料來源：Mikolov et al., "Efficient Estimation of Word Representations in Vector Space", arXiv, 2013
2012
-
架構突破 AlexNet：深度學習革命
辛頓團隊的AlexNet在ImageNet視覺識別大賽（ILSVRC）中以超越第二名10%的壓倒性優勢奪冠，錯誤率從26%降至15%，正式宣告深度卷積神經網絡的壓倒性優勢，引爆深度學習革命。
2011
-
科學應用 Siri語音助手問世
蘋果公司在iPhone 4S發布Siri，成為首個大眾化AI語音助手，開創智能語音交互市場，帶動亞馬遜Alexa、Google Assistant等相繼問世。
📚 資料來源：Apple Inc., Siri announcement, October 2011
2011
-
人機競技 IBM Watson 赢得 Jeopardy！
IBM沃森（Watson）系統在美國益智問答節目《危險邊緣》（Jeopardy！）中擊敗兩位人類冠軍，展示自然語言理解與知識檢索的強大能力，引發廣泛社會關注。
📚 資料來源：Ferrucci et al., "Building Watson: An Overview of the DeepQA Project", AI Magazine, 2010
2006
-
架構突破 深度學習突破：Hinton提出深度信念網絡
傑弗里·辛頓（Geoffrey Hinton）等人提出深度信念網絡（DBN）與逐層預訓練方法，解決深層網絡訓練難題，正式開啟「深度學習」時代，為後來的AI革命奠基。
📚 資料來源：Hinton et al., "A Fast Learning Algorithm for Deep Belief Nets", Neural Computation, 2006
2001
-
科學應用 PageRank與機器學習融合搜尋
Google將統計學習方法融入搜尋算法，展示機器學習在大規模互聯網應用中的商業價值，推動AI走向主流工業應用。
📚 資料來源：Page et al., "The PageRank Citation Ranking", Stanford Technical Report, 1999
1998
-
理論基礎 摩爾定律與算力定律
算力與AI訓練成本持續依摩爾定律下降，使神經網絡訓練在經濟上逐步可行，為日後深度學習爆發奠基。
📚 資料來源：Moore, "Cramming more components onto integrated circuits", Electronics, 1965
1997
-
架構突破 長短期記憶網絡（LSTM）提出
霍克賴特（Sepp Hochreiter）與施密德胡伯（Jürgen Schmidhuber）提出LSTM，解決了循環神經網絡（RNN）的梯度消失問題，成為序列數據處理的核心架構，廣泛應用於語音識別與機器翻譯。
📚 資料來源：Hochreiter & Schmidhuber, "Long Short-Term Memory", Neural Computation, 1997
1997
-
人機競技 深藍擊敗西洋棋世界冠軍
IBM「深藍」（Deep Blue）在正式比賽中以3.5:2.5擊敗世界棋王加里·卡斯帕羅夫（Garry Kasparov），成為AI在智力競技中首次勝過人類世界冠軍，震驚全球。
📚 資料來源：IBM Research, "Deep Blue", 1997; Campbell et al., Artificial Intelligence, 2002
1989
-
架構突破 卷積神經網絡（CNN）：LeNet
楊立昆（Yann LeCun）等人提出LeNet卷積神經網絡，成功應用於手寫數字識別，成為現代深度學習與計算機視覺的開創性工作。
1986
-
架構突破 反向傳播算法普及
魯梅爾哈特（Rumelhart）、辛頓（Hinton）與威廉姆斯（Williams）在《自然》期刊發表論文，系統闡述反向傳播算法用於多層神經網絡訓練，重燃神經網絡研究熱情。
📚 資料來源：Rumelhart, Hinton & Williams, "Learning Representations by Back-Propagating Errors", Nature, 1986
1980
-
科學應用 專家系統商業化：XCON
迪吉多公司（DEC）推出XCON（Expert Configurator），首套商業化專家系統，用於自動選擇電腦零件配置，開啟知識工程與專家系統的商業應用浪潮。
📚 資料來源：McDermott, "R1: A Rule-Based Configurer of Computer Systems", Artificial Intelligence, 1982
1970
-
架構突破 反向傳播算法提出
布萊森（Arthur Bryson）與何毓琦（Yu-Chi Ho）在控制論領域提出反向傳播算法（Backpropagation）的早期形式，後成為訓練多層神經網絡的核心算法，直至2000年代才廣泛應用。
📚 資料來源：Bryson & Ho, "Applied Optimal Control", 1969; Werbos, 1974
1969
-
科學應用 Shakey機器人：首個推理型移動機器人
斯坦福研究院（SRI）開發Shakey，這是第一台能夠自主推理、感知環境並規劃動作的移動機器人，被視為現代AI機器人研究的里程碑。
📚 資料來源：Nilsson, "Shakey the Robot", SRI Technical Report 323, 1984
1969
-
理論基礎 感知器局限性揭示
明斯基與帕珀特（Seymour Papert）出版《感知器》，數學上證明單層感知器無法解決 XOR 等非線性問題，引發第一次「AI寒冬」，大幅削減神經網絡研究資金。
📚 資料來源：Minsky & Papert, "Perceptrons: An Introduction to Computational Geometry", MIT Press, 1969
1965
-
架構突破 ELIZA聊天程式發布
麻省理工約瑟夫·魏森鮑姆（Joseph Weizenbaum）開發ELIZA，模仿心理治療師對話，是早期自然語言處理程序，揭示人類對機器對話的心理投射傾向。
📚 資料來源：Weizenbaum, "ELIZA—A Computer Program for the Study of Natural Language Communication", CACM, 1966
1958
-
理論基礎 LISP語言發明
約翰·麥卡錫發明LISP（List Processor）程式語言，成為AI研究的標準編程工具，其符號處理能力對早期AI開發至關重要，沿用數十年。
📚 資料來源：McCarthy, "Recursive Functions of Symbolic Expressions", CACM, 1960
1957
-
架構突破 感知器（Perceptron）模型
弗蘭克 · 羅森布拉特（Frank Rosenblatt）提出感知器模型，這是第一個可實際訓練的單層神經網絡，能夠從資料中學習分類，是深度學習的遠祖。
1956
-
理論基礎 達特茅斯會議：AI正式誕生
約翰·麥卡錫（John McCarthy）等人在達特茅斯學院召開首屆人工智能研討會，正式提出「人工智能」（Artificial Intelligence）一詞，宣告AI作為獨立學科誕生。
1951
-
架構突破 首個神經網絡機器SNARC
馬文 · 明斯基（Marvin Minsky）與迪恩·埃德蒙茲（Dean Edmonds）建造SNARC，世界首台模擬神經網絡的電子計算機，由3000個真空管模擬40個神經元。
📚 資料來源：Minsky, SNARC project, Princeton, 1951
1950
-
理論基礎 圖靈測試提出
圖靈 (Alan Turing) 在論文《計算機器與智能》中提出著名的「圖靈測試」，以機器是否能欺騙人類評審定義機器智能，至今仍是AI哲學的核心議題。
📚 資料來源：Turing, "Computing Machinery and Intelligence", Mind, 1950
1945
-
理論基礎 馮·諾依曼架構提出
約翰 · 馮 · 諾依曼（John von Neumann）提出存儲程序計算機架構，奠定現代通用計算機基礎，使AI計算成為可能。
📚 資料來源：Von Neumann, "First Draft of a Report on the EDVAC", 1945
1943
-
架構突破 人工神經元模型（MCP模型）
麥卡洛克（Warren McCulloch）與皮茲（Walter Pitts）提出第一個數學神經元模型，模擬生物神經元工作方式，開創神經網絡研究先河。
📚 資料來源：McCulloch & Pitts, "A Logical Calculus of Ideas Immanent in Nervous Activity", 1943
1936
-
理論基礎 圖靈機理論提出
英國數學家艾倫·圖靈（Alan Turing）發表論文《論可計算數》，提出「圖靈機」抽象計算模型，奠定現代計算機科學與AI理論基礎。
📚 資料來源：Turing, "On Computable Numbers", Proc. London Math. Soc., 1936
1921
-
理論基礎「機器人」一詞誕生
捷克劇作家卡雷爾·恰佩克（Karel Čapek）在科幻劇作《羅素姆的萬能機器人》中首次使用「Robot（機器人）」一詞，為人工智能概念奠定文化基礎。