AI 發展歷史：從 1956 達特茅斯到 2026 AI Agent，70 年演進
AI 已經不是科幻小說裡的概念，它是企業每季財報都要提到的關鍵字，是你手機裡每天在用的功能，是投資人追著跑的產業主題。
但如果你問大多數人 AI 是怎麼走到今天的，多數人只記得 ChatGPT，頂多再加一個 AlphaGo，這中間 70 年的起伏、寒冬、突破和轉折，幾乎沒有人完整理解過。
這篇文章不是維基百科式的年表堆疊，我想從商業決策者的角度重新梳理 AI 發展歷史，讓你看懂每一次突破背後的產業意義，也讓你搞清楚一件最重要的事：我們現在站在歷史的哪個位置，而下一步可能往哪裡走。
AI 的誕生：1956 達特茅斯會議和最初的夢想
所有 AI 歷史的書都從同一個地方開始講起，1956 年夏天，美國新罕布夏州的達特茅斯學院，一場持續兩個月的學術研討會，參加的人只有十幾個，但這場會議定義了一整個學科的誕生，也點燃了人類對機器智慧長達 70 年的追求。
達特茅斯會議為什麼是 AI 歷史的起點
1956 年之前，已經有人在研究讓機器模擬人類思考，Alan Turing 在 1950 年提出了著名的圖靈測試，問了一個核心問題：機器能不能思考？但真正把這個研究領域命名、定義、並且號召一群頂尖學者坐下來認真討論的人，是 John McCarthy，他在達特茅斯會議的提案書裡第一次正式使用了 Artificial Intelligence 這個詞，AI 的名字從此確立。
參加這場會議的人包括 Marvin Minsky、Claude Shannon、Allen Newell、Herbert Simon，這些名字後來每一個都成了各自領域的巨擘。
他們當時的核心信念很單純也很大膽：如果人類智慧可以被精確描述，那就可以被機器模擬，這個信念聽起來像狂想，但它驅動了接下來幾十年的研究方向，也吸引了大量政府和軍方的資金投入。
從企業決策者的角度看，達特茅斯會議最重要的啟示不是技術本身，而是一個模式：每一次 AI 浪潮的起點，都是一小群人相信某件看起來不可能的事，然後說服資金和人才跟進，這個模式從 1956 年到 2026 年從未改變。
早期 AI 的樂觀和第一次 AI 寒冬
達特茅斯會議之後的十年是 AI 的黃金年代，研究者們充滿信心，Herbert Simon 在 1957 年預言「十年之內電腦會成為西洋棋冠軍」，Marvin Minsky 在 1967 年說「一個世代之內就能創造出真正的人工智慧」，這些預言的大膽程度放到今天都讓人側目。
這段時期確實有不少成果，1966 年 MIT 的 Joseph Weizenbaum 開發了 ELIZA，這是歷史上第一個聊天機器人，它用簡單的模式匹配技術模擬心理治療師的對話，很多測試者真的以為自己在跟人類對話。
ELIZA 證明了一件事：即使技術很初級，只要介面設計得夠好，人類就會自動賦予機器智慧的感覺，這個現象 60 年後在 ChatGPT 身上再次上演。
但樂觀背後藏著致命的問題，早期 AI 研究者低估了真實世界問題的複雜度，讓電腦證明數學定理可以，讓它理解一句日常對話的含義就完全不行了，計算能力的限制更是硬傷。
當時最先進的電腦的運算能力連今天一支手機的零頭都不到，研究者承諾的成果遲遲無法交付，資助方的耐心開始消耗殆盡。
AI 歷史的黑暗期：兩次 AI 寒冬教會我們什麼
AI 的發展從來不是一條直線上升的曲線，它更像是心電圖，高峰之後必然是低谷。
而 AI 歷史上有兩段最痛的低谷被稱為 AI 寒冬，這兩段時期幾乎摧毀了整個研究領域，也逼走了大量人才和資金，但寒冬裡埋下的教訓，至今仍然是理解 AI 產業週期最重要的參考框架。
第一次 AI 寒冬：1970 年代的資金斷裂
1973 年，英國數學家 James Lighthill 受政府委託撰寫了一份評估報告，這份後來被稱為 Lighthill Report 的文件直接宣判了 AI 研究的死刑，報告的結論很殘酷：AI 研究在大多數領域都沒有達到承諾的成果，繼續投資不符合效益，英國政府隨即大幅削減 AI 研究經費，這個決定像骨牌一樣影響了全球的 AI 資助生態。
美國的情況也好不到哪裡去，DARPA 在越戰後面臨預算壓力，開始要求所有資助的研究都要有明確的軍事應用價值，AI 這種還要十年二十年才可能有成果的基礎研究首當其衝被砍，研究者申請不到經費，優秀人才紛紛轉向其他領域，AI 這個詞在學術界幾乎變成了票房毒藥，很多研究者甚至開始避免在論文裡使用 AI 這個詞。
第一次 AI 寒冬持續了將近十年，從 1973 年一直到 1980 年代初期，它留下的最大教訓是：當期望和現實之間的落差太大，資金撤退的速度比你想像的快，這個教訓放到今天的 AI 產業依然適用。2024 年開始出現的 AI 投資回報率質疑聲浪，跟 1973 年 Lighthill Report 的邏輯驚人地相似。
第二次 AI 寒冬：1990 年代專家系統的失敗
第一次寒冬結束後，AI 靠著一個新的技術方向重新站起來：專家系統，這種系統的邏輯很直觀，把特定領域的專家知識用 if-then 規則編碼進電腦，讓機器在特定場景下做出跟專家一樣的判斷。
1980 年代初期，專家系統迅速在企業市場走紅，最有名的案例是 DEC 公司的 XCON 系統，每年幫公司省下超過 4000 萬美元的配置成本，到 1985 年全球專家系統市場規模已經突破 10 億美元。
日本政府甚至在 1982 年啟動了第五代計算機計畫，投入超過 4 億美元要打造以 AI 為核心的下一代電腦，全球 AI 產業信心爆棚，錢從四面八方湧進來。
然後 1987 年，泡沫破了，專家系統的致命缺陷開始集中爆發：維護成本越來越高，規則庫越來越龐大卻越來越脆弱，稍微超出預設範圍的問題就處理不了。
企業花了大筆預算導入的專家系統變成了燒錢的黑洞，日本的第五代計算機計畫也在 1992 年宣告失敗，預定的目標幾乎全部沒達成，AI 再次陷入寒冬，這次更慘，因為不只是學術界失去信心，企業市場也不買單了。
兩次 AI 寒冬合在一起看，模式清楚得嚇人：新技術出現，期望被炒到天上，資金瘋狂湧入，然後現實追不上期望，資金比來的時候跑得更快，整個領域要花好幾年才能恢復元氣。
如果你是企業決策者，這個模式是 AI 歷史送給你最有價值的禮物。
深度學習革命：AI 歷史的轉折點
第二次 AI 寒冬之後，AI 研究並沒有完全停止，它只是退回到學術圈的角落裡默默發展，真正讓 AI 從漫長的黑暗期中走出來的轉折點，發生在 2012 年，而在那之前，有幾個重要的暖場事件值得理解。
1997 年，IBM 的深藍在六局比賽中擊敗了國際象棋世界冠軍卡斯帕洛夫，這是 AI 第一次在人類最引以為傲的智力遊戲中取得勝利，全球媒體瘋狂報導。
但深藍本質上是暴力計算，每秒鐘評估 2 億個棋步，靠的是硬體和窮舉搜索，跟我們今天理解的 AI 智慧相去甚遠，它更像一台超級計算機而不是一個會思考的系統。
2011 年，IBM Watson 在美國知名益智節目 Jeopardy! 擊敗了兩位人類冠軍選手，Watson 比深藍進步的地方在於它需要理解自然語言，處理雙關語和隱喻，這在當時是非常了不起的成就。
但 Watson 後來的商業化之路走得跌跌撞撞，IBM 投入數十億美元想把 Watson 打造成企業 AI 平台，結果表現遠不如預期，這是另一個技術展示很成功但商業落地很困難的經典案例。
2012 年 ImageNet 和深度學習如何改變一切
2012 年的 ImageNet 大規模視覺辨識挑戰賽是 AI 歷史上真正的分水嶺，這一年，多倫多大學的 Alex Krizhevsky 在導師 Geoffrey Hinton 的指導下，用一個叫 AlexNet 的深度卷積神經網路參賽，直接把圖像辨識的錯誤率從 26% 壓到 15%，這不是小幅進步，而是跨越式的碾壓。
一夜之間，整個機器學習領域都意識到：深度學習 (Deep Learning) 才是正確的方向。
AlexNet 的成功不是偶然的，它背後有三個關鍵因素同時到位：
第一是大數據，ImageNet 提供了超過 1400 萬張標註好的圖片作為訓練素材；
第二是 GPU 計算，Krizhevsky 用了兩張 NVIDIA GTX 580 顯示卡來加速訓練，這讓深度神經網路的訓練時間從不可能變成可行；
第三是算法本身，Hinton 堅持了三十年的神經網路研究終於等到了硬體和數據追上來的那一天。
從商業角度看，2012 年是 AI 從學術圈走向產業界的起點，Google 在同一年收購了 Hinton 的公司 DNNresearch，Facebook 在 2013 年成立了 AI 研究實驗室 FAIR，百度、微軟、亞馬遜紛紛組建 AI 團隊，矽谷的 AI 人才爭奪戰從此開始，一個 AI 博士的年薪可以喊到百萬美元，整個產業開始加速。
AlphaGo 擊敗李世乭：AI 進入大眾視野
如果說 2012 年的 ImageNet 是 AI 在專業圈的覺醒，2016 年的 AlphaGo 就是 AI 在大眾層面的破圈時刻，Google DeepMind 開發的 AlphaGo 在五局比賽中以 4:1 擊敗了圍棋世界冠軍李世乭，全球超過 2 億人觀看了這場比賽的直播。
圍棋跟國際象棋不一樣，它的可能局面數量是 10 的 170 次方，比宇宙中的原子數量還多，暴力窮舉完全不可能，AlphaGo 的勝利靠的是深度強化學習，它透過跟自己下了數百萬盤棋來學習策略，而且下出了很多人類棋手從未見過的棋路，這不再是機器靠蠻力贏人類，而是機器展現了某種創造力。
李世乭在第四局下出了著名的「神之一手」扳回一局，但整體結果已經無法改變。
賽後他說了一句話讓很多人印象深刻：他開始懷疑自己對圍棋的理解，李世乭後來在 2019 年退役，理由之一是「AI 無法被擊敗」，這個決定象徵了一個時代的結束。
對產業界來說，AlphaGo 的意義不在圍棋本身，而在於它讓全世界的企業高管和政府決策者第一次認真對待 AI。
中國在 2017 年發布了《新一代人工智能發展規劃》，明確提出要在 2030 年成為 AI 世界領先國家，全球 AI 軍備競賽正式開打。
生成式 AI 爆發：2022 ChatGPT 到 2026 AI Agent
深度學習革命之後，AI 的發展進入了指數加速的階段，而真正讓 AI 從專業人士的工具變成每個人都在用的東西的轉折點，是生成式 AI 的爆發，這段歷史離我們最近，也跟每一個企業的當下決策最直接相關。
在 ChatGPT 之前，有一個關鍵的技術突破必須提到，2017 年 Google 的研究團隊發表了一篇論文「Attention Is All You Need」，提出了 Transformer 架構，這篇論文當時在學術圈之外幾乎沒有引起注意，但它後來成了整個生成式 AI 浪潮的地基，GPT 的 T 就是 Transformer，BERT、LLaMA、Claude 這些你今天聽到的模型全部建立在這個架構之上。
2018 年，Google 發布了 BERT，OpenAI 發布了 GPT-1，大型語言模型的賽道正式成形。
2020 年 GPT-3 的發布讓研究者第一次意識到：只要把模型做得夠大、餵的數據夠多，語言模型就能展現出驚人的能力，包括寫程式、翻譯、回答問題，甚至做數學推理。
這個發現後來被稱為規模定律，它改變了整個 AI 產業的競爭邏輯，從拼算法變成拼算力和數據。
ChatGPT 如何在 2022 年引爆全球 AI 浪潮
2022 年 11 月 30 日，OpenAI 發布了 ChatGPT，這不是技術上的重大突破，GPT-3.5 的能力在 AI 研究者看來是可預期的進步。
但 ChatGPT 做對了一件前面所有 AI 產品都沒做到的事：它讓普通人可以直接跟 AI 對話，不需要寫程式，不需要看文件，打開瀏覽器就能用。
結果是爆炸性的，ChatGPT 在上線 5 天內就突破 100 萬用戶，2 個月內突破 1 億用戶，這是人類歷史上成長最快的消費應用，打破了 TikTok 用 9 個月達到 1 億用戶的紀錄，全世界突然意識到 AI 不再是實驗室裡的東西，它是可以被數十億人使用的產品。
對企業的衝擊是立即而深遠的，微軟在 2023 年初向 OpenAI 追加投資 100 億美元，Google 內部拉響了紅色警報，緊急調動資源開發 Bard（後來改名 Gemini），Meta 選擇了開源路線推出 LLaMA，Anthropic 的 Claude 也在同期快速成長，一場新的科技巨頭競賽在幾個月內成形，燒錢速度和規模都是前所未見的。
2023 年的發展節奏讓人目不暇接，3 月 GPT-4 發布，多模態能力大幅提升；Midjourney v5 讓 AI 生成圖像的品質跨過了商用門檻；AI 圖像在攝影比賽中獲獎引發倫理爭議；各國政府開始討論 AI 監管法規，歐盟的 AI Act 走在最前面，每一個月都有新的里程碑。
2026 年 AI 演進：從聊天機器人到 AI 代理人
2024 年是 AI 產業從驚豔走向務實的轉折年，OpenAI 推出了影片生成模型 Sora，驚豔了全世界，但後來的商業化過程並不順利；Anthropic 推出了 Claude 3，在長文本理解和程式碼能力上展現了強勁的競爭力；Google 整合推出 Gemini 品牌，企圖在多模態領域彎道超車。
但 2024 年最重要的變化不是某個模型的發布，而是整個產業開始從做更強的模型轉向讓 AI 做更多事。
AI Agent 的概念開始從學術論文走向產品設計，AI 不再只是你問一句它答一句的聊天機器人，而是可以自己規劃步驟、使用工具、完成複雜任務的代理人。
2025 年被很多人稱為 AI Agent 元年，OpenAI 的 Operator、Anthropic 的 computer use、Manus 等 AI 代理人產品密集推出，它們能幫你訂機票、填表單、做市場調研、寫程式並自己測試，不再需要人類一步一步指導。
Meta 在 2025 年砸下約 20 億美元收購了 AI Agent 新創公司 Manus，這筆交易的規模清楚地告訴市場：大廠認為 AI Agent 是下一個主戰場。
到了 2026 年，AI Agent 開始真正進入商業化落地階段，CES 2026 的主題幾乎被生成式 AI 包辦，各大品牌展示了 AI Agent 在客服、銷售、內容創作、供應鏈管理等場景的應用，NVIDIA 創辦人黃仁勳在 GTC 2026 上預言 AI 產業將在未來幾年達到 1 兆美元的規模，這個數字不管你信不信，它代表了全球科技產業對 AI 的押注力度。
AI 發展歷史年表：70 年關鍵里程碑一覽
下面這張表把 AI 發展歷史中最重要的里程碑整理在一起，從 1950 年圖靈的提問到 2026 年 AI Agent 商業化，每一個事件我都標注了它對產業的影響層級，方便你快速抓到哪些是真正改變遊戲規則的節點。
| 年份 | 事件 | 核心意義 | 產業影響 |
|---|---|---|---|
| 1950 | Alan Turing 提出圖靈測試 | 定義「機器能不能思考」的判斷標準 | 奠定 AI 哲學基礎 |
| 1956 | 達特茅斯會議，John McCarthy 提出 AI 一詞 | AI 作為獨立學科正式誕生 | 開啟全球 AI 研究浪潮 |
| 1966 | MIT 開發 ELIZA 聊天機器人 | 第一個自然語言對話程式 | 人機對話研究的起點 |
| 1973 | 英國 Lighthill Report 發表 | 政府全面質疑 AI 研究成效 | 觸發第一次 AI 寒冬 |
| 1980 | 專家系統開始商業化 | AI 第一次大規模進入企業市場 | AI 產業規模突破 10 億美元 |
| 1982 | 日本啟動第五代計算機計畫 | 國家級 AI 戰略投資 | 引發全球 AI 軍備競賽 |
| 1987 | 專家系統泡沫崩盤 | 企業市場對 AI 失去信心 | 觸發第二次 AI 寒冬 |
| 1997 | IBM 深藍擊敗卡斯帕洛夫 | AI 首次在國際象棋擊敗世界冠軍 | AI 重新回到大眾視野 |
| 2011 | IBM Watson 贏得 Jeopardy! | AI 展現自然語言理解能力 | 企業 AI 平台概念萌芽 |
| 2012 | AlexNet 在 ImageNet 突破 | 深度學習革命正式開始 | AI 從學術圈走向產業界 |
| 2016 | AlphaGo 擊敗李世乭 | AI 在最複雜棋類遊戲擊敗人類 | 全球政府開始制定 AI 國家戰略 |
| 2017 | Google 發表 Transformer 論文 | 「Attention Is All You Need」定義新架構 | 所有現代大型語言模型的地基 |
| 2018 | BERT 和 GPT-1 發布 | 大型語言模型賽道成形 | NLP 領域全面轉向 Transformer |
| 2020 | GPT-3 發布 | 規模定律被驗證，大模型時代開啟 | AI 競爭從拼算法變成拼算力 |
| 2022 | ChatGPT 發布，2 個月破 1 億用戶 | AI 第一次成為大眾消費產品 | 引爆全球生成式 AI 投資熱潮 |
| 2023 | GPT-4、Midjourney v5 發布 | 多模態能力大幅提升 | AI 圖像和內容生成進入商用 |
| 2024 | Sora、Claude 3、Gemini 推出 | AI 影片生成和多模態競賽白熱化 | 產業焦點轉向 AI 商業化落地 |
| 2025 | AI Agent 元年，Meta 收購 Manus | AI 從對話走向自主行動 | AI Agent 成為科技巨頭新主戰場 |
| 2026 | CES 生成式 AI 主導，GTC 黃仁勳預言 1 兆美元 | AI Agent 開始商業化落地 | AI 深入企業核心業務流程 |
從 AI 歷史看未來：企業決策者該學到的 3 件事
回顧完 70 年的 AI 發展歷史，對於正在考慮 AI 投資和導入策略的企業決策者來說，有三個從歷史中提煉出來的洞察比任何技術細節都重要。
AI 寒冬的教訓：不要在炒作高點 all in
兩次 AI 寒冬的模式幾乎一模一樣：新技術出現帶來巨大的期望，資金和注意力瘋狂湧入，然後現實無法匹配期望，泡沫破裂，整個領域陷入多年的低迷，1980 年代的專家系統如此，2024 年開始出現的 AI 投資回報率質疑也帶著同樣的味道。
這不代表 AI 是假的，恰恰相反，每次寒冬結束後 AI 都會以更強的姿態回來，重點是時機和節奏。
聰明的企業不是在所有人都在衝的時候 all in，而是在炒作高峰保持理性、在寒冬中持續投入基礎建設，等到真正的應用機會出現時才有能力快速抓住它。
如果你現在正在考慮大規模的 AI 投資，不妨問自己一個問題：你是在投資一個能在 12 個月內產生具體業務價值的項目，還是在追趕一個你怕錯過的趨勢？前者值得做，後者要小心。
AI 歷史告訴我們：真正的機會在應用層
70 年的 AI 歷史有一個反覆出現的規律：做底層技術的人拿到了名聲，做應用層的人拿到了錢，Geoffrey Hinton 花了三十年推動深度學習。
但真正從深度學習賺到最多錢的是拿它來做推薦系統的 Netflix、做廣告投放的 Meta、做語音助手的 Amazon，技術突破很偉大，但把技術轉化成用戶價值的應用才是商業上的贏家。
今天的 AI 產業也是一樣，OpenAI、Anthropic、Google 在基礎模型層燒了數百億美元，但真正開始賺錢的是那些拿模型 API 來解決具體問題的應用層公司。
用 AI 做客服自動化的、用 AI 做合約審閱的、用 AI 做內容生成的，基礎模型的競爭你打不過科技巨頭，但在你自己的行業裡用 AI 解決一個具體痛點，這是任何規模的企業都能做的事。
AI Agent 的出現讓這個機會更明確了，你不需要自己訓練模型，你需要的是理解你的業務流程哪些環節可以讓 AI Agent 來處理，然後找到對的工具和對的方式把它接進去，這才是 2026 年企業最該做的事。
結論：理解 AI 發展歷史，才能看清 AI 時代的下一步
從 1956 年達特茅斯會議上十幾個學者的大膽構想，到 2026 年 AI Agent 走進企業的每一個部門，AI 走了 70 年，經歷了兩次幾乎致命的寒冬，穿越了深度學習的革命，最終在生成式 AI 的浪潮中成為這個時代最重要的技術力量。
這段歷史不是線性的進步故事，它是充滿起伏、充滿泡沫和幻滅、也充滿堅持和突破的真實歷程。
對企業決策者來說，理解 AI 發展歷史最大的價值不在於知道過去發生了什麼，而在於建立判斷框架，當你知道 AI 寒冬是怎麼來的，你就不會在炒作高點做出衝動的決策。
當你知道真正的商業價值一直在應用層，你就不會被基礎模型的軍備競賽分散注意力。
當你知道每一次 AI 的突破都是數據、算力和算法三者同時到位的結果，你就能更準確地判斷下一個突破會在哪裡發生。
我們正站在 AI 歷史上最關鍵的時刻之一，AI Agent 正在把 AI 從「回答問題的工具」變成「執行任務的夥伴」，這個轉變的意義不亞於 2012 年的深度學習革命或 2022 年的 ChatGPT 時刻，能不能在這個轉折點做出正確的判斷，取決於你對 AI 歷史的理解深度，而不是你對最新模型規格的熟悉程度。
70 年的 AI 發展歷史已經把所有的教訓都擺在那裡了，剩下的是你願不願意從中學到東西。
推薦閱讀
AI Agent 是什麼？Meta 砸 20 億買 Manus，AI 代理人之戰全解析
CES 2026 生成式 AI 趨勢：拉斯維加斯展覽後 AI 代理人進入哪個新階段？
參考資料
Wikipedia: Dartmouth Workshop (1956)
Wikipedia: Lighthill Report (1973)
NeurIPS: ImageNet Classification with Deep Convolutional Neural Networks (AlexNet)
arXiv: Attention Is All You Need (Transformer, 2017)
OpenAI: Introducing ChatGPT (2022)
Wikipedia: AlphaGo versus Lee Sedol (2016)
常見問題 FAQ
AI 是什麼時候被發明的？
AI 作為一個正式的學術領域誕生於 1956 年的達特茅斯會議，由 John McCarthy 提出 Artificial Intelligence 這個名稱，但在此之前 Alan Turing 在 1950 年就已經提出了「機器能不能思考」的核心問題和圖靈測試的概念，所以 AI 的思想起源可以追溯到 1950 年，但正式作為學科則是 1956 年。
什麼是 AI 寒冬？一共發生過幾次？
AI 寒冬是指 AI 研究和投資大幅萎縮的時期，歷史上發生過兩次，第一次在 1970 年代，由英國 Lighthill Report 觸發，各國政府大幅削減 AI 研究經費；第二次在 1987 年之後，專家系統的商業化失敗導致企業和政府同時撤回投資，每次寒冬持續約 5-10 年。
深度學習和傳統 AI 有什麼差別？
傳統 AI 主要依賴人工編寫的規則和邏輯（例如專家系統的 if-then 規則），而深度學習是讓機器從大量數據中自動學習規律，不需要人類明確告訴它規則是什麼，2012 年 AlexNet 在 ImageNet 上的突破性表現證明了深度學習的優越性，從此成為 AI 發展的主流方向。
ChatGPT 為什麼能在 AI 歷史上造成這麼大的影響？
ChatGPT 的技術本身是 GPT-3.5 的漸進式改良，但它的突破在產品設計：讓任何人都能透過自然語言跟 AI 直接對話，不需要技術背景，這讓 AI 第一次成為大眾消費產品，上線 2 個月就突破 1 億用戶，引爆了全球生成式 AI 投資熱潮和科技巨頭之間的 AI 軍備競賽。
AI Agent 跟 ChatGPT 有什麼不一樣？
ChatGPT 是一問一答的對話模式，你問它它回答，每次互動都是獨立的，而 AI Agent 可以自主規劃多個步驟、使用外部工具、存取網路資訊，主動完成複雜任務，例如幫你做市場調研、填寫表單、或完成一整個工作流程，AI Agent 是 AI 從「回答問題」走向「執行任務」的重大進化。
企業現在應該怎麼看待 AI 的發展？會不會再出現 AI 寒冬？
從 AI 歷史的規律來看，不能排除某種程度的降溫或調整期，但目前 AI 的商業落地程度和技術成熟度遠超過前兩次寒冬前的狀態，企業最好的策略是不在炒作高點盲目 all in，而是選擇具體的業務場景逐步導入 AI，專注在 12 個月內能產生實際價值的應用項目，同時持續關注 AI Agent 等新趨勢的發展。
