第 1 章

AI：从梦想到现实

从数学神经元的诞生到 DeepSeek 震撼全球
从华为韬定律重新定义半导体演进到中国大模型登顶全球
穿越寒冬的火焰，从被质疑到被仰望。

⏳ 1936 — 2026+ ⏱ 交互式时间线
序章 · 先声
1936
图灵机 — 可计算性的基石
艾伦·图灵（Alan Turing）
24岁的艾伦·图灵发表《论可计算数及其在判定问题中的应用》，提出"图灵机"抽象模型——一条无限长的纸带、一个读写头、一套规则。他严格定义了"什么是可计算"，证明了存在机器无法解决的问题，为一切计算装置划定了理论边界。
核心问题：图灵机是通用计算的理论模型，但"计算"不等于"智能"——机器能思考吗？
1943
神经科学的启示 — 大脑是一台计算机？
神经科学先驱们
生物神经元通过突触传递电信号，兴奋性与抑制性输入在细胞体整合，超过阈值则产生动作电位。这些生物学发现给了沃伦·麦卡洛克（Warren McCulloch）和沃尔特·皮茨（Walter Pitts）关键灵感——大脑的"计算"或许可以用数学来描述。
核心问题：如何用一个简洁的数学公式，捕捉生物神经元的"整合-发放"行为？
阶段 1 · 黎明
1943
MP 模型 — 数学神经元的诞生
沃伦·麦卡洛克（Warren McCulloch） & 沃尔特·皮茨（Walter Pitts）
用数学公式模拟生物神经元：接收多个二进制输入，加权求和与阈值比较后输出0或1。证明了神经网络可以执行基本逻辑运算。
核心问题：权重必须手动设置，无法自动学习。
1945 — 1946
冯诺依曼架构 — 现代计算机的基因蓝图
约翰·冯·诺依曼（John von Neumann） · 普雷斯珀·埃克特（J. Presper Eckert） · 约翰·莫克利（John Mauchly）
1945年，冯诺依曼起草《EDVAC报告书初稿》，首次系统提出"存储程序"概念。1946年，ENIAC在宾夕法尼亚大学公开亮相，标志着电子计算机时代的开端。
硬件的伏笔：冯诺依曼架构是串行执行的——而大脑是860亿神经元并行工作。这个底层矛盾，将在几十年后成为AI算力的核心瓶颈。
1947 — 1958
半导体革命 — 从晶体管到集成电路
威廉·肖克利（William Shockley） · 约翰·巴丁（John Bardeen） · 沃尔特·布拉顿（Walter Brattain） · 杰克·基尔比（Jack Kilby） · 罗伯特·诺伊斯（Robert Noyce）
1947年贝尔实验室发明晶体管。1958年，杰克·基尔比（Jack Kilby）和罗伯特·诺伊斯（Robert Noyce）各自独立发明集成电路，把多个晶体管蚀刻在一块硅片上。这些硬件突破，为后来GPU算力的爆发埋下了种子。
算力的种子：没有半导体，就没有后来的深度学习革命。
1949
赫布学习规则 — 无监督学习的萌芽
唐纳德·赫布（Donald Hebb）
"当神经元A反复参与激发神经元B时，A对B的激发效率就会增强"。第一个可操作的、生物学可解释的学习规则。
核心问题：仅依赖局部相关性，权重可能无限增长。
1950
图灵测试 — 机器能思考吗？
艾伦·图灵（Alan Turing）
艾伦·图灵发表划时代论文《计算机器与智能》，提出"模仿游戏"（即图灵测试），首次系统性地探讨了"机器能否思考"这一根本问题。
1956
达特茅斯会议 — AI 正式启航
约翰·麦卡锡（John McCarthy） · 马文·明斯基（Marvin Minsky） · 克劳德·香农（Claude Shannon） · 纳撒尼尔·罗切斯特（Nathaniel Rochester）
在达特茅斯学院召开历史性研讨会，正式提出"人工智能"（Artificial Intelligence）这一术语。
里程碑意义：AI 作为独立研究领域正式诞生。
↓ 点击展开全新详情页 ↓
✦ 达特茅斯会议的参与者与他们的遗产 ✦
麦卡锡
约翰·麦卡锡
1927 — 2011
会议发起人
  • 符号主义 AI
  • LISP 编程语言
  • 逻辑推理与常识推理
  • 时间共享系统
提出"AI"术语，发明LISP（1958），开创符号推理研究。1971年图灵奖得主。
MM
马文·明斯基
1927 — 2016
会议发起人
  • 框架理论（Frame Theory）
  • 感知机理论分析
  • MIT AI Lab 联合创始人
  • 计算认知科学
1969年证明感知机的XOR局限（引发第一次寒冬）。MIT AI Lab 联合创始人，1969年图灵奖得主。
CS
克劳德·香农
1916 — 2001
特邀参与者
  • 信息论
  • 开关电路理论
  • 通信的数学理论
  • 计算理论
1948年创立信息论，证明所有信息都可用0和1编码。被称为"20世纪最重要的硕士论文"的作者。
NR
纳撒尼尔·罗切斯特
1919 — 2001
会议发起人
  • IBM 早期 AI 研究
  • 启发式搜索
  • 计算机体系结构
  • 自动定理证明
IBM首席设计师，领导开发IBM 701。1955年编写了第一个AI程序——为IBM 701编写的跳棋程序。
阶段 2 · 早期探索与第一次寒冬
1958
LISP — 符号主义的核心语言
约翰·麦卡锡（John McCarthy）
麦卡锡发明了 LISP（List Processing），这是第一种专为符号计算设计的编程语言。LISP 让研究者能够自然地表达符号操作、递归推理和知识表示。
里程碑意义：为符号主义提供了最核心的工程工具，催生了 Maclisp、Scheme、Common Lisp 等方言。
1958
感知机 — 第一个可训练的神经网络
弗兰克·罗森布拉特（Frank Rosenblatt）
第一个能根据数据自动调整权重的神经网络模型。1958年的Mark I感知机登上《纽约时报》头条。
关键突破：首次实现了从数据中自动学习分类规则。
核心问题：只能解决线性可分问题。
1962
逻辑理论家 & 通用问题求解器
艾伦·纽厄尔（Allen Newell） & 赫伯特·西蒙（Herbert Simon）
"逻辑理论家"自动证明了《数学原理》中 38 条定理。GPS 引入了"手段-目的分析"这一核心推理策略。
里程碑意义：首次证明机器可以模拟人类的逻辑推理过程。1975年图灵奖得主。
1966
ELIZA — 第一次人机对话
约瑟夫·魏岑鲍姆（Joseph Weizenbaum）
在MIT开发的ELIZA程序，通过模式匹配模拟心理治疗师对话，让第一次人机对话成为现实。
1969
XOR危机 — 第一次AI寒冬的导火索
马文·明斯基（Marvin Minsky） & 西摩·帕普特（Seymour Papert）
用严格数学证明揭示了感知机的根本局限：无法解决异或（XOR）等线性不可分问题。这一证明直接导致神经网络研究经费枯竭。
核心问题：单层感知机的数学局限被严格证明，连接主义跌入谷底。
1973
莱特希尔报告 — AI的"死刑宣告"
詹姆斯·莱特希尔爵士（Sir James Lighthill） · 英国科学研究会
应英国科学研究会委托，数学家詹姆斯·莱特希尔发表了关于AI研究的评估报告。报告尖锐指出：AI研究从未兑现其"宏大承诺"——机器人、语言理解、智能系统全部远不如预期。报告建议：停止对AI基础研究的资助，只支持有明确应用价值的有限课题。
腥风血雨：英国几乎完全停止了对AI的资助，DARPA也开始大规模削减AI项目经费，AI跌入历史上第一个真正的寒冬。
深远影响："期望越高，失望越大"——莱特希尔报告成为"AI泡沫破裂"的经典样本，后来的每次繁荣都让人不自觉地想起这次教训。
1974
框架理论 — 知识表示的里程碑
马文·明斯基（Marvin Minsky）
明斯基提出"框架"（Frame）概念——用结构化的数据结构来表示人类对典型情境的预期知识。比如"教室"框架会自动包含黑板、桌椅等槽位。
里程碑意义：直接影响了后来的语义网络、本体论和知识图谱的发展。
1976
专家系统崛起 — 符号主义的黄金时代
爱德华·费根鲍姆（Edward Feigenbaum） & 斯坦福团队
DENDRAL（化学分析）和 MYCIN（医疗诊断）证明了"知识就是力量"。费根鲍姆提出"知识工程"概念。
里程碑意义：专家系统成为 1980 年代 AI 商业化的主流形态，全球投入数十亿美元。
阶段 3 · 连接主义 vs 统计学习
1986
反向传播算法 — 深度学习的基石
戴维·鲁梅尔哈特（David Rumelhart）、杰弗里·辛顿（Geoffrey Hinton） & 罗纳德·威廉姆斯（Ronald Williams）
从输出层开始，利用链式法则将误差逐层反向传播，计算每个权重对总误差的贡献（梯度），然后用梯度下降更新权重。
关键突破：使训练多层神经网络变得高效可行。
核心问题：深层网络中梯度会逐层衰减（梯度消失）。
1987
符号主义的瓶颈 — 知识获取难题
整个 AI 研究社区
专家系统的局限暴露无遗：知识获取是瓶颈、常识难以形式化、系统脆弱。LISP 机器市场崩溃，DARPA 撤回资助，AI 跌入第二次寒冬。
核心问题：人类知识的复杂性无法被有限的规则穷举。
1989
LeNet-5 — 卷积神经网络的诞生
杨立昆（Yann LeCun）
第一个成功应用的卷积神经网络（CNN），引入了卷积层、池化层和全连接层的经典架构组合。
核心问题：计算资源和数据规模不足。
1995
SVM 崛起 — 统计学习超越神经网络
弗拉基米尔·瓦普尼克（Vladimir Vapnik）
支持向量机（SVM）在手写数字识别上超越了LeNet。以VC维理论为数学基础，SVM在小数据集上表现出色。
关键突破：为机器学习提供了严格的泛化理论框架。
核心问题：特征仍需手工设计。
1997
LSTM — 长短期记忆网络
塞普·霍赫赖特（Sepp Hochreiter） & 于尔根·施密德胡贝尔（Jürgen Schmidhuber）
为解决RNN的梯度消失问题而设计。核心创新是"细胞状态"和三道门控机制（遗忘门、输入门、输出门）。
关键突破：门控机制使网络能自主选择"记住什么、忘记什么"。
核心问题：计算串行，无法并行。
2000s
集成学习 — 集体智慧的力量
利奥·布雷曼（Leo Breiman）、罗伯特·沙皮尔（Robert Schapire）、杰罗姆·弗里德曼（Jerome Friedman）等
随机森林、AdaBoost、Gradient Boosting等集成方法蓬勃发展。XGBoost成为数据科学竞赛的标配武器。
关键突破：偏差-方差权衡的理论框架。
2006
深度信念网络 — 打破深度壁垒
杰弗里·辛顿（Geoffrey Hinton）
提出用RBM进行逐层无监督预训练+DBN微调的方法，首次成功训练了真正意义上的深层网络（5层以上）。
关键突破：逐层无监督预训练提供了良好的初始化。
2012
AlexNet — 深度学习革命的引爆点
亚历克斯·克里泽夫斯基（Alex Krizhevsky）、伊利亚·苏茨克维（Ilya Sutskever） & 杰弗里·辛顿（Geoffrey Hinton）
在ImageNet竞赛中以压倒性优势获胜——top-5错误率15.3%，第二名26.2%！四大创新：GPU加速、ReLU、Dropout、数据增强。
里程碑意义：证明了大数据+GPU+深度网络的组合威力，深度学习从此一统江湖。
阶段 4 · 深度学习革命
2014
GAN — 生成对抗网络
伊恩·古德费洛（Ian Goodfellow）
两个网络相互对抗：生成器试图生成以假乱真的数据，判别器试图区分真实数据和生成数据。
关键突破：无需显式定义数据分布，通过对抗训练自动学习。
核心问题：训练不稳定，模式崩溃（mode collapse）。
2015
ResNet — 残差网络，打破深度壁垒
何恺明（Kaiming He）等（微软研究院）
发现"退化问题"：56层网络的训练误差反而比20层高！引入"残差连接"（skip connection）。
关键突破：残差连接使训练152层网络成为可能，ImageNet错误率降至3.57%，首次超越人类水平。
2017
Transformer — "Attention Is All You Need"
阿希什·瓦斯瓦尼（Ashish Vaswani）等（Google Brain）
彻底抛弃了RNN的循环结构和CNN的卷积操作，完全基于自注意力机制（Self-Attention）。
关键突破：自注意力实现了O(1)的任意位置间信息传递路径，天然支持并行计算。
核心问题：自注意力计算复杂度为O(n²)。
2020+
大语言模型时代 — Scaling Laws 与涌现能力
OpenAI, Google DeepMind, Anthropic 等
模型性能与参数量、数据量、计算量之间存在精确的幂律关系。GPT-3（1750亿参数）展示了"涌现能力"。ChatGPT（2022）引爆了全球AI热潮。
关键突破：Transformer架构+海量数据+巨大算力=通用智能的曙光。
待解之问：幻觉问题、推理可靠性、对齐安全、能耗成本。
阶段 5 · AI 大爆发
2024
Sora — 文本生成视频与世界模型
OpenAI
OpenAI发布Sora，实现高质量文本生成视频。Sora不仅是一个视频生成工具，更被视作AI对物理世界建模的"世界模型"雏形。
关键突破：视频生成不仅是创意工具，更是AI理解和模拟物理世界的关键一步。
2024
GPT-4o — 端到端多模态的飞跃
OpenAI · Anthropic
OpenAI发布GPT-4o，实现真正的端到端多模态——一个统一模型同时处理文本、语音、图像。Anthropic同期发布Claude 3.5 Sonnet。
关键突破：从"拼接多模块"到"原生多模态"，人机交互自然度实现质的飞跃。
2024
诺贝尔奖花落 AI — 里程碑式的认可
杰弗里·辛顿（Geoffrey Hinton） · 德米斯·哈萨比斯（Demis Hassabis）
2024年诺贝尔物理学奖授予辛顿和霍普菲尔德；诺贝尔化学奖授予哈萨比斯和珀普，表彰AlphaFold的突破。AI首获诺贝尔奖认可。
历史意义：诺贝尔奖首次表彰AI领域的贡献，标志着AI研究正式进入人类科学殿堂的核心。
深层反思：辛顿从推动AI崛起到警示AI风险——获奖后他呼吁人类认真对待AI的生存威胁。
2025
DeepSeek R1 — 开源推理模型的震撼一击
梁文锋 · DeepSeek
中国深度求索发布DeepSeek-R1开源推理模型，以极低成本实现了媲美OpenAI o1的推理性能。美股英伟达单日暴跌17%，被称为"AI界的斯普特尼克时刻"。
关键突破：开源+低成本打破了"算力霸权"的神话。
核心问题：开源模型的安全风险、技术封锁与开放的博弈。
2025
AI 编程革命 — Cursor 与 Vibe Coding
迈克尔·特鲁尔 · Anysphere
AI编程工具Cursor估值飙升至26亿美元。开发者用自然语言描述需求，AI直接生成代码。"Vibe Coding"成为新趋势——用意图驱动AI构建软件。
关键突破：AI不再只是"辅助"编程，而是成为编程的核心驱动力。
2026.5
DeepSeek-V4-Flash 登顶全球调用榜
梁文锋 · DeepSeek
OpenRouter平台全球AI大模型周调用量达28.9万亿Token。中国AI大模型周调用量连续4周超过美国，DeepSeek-V4-Flash登顶全球调用榜。
关键突破：中国AI大模型在全球调用量上持续超越美国。
2026.5.25
华为发表"韬（τ）定律" — 半导体演进新范式
何庭波 · 华为半导体业务部总裁
在IEEE ISCAS 2026会上，何庭波正式发布"韬（τ）定律"——以"时间缩微"替代"几何缩微"，通过"逻辑折叠"（LogicFolding）等技术路径，不依赖极致物理制程大幅提升性能。预计2031年等效1.4纳米水平。
里程碑意义：中国半导体从"跟随者"向"引领者"跨越的标志性事件。
2026
具身智能与全球 AI 治理元年
全球科技界与政策制定者
大模型驱动的人形机器人开始进入工厂和家庭，具身智能从实验室走向现实。欧盟《人工智能法案》正式生效。
关键突破：AI从数字世界走向物理世界，全球AI治理框架初步建立。
✦ AI 大爆发时代的引领者 ✦
梁
梁文锋
DeepSeek 创始人
  • DeepSeek-R1 开源推理模型
  • 低成本高效训练范式
  • AI 开源全球化推动者
2025年发布DeepSeek-R1，引发英伟达单日暴跌17%，被称为"AI界的斯普特尼克时刻"。
DA
达里奥·阿莫代伊
Anthropic CEO
  • Claude 系列大模型
  • 宪法 AI（Constitutional AI）
  • AI 安全对齐研究
因AI安全理念离开OpenAI后创立Anthropic，提出"宪法AI"概念。2024年Claude 3.5系列成为OpenAI最强挑战者。
MT
迈克尔·特鲁尔
Anysphere CEO
  • Cursor AI 编程工具
  • Vibe Coding 新范式
  • 2025年ARR突破5亿美元
联合创立Anysphere并推出Cursor，2025年ARR突破5亿美元。"Vibe Coding"正在彻底改变软件构建的方式。
杨
杨植麟
月之暗面创始人
  • Kimi 系列大模型
  • 超长上下文200万字
  • Google Brain 前研究员
主导开发Kimi系列大模型，以超长上下文窗口著称，成为国产大模型的重要力量。

繁荣与寒冬

人工智能的历史，是一部在希望与失望之间反复摆荡的史诗。
每一次繁荣都让人相信"这次不一样"，每一次寒冬都让人怀疑"AI 是否只是泡沫"。
但正是这种周期性的起伏，塑造了今天的 AI 世界。

✦ AI 热度波形图 ✦
繁荣期 — 资金涌入、突破频出、公众狂热
寒冬期 — 经费削减、质疑声起、研究停滞
✦ 寒冬中的坚守者 ✦

在最黑暗的时刻，有一群科学家拒绝放弃。他们在经费匮乏、同行质疑的环境中坚持研究，最终改变了世界。

GH
杰弗里·辛顿（Geoffrey Hinton）
1947 — 至今
深度学习之父
在第一次寒冬中，当所有人都在嘲笑神经网络时，辛顿（Hinton）选择了留下。1986年，他与鲁梅尔哈特（Rumelhart）、威廉姆斯（Williams）一起发表了反向传播算法。后来说："我知道我是对的，只是需要时间来证明。"
🏆 贡献：反向传播算法、玻尔兹曼机、深度信念网络、2018年图灵奖得主
YL
杨立昆（Yann LeCun）
1960 — 至今
CNN 之父
在第二次寒冬期间，杨立昆（LeCun）在AT&T贝尔实验室默默研究卷积神经网络。1989年，他发表了LeNet-5。当时没人相信这能成功，但他坚持了下来。
🏆 贡献：卷积神经网络（CNN）、LeNet、图像识别革命、2018年图灵奖得主
YB
约书亚·本吉奥（Yoshua Bengio）
1964 — 至今
深度学习先驱
在蒙特利尔大学，本吉奥（Bengio）是少数坚持神经网络研究的人之一。他的研究为后来的自然语言处理和生成模型奠定了基础。
🏆 贡献：词嵌入、序列概率模型、GAN理论、2018年图灵奖得主

"在AI的寒冬中，他们不是看到了希望才坚持，而是坚持了才看到希望。"

GLOBAL AI PLAYERS · 2026

巨头、天才与分岔路

今天的 AI 江湖不是几款聊天机器人的简单对决，而是一张由人才流动、资本、芯片、云计算与数据共同织成的关系网。 GPT、Codex、Gemini、Claude、Grok 是产品或模型家族，不是公司名；它们背后站着 OpenAI、Google DeepMind、Anthropic 与马斯克的公司版图。

资料更新至 2026 年 7 月 23 日
GPT / ChatGPT / CodexOpenAI
GeminiGoogle DeepMind
ClaudeAnthropic
GrokxAI · SpaceX
GPU / AI 工厂NVIDIA
G

Google DeepMind

德米斯·哈萨比斯（Demis Hassabis） · 把研究院装进搜索帝国

Gemini

哈萨比斯早年是国际象棋神童、游戏设计师和神经科学研究者。2010 年联合创办 DeepMind，2014 年被 Google 收购； 2023 年，DeepMind 与 Google Brain 合并为 Google DeepMind，他由创业者变成 Alphabet AI 核心掌舵人。

近况

2026 年 2 月，Google 发布 Gemini 3.1 Pro，并将其推向 Gemini API、Vertex AI、Gemini 应用与 NotebookLM。Google 的优势，是把模型直接嵌入搜索、安卓、办公套件和云平台。

渊源：DeepMind（英国创业公司） → 被 Google 收购 → 与 Google Brain 合流 → Gemini 成为统一模型品牌。
OA

OpenAI

萨姆·奥尔特曼（Sam Altman） · 从研究实验室到产品帝国

GPT · Codex

OpenAI 于 2015 年由萨姆·奥尔特曼（Sam Altman）、埃隆·马斯克（Elon Musk）、格雷格·布罗克曼（Greg Brockman）等人共同发起。ChatGPT 把 GPT 推向大众，Codex 则沿着“代码补全”继续进化为能读仓库、运行命令、分派任务的编程智能体。

近况

2026 年 2 月 2 日，OpenAI 推出 macOS 版 Codex App；3 月 4 日扩展至 Windows。它不再只是“帮你写一行代码”，而更像同时调度多个智能体的开发指挥台。

渊源：与埃隆·马斯克（Elon Musk）从共同创办到公开分歧；与 Microsoft 从算力合作走向资本、云与产品深度绑定，同时又通过 Stargate 扩展 Oracle、SoftBank、NVIDIA 等伙伴。
MS

Microsoft

萨提亚·纳德拉（Satya Nadella） · 最会结盟的“超级平台”

Azure · Copilot

微软没有把所有赌注押在一款自研模型上，而是用 Azure 云、GitHub、Windows、Office 和企业客户网络放大 OpenAI 的能力。它既是投资人、云伙伴，也是把模型送进工作流的渠道商。

关系

双方自 2019 年开始合作。2026 年 2 月的联合声明再次确认：合作仍是核心，但 OpenAI 可以在既有协议框架下增加其他算力伙伴——这是一段深度绑定、又彼此保留空间的关系。

看点：OpenAI 需要微软的资本、云和企业入口；微软也在发展自己的 Copilot 品牌与模型生态。盟友，同时也是彼此最重要的筹码。
A

Anthropic

达里奥·阿莫代伊（Dario Amodei） & 丹妮拉·阿莫代伊（Daniela Amodei） · 从 OpenAI 分出的安全派

Claude

兄妹二人与一批前 OpenAI 研究人员在 2021 年创办 Anthropic，把“可靠、可解释、可控”放在公司叙事中心，并以 Constitutional AI（宪法式 AI）形成鲜明路线。

近况

Anthropic 一边把 AWS 作为主要云与训练伙伴，一边继续使用 Google TPU 和 NVIDIA GPU。2026 年又扩大与 Google、Broadcom 的算力合作——竞争对手的投资者和基础设施，也可以同时成为它的供给者。

渊源：人才源自 OpenAI；Amazon 与 Google 都投资或提供算力；Claude 又在企业与编程市场直接挑战 GPT、Codex 和 Gemini。
X

SpaceX · xAI · X

埃隆·马斯克（Elon Musk） · 离开 OpenAI 后另起炉灶

Grok

埃隆·马斯克（Elon Musk）参与共同创办 OpenAI，却在 2018 年辞去联席主席。之后，他于 2023 年创办 xAI 推出 Grok，并把社交平台、实时数据、超级计算集群、卫星通信与火箭能力逐步拼进同一版图。

分合

2025 年 3 月，xAI 收购 X；2026 年 2 月 2 日，SpaceX 又收购 xAI（其中已包括 X）。这条链条把“内容与用户 → 模型与算力 → 星链与发射能力”纵向串联起来。

戏剧性：从 OpenAI 的联合创办人，到公开批评者，再到最直接的竞争者。硅谷的理念之争，最终也变成了产品、资本和控制权之争。
NV

NVIDIA

黄仁勋（Jensen Huang） · 不押模型，卖给所有人“铲子”

GPU · CUDA

黄仁勋 1993 年共同创办 NVIDIA。游戏显卡时代积累的并行计算与 CUDA 生态，在深度学习浪潮中成为训练大模型的基础设施，让 NVIDIA 同时站在几乎所有 AI 巨头背后。

近况

在 GTC 2026，NVIDIA 把 AI 描述为由能源、芯片、基础设施、模型和应用组成的“五层蛋糕”，继续从 GPU 公司向“AI 工厂”全栈平台扩张。

渊源：OpenAI、Google、Anthropic、xAI 都需要巨量计算。模型公司彼此厮杀，NVIDIA 往往同时向各阵营供货，也面对 Google TPU、AWS Trainium 等自研芯片的挑战。
一张图看懂

他们为什么一边竞争，一边合作？

人才OpenAI → Anthropic
埃隆·马斯克（Elon Musk） → xAI
模型GPT / Gemini
Claude / Grok
算力Azure / AWS / Google Cloud
NVIDIA / TPU / Trainium
入口搜索 / Office / X
ChatGPT / Android / Starlink

真正的竞争单位不是“一家公司”，而是一整套生态：谁能同时掌握人才、模型、芯片、云、数据和用户入口，谁就更接近下一代计算平台。

✦ 分分合合时间线 ✦

DeepMind 在伦敦成立

Google 收购 DeepMind

萨姆·奥尔特曼（Sam Altman）、埃隆·马斯克（Elon Musk）等共同发起 OpenAI

埃隆·马斯克（Elon Musk）离开 OpenAI 董事会

Microsoft 与 OpenAI 开始深度合作

前 OpenAI 团队创办 Anthropic

Google Brain 与 DeepMind 合并；xAI 成立

xAI 收购 X；Stargate 启动

SpaceX 收购 xAI；Codex App、Gemini 3.1 Pro 登场

延伸阅读 / 资料来源 Google DeepMind 合并公告 Gemini 3.1 Pro Codex App OpenAI × Microsoft Anthropic 创办团队 Anthropic × AWS xAI 加入 SpaceX NVIDIA GTC 2026

AI 的历史仍在继续。当我们理解了历史的脉络之后，
下一章让我们回到基础——理解机器学习是如何让机器从数据中学习的。