序章：无声的惊雷
2017 · Transformer 的诞生
Attention Is All You Need
Google Brain 团队发表论文，提出了 Transformer 架构。这是现代 LLM 的基石，引入了“注意力机制”，让机器可以并行处理文字并理解长距离语义关联。
第一幕：巨兽的蛰伏
2018-2020 · GPT 模型的演进
GPT-1
验证了“预训练 + 微调”范式的有效性，开启了生成式预训练模型的时代。
GPT-2
展示了大规模文本训练下，模型展现出零样本（Zero-shot）任务处理的潜力。因“担心被滥用”而推迟发布完整模型。
GPT-3
1750亿参数的庞然大物。展现了惊人的“少样本学习”（Few-shot Learning）能力，无需调整参数即可学会新任务。量变引起质变的转折点。
第二幕：创世的火焰
2022 · 图像生成的寒武纪大爆发
DALL-E 2
OpenAI 发布，展示了惊人的图像生成能力（如“宇航员骑马”），验证了大规模文生图的可行性。
Midjourney
依托 Discord 社区构建，以独特的艺术风格征服设计师群体，定义了 AI 艺术的审美标准。
Stable Diffusion
Stability AI 开源模型权重，催生了庞大的插件与微调生态（ControlNet, LoRA），标志着“AI 民主化”的开始。
第三幕：对话纪元开启
2022.11 · ChatGPT 的“iPhone 时刻”
ChatGPT
AI 的“iPhone 时刻”。发布 5 天用户破百万，标志着 AI 从实验室技术转变为消费级产品，引发全球军备竞赛。
第四幕：诸神黄昏与平民英雄
2024-2025 · 开源与 DeepSeek 的崛起
DeepSeek
打破算力神话，证明了非美国巨头也能训练出顶级模型。
DeepSeek R1
通过蒸馏和强化学习，用极低成本训练出推理能力媲美 o1 的模型。
第五幕：智能体的觉醒
2024-2025 · 从 Chatbot 到 Agent
Devin
Cognition AI 发布的软件工程智能体，能自主修复 Bug、跑通测试，代表了“垂类智能体”的巅峰。
Manus
被称为“智能体领域的 DeepSeek 时刻”。展示了主动规划、工具使用和环境感知的真正 Agent 能力。
第六幕：重构现实
2023-2026 · 视频与视觉智能大爆发
Runway Gen-2
实现了真正的”文生视频”，开启了商业化视频生成的先河。
Sora
OpenAI 发布的世界模型。60秒长视频，展现了对物理世界的惊人理解力，被视为”物理世界的通用模拟器”。
Kling（可灵）
快手推出的视频模型，支持 2 分钟生成，人物动作自然，代表中国视频生成的最高水平。同年 12 月发布 Video O1——行业首个将生成、编辑与理解融合在统一架构中的多模态视频模型。
Veo 3
Google I/O 2025 发布。首次实现视频与同步音频（对话、音效、环境声）联合生成，支持电影级运镜控制，上线两月生成超 7000 万条视频。
Nano Banana
Google 低调上线 Gemini 2.5 Flash Image，以内部代号"纳米香蕉"一夜爆红。人物一致性编辑 + "3D 手办风"席卷社交网络，把 Gemini App 送上美区 App Store 榜首，数周内带来两千多万新用户、编辑图片数以亿计。AI 图像从"生成"时代进入"编辑"时代。
Hailuo 2.5（海螺）
MiniMax 推出的视频模型，以极高的动态一致性和电影质感著称。尤其在图生视频领域，能精准让静态图片中的人物动起来且不丢失面部特征。
Seedance 2.0
字节跳动发布，业内首创"四模态"输入（文本+9图+3视频+3音频），音画在同一架构中联合生成、原生口型同步。登顶 Artificial Analysis 视频竞技场（Elo 1269）超越 Veo 与 Sora 2；马斯克评论 "It’s happening fast."；迪士尼次日发出律师函、美国电影协会公开谴责；A 股概念股单日市值暴增近 270 亿元。AI 视频第一次真正撞进了好莱坞的大门。
Nano Banana 2
Google 发布。不是单纯画质升级，而是把世界知识、搜索 grounding、角色/物体一致性、精准编辑和生产级规格塞进高速图像模型。图像生成开始从"画图模型"向"视觉智能"演进。
ChatGPT Images 2.0
图像生成第一次拥有 thinking + reasoning + 联网搜索 + 工具调用。OpenAI 官方明确说：thinking mode 可以调用实时 Web 信息，再用 reasoning stack 把一个简单 prompt 转化成经过研究和规划的最终图片。图像模型开始思考。
两棵树，重新长成一棵
一个漂亮的历史闭环：2022 年 Midjourney 的逻辑是"文字 → 图片"；2026 年 ChatGPT Images 2.0 已经是"意图 → 推理 → 搜索 → 规划 → 图片"，Nano Banana 2 走在同一方向——世界知识、搜索 grounding、编辑、一致性、文字理解越来越融合。LLM 与 Diffusion 原本是分开生长的两棵树，如今正在重新长成一棵树：生成模型开始获得「理解与推理」。
Sora 应用关停
OpenAI 关停 Sora 消费者应用（Web + iOS），API 定于 9 月停服。发布仅半年的 AI 视频社交产品第一次大退潮，OpenAI 战略收缩回模型层。狂奔的赛道上也有刹车声。
Seedance 2.5
原生 30 秒单镜头连续视频（beta 长视频模式可扩展至 3 分钟）、最多 50 个全模态参考输入、局部编辑、原生 4K。AI 视频从"生成片段"迈向"创作叙事"。
第七幕：声音的战争
2024-2026 · AI 音乐从玩具到产业
Suno V3
生成广播级音质的 2 分钟完整歌曲，支持任意风格与人声，AI 音乐创作从玩具变为工具。
Udio
前 Google DeepMind 研究员创立。以极高的音频保真度与复杂音乐结构（多声部合唱、复杂过门）震惊业界，支持 Inpainting 局部重绘与前后延伸，赋予创作者精细控制权。两个月后，唱片业三巨头的侵权诉讼一并砸向 Suno 与 Udio。
Suno V5
音质与人声真实感进一步提升，推出 Persona 功能，允许用户保持歌手音色的一致性，AI 音乐创作走向「虚拟歌手」时代。
AI 歌手登上 Billboard
Suno 生成人声的福音歌手 Xania Monet 首登 Billboard 榜单，随即以约 300 万美元签约唱片公司；匿名 AI 乡村歌手 Breaking Rust 的《Walk My Walk》登顶 Billboard 乡村数字销量榜。AI 艺人从技术演示变成打榜、签约、引发真人歌手抵制的市场实体——"听众分不清，也不在乎"成为现实。
版权大和解
10 月 29 日环球音乐与 Udio 达成史上首个大唱片公司与 AI 音乐公司的和解 + 授权合作；一个月内华纳接连与 Udio、Suno 和解，艺人按"训练+输出"双重获酬（opt-in 制）。"先起诉、后授权入股"成为行业模板，AI 音乐从被告变成合作伙伴——但索尼仍在死磕，61026 首歌、潜在赔偿超 90 亿美元的诉讼悬而未决。
Lyria 3
Google 把音乐生成装进 Gemini App 与 YouTube 十亿级入口，强制 SynthID 隐形水印 + 年龄限制，立下"负责任 AI 音乐"标杆；3 月 Lyria 3 Pro 支持 3 分钟结构可控完整歌曲，7 月 Lyria 3.5 登陆 Flow Music。大厂的分发碾压开始了。
Suno v5.5 与 54 亿估值
v5.5 推出 Voices（唱进自己的声音）、Custom Models（用自己的作品微调专属模型）——叙事从"生成一首歌"转向"生成更像我的歌"。6 月完成 4 亿美元 D 轮，估值 54 亿美元（7 个月翻倍），ARR 达 3 亿美元、付费订户 200 万。一边身背 90 亿诉讼一边估值翻倍，资本已对"和解终局"定价。
Seed Audio 1.0
字节跳动发布端到端通用音频模型：一次生成同时输出多角色对话、配乐、音效与环境声，单次最长 2 分钟影视级成品，免后期。与 Seedance 视频模型配套，从"生成歌曲"切入"生成整条影视音轨"。
第八幕：百模大战
2025-2026 · 大模型的群雄逐鹿
Grok 3
xAI 发布，基于 20 万块 GPU 的 Colossus 集群训练。AIME 2025 数学成绩 93.3%，百万 token 上下文，Elon Musk 高调宣称”地表最强”。
Claude 4 Opus
Anthropic 发布 Claude 4 系列。Opus 4 在 SWE-bench 上以 72.5% 的成绩登顶编码能力榜首，奠定了”最强代码模型”的地位。
GPT-5
OpenAI 发布统一推理模型。AIME 数学 94.6%，SWE-bench 74.9%，融合快速响应与深度思考，结束了 o 系列与 GPT 系列分裂的局面。
Gemini 3
Google DeepMind 发布 Gemini 3 Pro 与 Deep Think，标志着 Google 在推理能力上追平第一梯队。同年 Gemini 正式取代 Google Assistant 成为 Android 默认助手。
Claude Fable 5 / Mythos 5
Anthropic 发布新一代 Mythos 级旗舰，在网络安全、生物与化学、模型蒸馏三个领域设置特殊限制；完整版 Mythos 5 仅向审核通过的机构开放，公众只能使用加了安全措施的 Fable 5。但美国政府仍认为风险过高——发布仅 3 天，Anthropic 被迫将模型全球下线；19 天后调整安全措施重新发布。"宣称最强，却不让你用"——前沿模型的分级与管制时代开始了。
Kimi K3
月之暗面发布 2.8 万亿参数的史上最大开放权重模型，发布当天登顶 LMArena 前端编程榜（Elo 1679），力压 Claude Fable 5 与 GPT-5.6——中国模型首次登顶该榜。马斯克评论 "Impressive"，次日美国半导体股应声下挫。"中美 AI 差距"的叙事被改写。
第九幕：Vibe Coding
2024-2026 · 人人皆可编程的时代
Cursor
基于 VS Code 的 AI-native IDE 异军突起，Tab 补全 + 内联编辑的体验重新定义了编程工作流，成为开发者的新宠。
Claude Code
Anthropic 推出命令行级编码智能体。能阅读整个代码库、自主规划修改、运行测试。8 个月内超越 GitHub Copilot 成为最受欢迎的 AI 编码工具。
OpenAI Codex
OpenAI 发布云端软件工程智能体：并行处理多个任务、自主修 Bug、跑测试、提 PR。随后经 CLI 与 IDE 全面铺开，2026 年周活突破 500 万、约 20% 用户是非程序员——Codex 成为 Agent 走出编程圈的先锋。
Google Antigravity
Google 推出 Agent-first IDE，内置浏览器与多 Agent 协调的 Mission Control，支持 Gemini/Claude/GPT 多模型切换，免费层最为慷慨。
从 Vibe Coding 到 Vibe Working
Cursor、Claude Code、Codex 并不是故事的终点。程序员只是第一批被 Agent 改造的知识工作者——Coding 恰好有代码、测试、编译器、Git，天然适合 Agent 学习"干活"。一旦范式成熟，它自然向外扩散：研究 → Excel → PPT → 设计 → 营销 → 运营 → 财务 → 浏览器操作。2026，AI 开始真正工作。
第十幕：全民 Agent
2025-2026 · Agent 走进每个人的电脑
OpenClaw 诞生
由 Peter Steinberger 创建的开源自主 AI Agent 框架，内置 100+ 技能，通过 Telegram/Discord 等即时通讯平台操控。以”龙虾”为吉祥物。
OpenClaw 爆发
正式更名为 OpenClaw 后彻底引爆。四个月内 GitHub Star 突破 25 万超越 React，用户达 30-40 万。中国各地掀起”养龙虾”热潮，地方政府设立专项补贴，NVIDIA CEO 黄仁勋称其为”Agent 时代的 GPT”。
WorkBuddy
腾讯发布 AI 原生办公智能体：用自然语言下达目标，Agent 自主拆解、执行、交付，还能通过微信/飞书遥控办公电脑。6 月月访问量破 2097 万登顶品类第一（超二三名之和），7 月日活破 1300 万，马化腾在财报中点名，媒体称其"正在重估腾讯"。5 月 29 日出海全球版。
Gemini 3.5 + Gemini Omni
Google 官宣进入 "agentic era"：一个方向是 intelligence + action，另一个方向是 any input → creation。AI 的"理解、创造、行动"开始融合成同一件事。
离开回答框
Codex 周活突破 500 万，约 20% 用户是分析师、营销、运营、设计等非程序员；Gemini 3.5 Flash 把 computer use 直接内置进主模型。Agent 从"帮程序员写代码"变成"替所有人操作电脑"——AI 真正离开了回答框。
第十一幕：狂潮与秩序
2026 · 资本、治理与新边界
SpaceX 收购 xAI
全股票收购，合并估值 1.25 万亿美元，超越 2000 年 Vodafone 案成为史上最大并购；6 月合并公司登陆纳斯达克。AI 与航天资本第一次合流。
OpenAI 史上最大融资
完成 1220 亿美元单轮融资（Amazon 500 亿、NVIDIA 与软银各 300 亿参投），估值 8520 亿美元——人类商业史上最大的一轮融资，IPO 预期升温。
AI 推翻 Erdős 猜想
OpenAI 推理模型推翻了 1946 年 Erdős 平面单位距离问题的相关核心猜想——一桩悬置八十年的数学悬案。AI 从"辅助计算"跨入"自主数学发现"。
Anthropic 估值反超
完成 650 亿美元 Series H，估值 9650 亿美元——三个月内近三倍，反超 OpenAI 成为全球估值最高的 AI 初创公司，营收 run-rate 达 470 亿美元。AI 头名易主。
GPT-5.6：被政府限制的发布
6 月 26 日，OpenAI 因美国政府限制只能向"可信伙伴"预览 GPT-5.6，7 月 9 日才获准公开发布。"政府干预前沿模型发布"成为 AI 治理的分水岭。旗舰 Sol 的能力被官方定义为 coding、科学、网络安全、computer use 与长程工作——而不再只是聊天。
EU AI Act 开始执法
欧盟 AI Office 正式获得调查与处罚权（最高全球营收 3% 或 1500 万欧元），透明度义务生效。全球第一个对前沿模型拥有真实执法牙齿的监管框架落地——狂奔了九年的行业，第一次戴上缰绳。
第十二幕：生成世界
2022-2026 · 从物体到资产，再到世界
DreamFusion
Google Research 提出用 2D 扩散模型蒸馏 3D（SDS + NeRF），无需任何 3D 训练数据即可文生 3D。3D 生成的"创世论文"——此后三年，几乎所有工作都沿这条路线展开。
3D 生成工具化
Luma AI 的 Genie 在 Discord 上 20 秒生成 3D 模型，普通人第一次摸到 3D 生成；Tripo、Meshy 同期起步，此后三年在工具层积累起千万级创作者。能生成，但还不能用——产物尚进不了生产管线。
混元 3D 开源
腾讯开源 Hunyuan3D 2.0，把高质量图生 3D 的门槛打到地板，迅速成为社区标准底座；9 月 3.0 精度提升 3 倍并免费开放。开源生态（ComfyUI 工作流、独立开发者）由此繁荣，3D 生成进入 production-ready 之年。
Genie 3
Google DeepMind 发布首个实时交互的通用世界模型：文本生成可导航的动态世界，24fps / 720p，环境可用文本即时改写。DeepMind 称之为"通往 AGI 的垫脚石"；2026 年 1 月以 Project Genie 向消费者公测。世界模型军备竞赛正式开始。
Seed3D
字节跳动发布 Seed3D 1.0：单图生成"仿真就绪"的 3D 资产，直接导入 NVIDIA Isaac Sim；2026 年 4 月 2.0 支持部件级资产与可动结构。3D 生成的第二增长曲线浮出水面——不是给人看的内容，而是给机器人训练用的世界。
Marble
李飞飞的 World Labs 发布首个商业化世界模型：文本/照片/视频变成可编辑、可导入 Unity/UE 的持久 3D 环境。2026 年 2 月完成 10 亿美元融资（估值 50 亿）。"空间智能是 LLM 之后的下一个前沿"有了旗手和弹药。
世界模型对轰
腾讯开源 HY-World 2.0——首个输出真实 3D 几何（mesh/高斯/点云）的开源世界模型，登顶 Stanford WorldScore 开源榜；阿里同日发布对标产品，一周后字节 Seed3D 2.0 跟进。中国大厂在"生成世界"赛道正面对轰。
Meshy 4 亿美元 B 轮
3D 生成史上最大融资，估值 15 亿美元：1200 万注册用户、累计生成超 1 亿个模型、ARR 一年增长 12 倍。加上 Roblox 用 AI 生成正面挑战 Unity/Unreal——"3D 是下一个趋势"从判断变成了共识。
终章：奇点之前
2026 · 我们站在哪里
此刻
从 2017 年 Transformer 论文到今天，不到十年。旗舰模型的能力已被官方定义为 coding、科学、网络安全、computer use 和长程工作，而不再只是聊天；Agent 在替人操作电脑，AI 开始独立做出数学发现。而 Grok 5 与 DeepSeek R2 仍在跳票——竞赛远未结束。每个人手中都握着一个曾经只属于科幻的工具。这不是终点——序章刚刚结束，正文正在展开。
十年之后，你会庆幸自己见证了开始。
The best time to shape the future is now.