自回归模型（Autoregressive Model, AR）的核心逻辑始终是“用序列自身的历史信息预测当前或未来状态”，但它的发展并非一蹴而就——从20世纪初的统计理论萌芽，到如今支撑GPT、VAR等前沿模型的核心架构，历经近百年迭代，逐步从单一的数值时序分析工具，成长为贯穿时序预测、自然语言处理、计算机视觉等多领域的核心技术范式。本文将按时间线，清晰拆解自回归模型的关键发展节点、技术突破与应用拓展，适合技术学习者梳理知识脉络、把握行业演进逻辑。
一、萌芽期（20世纪20-40年代）：理论奠基，定义核心概念
自回归模型的思想起源于对“序列依赖性”的探索，最早可追溯至20世纪20年代，核心贡献集中在统计理论的初步构建，为后续发展奠定了基础。
1927年，英国统计学家Yule做出了开创性工作，首次提出了自回归模型的雏形，首创了AR(2)、AR(4)等具体模型，为后续通用AR模型的推导提供了关键基础，这也是自回归思想首次被系统性地应用于序列分析中。同年，“自回归”这一术语被经济学家Ragnar Frisch引入经济学领域，用于描述“变量与其自身滞后值进行回归”的模型，明确了自回归“用自身历史解释自身”的核心逻辑。
20世纪40年代，数学家Norbert Wiener对随机过程和预测的深入研究，为现代自回归模型的发展奠定了坚实的理论基础，他的研究进一步完善了序列预测的数学框架，让自回归从“经验性尝试”走向“理论化构建”，推动了模型的数学严谨性提升。这一时期
