智能语言模型的发展可以分为三个阶段：

第一阶段是规则时期，这个时期的语言模型主要是通过手动编写规则来实现自然语言处理任务，但是规则的覆盖面和泛化能力有限，无法处理复杂的自然语言任务。

第二阶段是统计时期，这个时期的语言模型主要基于统计学方法进行自然语言处理，例如n-gram模型和隐马尔科夫模型等，这些方法可以处理大规模的文本数据，并且具有较好的泛化能力。

第三阶段是深度学习时期，这个时期的语言模型主要基于深度学习技术，例如循环神经网络（RNN）、长短时记忆网络（LSTM）和变换器（Transformer）等，这些方法能够自动从大量文本数据中学习语言模式，并在各种自然语言处理任务中取得良好的性能。

目前，第三阶段的深度学习时期是智能语言模型发展的主要方向，其中最著名的的是Google的Transformer模型和OpenAI的GPT系列模型。这些模型在自然语言理解、文本生成、对话生成、翻译等领域都取得了重大的进展。