人工智能发展史的低潮因何而来？

99ANYc3cd6 人工智能 2026-03-20 2

“AI寒冬”这个词最早由美国人工智能研究者在20世纪80年代提出，用以比喻研究资金锐减、项目停滞、发展前景黯淡的时期，其根源在于，AI领域的早期发展过于乐观，承诺了短期内无法实现的目标，当这些承诺落空时，随之而来的便是巨大的失望和投资撤出。

（图片来源网络，侵删）

以下是几次主要的AI寒冬及其背景和影响：

第一次AI寒冬（约1974年 - 1980年）

这次寒冬的出现,主要源于早期AI研究的过度乐观和现实的巨大反差。

背景与原因：

过高的期望： 在20世纪50年代末至60年代，AI领域的先驱们（如马文·明斯基、约翰·麦卡锡等）提出了非常宏大的目标，他们相信，只要能构建出足够强大的逻辑推理器，并输入足够多的知识，智能问题就能迎刃而解，他们甚至预测，在一代人之内（即20世纪80年代中期）就可能创造出与人类相当的通用人工智能。
计算能力的瓶颈： 当时的计算机性能极其有限，内存小、速度慢，这使得处理现实世界中复杂、模糊的问题变得异常困难，一个简单的物体识别任务，在今天看来微不足道，但在当时需要海量的计算资源和复杂的编程，远超硬件能力。
组合爆炸问题： 许多AI问题（如下棋、路径规划）本质上是在一个巨大的可能性空间中寻找最优解，随着问题规模的增大，可能的组合数量会呈指数级增长，迅速超出任何计算机的计算能力，国际象棋的可能棋局数量远超宇宙中的原子数量。
机器翻译的失败： 早期机器翻译项目被美国政府寄予厚望，希望能在冷战中快速翻译苏联的科学文献，但翻译结果充满了荒谬的错误，导致1966年的ALPAC报告得出结论：机器翻译在短期内没有实用价值，并大幅削减了相关资金，这一事件重创了AI领域的信誉。
明斯基与派普特的批评： 1969年，AI领域的两位巨擘马文·明斯基和西摩尔·派普特出版了《感知器》一书，他们在书中从数学上证明了单层感知机（当时神经网络的主流模型）无法解决“异或”（XOR）这类非线性问题，虽然他们并未否定多层网络，但此书被广泛解读为对整个神经网络研究方向的“死刑判决”，导致相关研究资金断流，停滞了近十年。

表现与影响：

（图片来源网络，侵删）

资金锐减： 英国和美国政府大幅削减了对AI研究的资助，著名的英国“莱特希尔报告”（Lighthill Report, 1973）公开批评AI研究进展缓慢，无法兑现承诺，导致英国几乎所有AI实验室被关闭。
研究重心转移： 研究者开始从宏伟的“通用智能”转向更具体、更可控的领域，如专家系统。
公众信心受挫： AI从“未来科技”变成了“不切实际的幻想”，公众和媒体的热情迅速冷却。

第二次AI寒冬（约1987年 - 1993年）

这次寒冬的爆发与专家系统的泡沫破裂密切相关。

背景与原因：

专家系统的兴起与泡沫： 20世纪80年代初，专家系统成为AI的新宠，它通过将人类专家的知识编码成“那么”（If-Then）的规则，让计算机在特定领域（如医疗诊断、化学分析）模拟专家决策，早期的成功案例（如MYCIN医疗诊断系统）引发了巨大的商业热潮，风险投资大量涌入，各大公司纷纷建立自己的专家系统部门。
专家系统的固有缺陷：
- 知识获取瓶颈： 建立专家系统最困难、最昂贵的步骤是“知识获取”，即从人类专家那里提取、整理和编码知识，这个过程耗时耗力，且专家的知识往往是模糊、不完整甚至矛盾的。
- 脆弱性与维护困难： 专家系统只在非常狭窄的“知识库”范围内表现良好，一旦遇到规则之外的情况就会出错（被称为“脆弱性”），当领域知识更新时，整个庞大的规则库都需要重新维护，成本极高。
- 缺乏学习能力： 这些系统是静态的，无法从经验中自动学习和进化，每一次进步都需要人工干预。
技术平台的更迭： 专门用于运行专家系统的Lisp机在80年代中后期市场崩溃，随着个人计算机性能的提升和普及，运行在通用计算机上的C++等语言逐渐成为主流，Lisp机失去了其商业价值，这直接依赖Lisp机的专家系统产业也受到了沉重打击。
市场期望破灭： 当企业投入巨资后发现，专家系统维护成本高昂、应用范围狭窄，无法产生预期的商业回报时，大规模的撤资开始了。

表现与影响：

商业投资撤离： 许多公司解散了AI部门，相关初创公司纷纷倒闭。
学术界的反思： AI研究者开始反思，是否应该回归到更基础、更科学的研究路径，而不是盲目追求应用。
“AI”一词的污名化： “人工智能”再次成为一个敏感词，很多公司为了避免被贴上“不切实际”的标签，会刻意避免使用这个词，转而使用“知识工程”、“智能系统”等更中性的术语。

寒冬之后的反思与启示

AI寒冬并非完全的坏事,它起到了“挤泡沫”和“纠偏”的作用，为后来的复兴奠定了更坚实的基础。

（图片来源网络，侵删）

降低期望，脚踏实地： 寒冬让研究者认识到，智能是一个极其复杂的现象，无法一蹴而就，后来的研究开始更注重解决具体问题，而不是追求宏大的通用智能。
计算能力的飞跃： 90年代末至今，摩尔定律的持续生效以及云计算、GPU等技术的发展，为AI提供了前所未有的计算能力，使得处理海量数据和复杂模型成为可能。
算法的突破：
- 机器学习的崛起： 研究重点从基于规则的“符号主义”转向了基于数据的“连接主义”，机器学习，特别是支持向量机等算法，在许多特定任务上取得了稳定进展。
- 深度学习的革命： 21世纪10年代，深度学习（一种多层神经网络）在大数据、大算力的支撑下，在图像识别、语音识别、自然语言处理等领域取得了革命性突破，将AI推向了新的高潮，这证明了数据、算法和算力“三驾马车”缺一不可。
商业模式的成熟： 从早期的“卖AI软件”，到后来的“提供AI云服务”（如AWS, Azure, Google Cloud的AI平台），AI找到了更可持续的商业模式，降低了企业使用AI的门槛。