1974-1980 年的第一个人工智能寒冬：幻灭的曙光

想象一下 20 世纪 70 年代：那是迪斯科、喇叭裤盛行的时代，信不信由你，人们对人工智能的热情无比高涨。穿着实验室工作服的研究人员相信他们即将迎来革命性的突破。他们认为人工智能很快就会复制甚至超越人类智能。人们承诺，机器可以理解自然语言、解决复杂方程式，甚至表现出常识。这种乐观情绪显而易见，几乎具有感染力，似乎一切都不会出错。

但后来确实出了问题，非常糟糕。引发第一次人工智能寒冬的第一件重要事件是英国发布的《莱特希尔报告》。这份由英国政府委托撰写的报告旨在评估人工智能研究的现状，但它无异于给人们泼了一盆冷水。报告的结论是，人工智能未能实现其崇高的目标，而且在可预见的未来也不太可能实现。其影响是立竿见影的：英国政府削减了对人工智能研究的资助，对全国各地的研究实验室产生了寒蝉效应。

大西洋彼岸的美国也经历了类似的清算。国防高级研究计划局 (DARPA) 曾是人工智能研究最重要的资助者之一。但人们对人工智能实际应用的怀疑日益增加，导致预算大幅削减。曾经潜力无限的研究项目突然停止，研究人员发现自己不得不四处寻找其他资金来源，但往往徒劳无功。

第一次人工智能寒冬的影响是严重而深远的。最直接的影响是经济方面的。由于公共和私营部门的资金削减，研究陷入停滞。放缓不仅仅是一种延迟；这是一个重大挫折，它使人工智能领域落后于其预期目标数年甚至数十年。许多有前途的项目尚未完成，其潜力尚未得到开发。

除了财务影响外，人工智能还对人们的智力和情感造成了影响。曾经被誉为有远见卓识的研究人员现在发现自己不得不捍卫自己毕生的工作成果。学术界对人工智能的前景越来越持怀疑态度，这使得新想法很难获得支持。这种怀疑态度不仅仅是一个阶段，它持续了数年，影响了研究议程，并降低了一代科学家的期望。

第一个人工智能寒冬不仅冻结了学术研究，也给商业环境带来了寒意。涉足人工智能技术的公司发现自己面临的现实比他们预想的更为严峻。一些企业，尤其是那些将自己定位为人工智能领跑者的企业，受到了最严重的打击。

一个著名的例子是感知器公司，该公司由感知器学习算法的发明者弗兰克·罗森布拉特 (Frank Rosenblatt) 创立。该公司承诺将彻底改变机器学习领域，最初受到了极大的欢迎。然而，麻省理工学院的马文·明斯基 (Marvin Minsky) 和西摩·帕普特 (Seymour Papert) 于 1969 年出版了一本名为《感知器》的书，书中列出了感知器算法的局限性，特别是它们无法解决非线性可分的问题。这本书对神经网络的感知产生了寒蝉效应，并加剧了怀疑论，导致资金减少。

另一个例子是几家早期自然语言处理 (NLP) 公司的倒闭。这些公司承诺机器能够理解和处理人类语言，考虑到当时的技术限制，这一愿景过于雄心勃勃。这些企业的高失败率只会加剧人们的怀疑。

受到冷遇的不仅仅是小型初创公司，拥有 AI 部门的大型科技公司也受到了影响。施乐公司以对计算机科学的贡献而闻名的帕洛阿尔托研究中心 (PARC) 在此期间的 AI 研究大幅减少。曾经很有希望的项目要么大幅缩减，要么完全被取消。

从事机器人技术的人工智能公司是另一个受害者。人们原本期望我们很快就会有机器人执行从家务到工业流程等一系列任务。但现实是，这项技术还远远不够成熟，无法满足这些期望。在机器人研究方面投入巨资的公司发现自己陷入了死胡同。

这些公司的故事就像是第一次 AI 寒冬大戏中的小悲剧。它们讲述了雄心、希望和最终的失望。每家倒闭或将重点从 AI 转移的公司都代表着该领域的潜力丧失和挫折。连锁反应影响深远，影响了投资者信心、就业市场，甚至与 AI 相关的教育项目。

第一个人工智能寒冬是一堂发人深省的谦逊课。它表明了雄心与现实、期望与执行之间可能存在的鸿沟。但最重要的是，它灌输了一种谨慎的意识，这种意识将在未来几年定义人工智能领域。随着随后几年新一波技术浪潮的出现，这种谨慎既是一种保障，也提醒人们过度扩张的危险。

第二次人工智能寒冬（1987-1993）：寒流回归

20 世纪 80 年代末似乎是人工智能的复兴时期。在经历了第一次人工智能寒冬的幻灭之后，人们的注意力转向了人工智能的一个高度专业化且看似实用的应用：专家系统。与早期人工智能计划的广泛且往往模糊的目标形成鲜明对比的是，专家系统具有激光聚焦的特点。它们旨在模仿人类在从医疗诊断到股票交易等极其专业的领域的专业知识。IBM、数字设备公司 (DEC) 等行业巨头以及 IntelliCorp 和 Teknowledge 等一批初创公司都在这个有前途的子领域投入了巨额资金。人们明显感觉到，人工智能已经从一种研究好奇心转变为一种具有商业可行性的技术。

然而，早年的希望很快就被另一个寒冬所取代，即第二次人工智能寒冬。这一阶段的特点是一系列挫折和失望，导致人们对人工智能领域的兴趣和投资再次大幅萎缩。

首先，专家系统的局限性变得越来越明显。这些系统通常被描述为“脆弱的”，因为它们无法适应或将其理解推广到新的情况或环境中。例如，医疗诊断系统在处理已编程的病症时可能非常熟练，但在面对不常见或复杂的病例时就会失败。这种脆弱性成为批评的一大焦点，并导致人们对该技术的信心下降。

另一个问题是系统的“不透明性”，即无法以易于理解的方式解释其决策和推理过程。这在可解释性至关重要的领域尤其成问题。例如，在医疗或法律环境中，专业人员接受过基于明确理由做出决策的培训；他们不能仅仅依赖“不透明”系统的输出。这些专家系统无法为其决策提供易于理解的解释，这进一步削弱了人们对这项技术的信任。

但技术限制只是故事的一部分。专家系统繁荣的时机恰逢经济挑战，包括市场崩溃和经济衰退。1987 年的黑色星期一是一个特别重要的事件，导致经济保守主义增加，随后减少了对人工智能技术等风险投资。现在在经济敏感的环境中运营的公司变得更加规避风险，削减了对被认为过于实验或未经证实的人工智能项目的资助。

因此，第二次人工智能寒冬对人工智能社区产生了毁灭性的影响。备受瞩目的受害者包括 IntelliCorp 和卡内基集团等公司，它们的估值大幅下降。IntelliCorp 曾是专家系统领域的主要参与者，但收入和市场份额却不断减少。卡内基集团也未能幸免；该公司面临财务困难，导致其以低价被收购，对于曾经的行业领导者来说，这是一个令人悲伤的退出。

拥有专注于人工智能的部门或子公司的大公司也感受到了压力。IBM 曾是专家系统开发的重要参与者，但现在它被迫大幅缩减其人工智能雄心。项目要么被取消，要么预算被削减，导致裁员和对人工智能研发的关注度降低。

风险投资公司和政府拨款的投资枯竭。研究机构和学术部门面临资金削减，迫使人工智能研究项目转向或缩减规模。由此产生的氛围是谨慎和怀疑。研究人员曾经对专家系统和人工智能的变革潜力持乐观态度，但现在他们发现自己不得不为自己的工作辩护，并为日益减少的资源而战。

第二次人工智能寒冬让所有参与者都感到谦卑。它清楚地提醒我们，单靠技术潜力不足以维持一个领域。现实世界的适用性、经济可行性以及满足或管理预期的能力同样重要。随着人工智能社区走出这一充满挑战的时期，这些来之不易的教训将继续塑造随后几年所采取的策略、预期和谨慎态度，为我们今天看到的复苏做好准备。