AI 寒冬：理解 AI 发展的周期

1973 年，AI 研究人员意气风发。机器已经可以解代数题、下国际象棋，并理解简单句子。随后，资金几乎在一夜之间枯竭。实验室关停、职业生涯受阻，“人工智能”成了让投资者望而却步的词。这不只是市场回调，而是一场 AI 寒冬，并将持续近十年。

这类骤然崩塌的时期在 AI 历史上发生过两次，并深刻塑造了我们今天对这一领域的态度。本指南将带您了解：两次 AI 寒冬的历史时间线、引发它们的底层模式，以及我们可以应用的实用经验，帮助避免重蹈覆辙。

界定 AI 寒冬现象

所谓 AI 寒冬，是指人工智能研究的资金、关注度与信心显著下降的时期。该术语源自研究群体本身，用季节性严寒作比，形容在增长期之后，热情与投资如何突然“冰封”。这不是短暂的低迷。AI 寒冬曾持续 6–13 年，并从根本上扰动了该领域的轨迹。识别这些时期的模式，有助于我们理解历史事件与当前风险，或许还能预防未来的寒冬。

炒作—幻灭循环

每次 AI 寒冬的中心，都有一套可预见的动态。最初的突破引发媒体关注与公众兴奋，进而抬高了对 AI 近期可实现能力的期望。这种兴奋吸引政府机构与私人投资，为更多研究提供资金，并产出更多结果（有些真实，有些被夸大）。最终，承诺与交付之间的差距大到无法忽视。当系统无法兑现承诺时，怀疑占上风，资金随之崩塌。

Gartner 炒作周期提供了一个有用框架：技术先攀登“期望膨胀的顶峰”，随后跌入“幻灭低谷”。这正是 1970 年代与 1980 年代 AI 的遭遇。该循环与其他技术领域的经济泡沫相呼应，但 AI 寒冬也有其独特性。不同于纯金融泡沫，AI 寒冬源于研究者在一开始未能充分认识的根本技术限制。那些看似“几年内”可解的问题，往往需要数十年的额外工作。

结构性阶段

我们可以辨识 AI 寒冬在实践中是如何展开的。这些时期经历一系列可预测轨迹中的不同阶段。

首先是过度承诺阶段。研究人员与机构对尚需多年甚至数十年的能力做出自信预测。媒体放大这些主张，资助机构也基于乐观时间表做出投资决策。随后现实到来。系统在真实应用中失灵，算力需求超出可行范围，演示与部署解决方案之间的差距变得明显。

接着出现研究者所谓的“知识离散”。当资金崩塌，AI 研究者四散至其他领域。计算机视觉专家转投图形学，机器学习研究者改向统计学。这种人才流失影响深远，因为它打断了专业知识的积累。当兴趣最终回归，领域不得不在某种程度上重建知识基础。理解这一模式很重要，它能解释为何每次寒冬都让该领域显著倒退，以及为何预防如此关键。

AI 寒冬的历史与时间线

铭记这些模式，我们来回顾它们在历史中的实际演绎。AI 经历了两次主要寒冬，诱因各异，却遵循着我们刚才勾勒出的同样轨迹。

AI 的思想基础形成于 1950 年代，代表人物有 Alan Turing、John McCarthy 与 Marvin Minsky。1956 年的达特茅斯会议标志着该领域正式诞生，聚集了相信一代人之内即可实现机器智能的研究者。这份乐观并非全无根据。早期程序能证明数学定理、下西洋跳棋并解决谜题。

但警讯比多数人以为的更早出现。1966 年的 ALPAC 报告对机器翻译项目进行了批判性评估，认为计算机无法匹敌人类译者，且短期内也不太可能。1969 年，Marvin Minsky 与 Seymour Papert 的著作《Perceptrons》展示了单层神经网络的数学局限，暂时阻断了这一研究方向。这些早期挫折预示了将引发首次 AI 寒冬的系统性问题。

第一次 AI 寒冬（1974–1980）

基于这些早期警讯，第一次 AI 寒冬始于 1974 年，持续至约 1980 年，从根本上重塑了整个领域的研究优先级与职业路径。让我们看看此前讨论的炒作—幻灭循环在实践中是如何展开的。

前兆与早期热潮

1956 至 1973 年常被称为 AI 的“黄金时代”。研究者开发了符号推理系统、早期自然语言处理与问题求解程序，让学界与公众印象深刻。政府机构，尤其在美国与英国，对 AI 研究投入巨大。DARPA 资助高校实验室，媒体也经常报道机器即将具有人类思维的故事。

这种热潮催生了不切实际的期望。研究者有时也推波助澜。Marvin Minsky 在 1970 年曾著名地预测：“三到八年内，我们将拥有具有人类平均智能的机器。”这些自信的时间表影响了资助决策与公众观感，为失望埋下伏笔。

Lighthill 报告及其影响

1973 年，James Lighthill 爵士向英国科学研究委员会提交了一份系统性批评 AI 研究的报告。Lighthill 认为 AI 未能实现其目标，且许多问题面临“组合爆炸”，即随着问题规模增长，需要考察的可能性数量呈指数级增长。这意味着所需计算资源高得难以承受，使现实应用变得不切实际。

这一评估重创了英国的 AI 研究。英国政府削减了各大学的 AI 资金，许多研究者要么离开该领域，要么迁往美国。Lighthill 报告的影响超越英国，为全球的资助怀疑论者提供了“弹药”，并促成 DARPA 在 1974 年减少对 AI 研究支持的决定。

资金削减及其后果

当 DARPA 与其他机构撤回支持，影响波及整个研究生态。高校关闭 AI 实验室，研究生项目缩减，有潜力的研究者为求就业而转投他域。“人工智能”一词在资助申请中变成了“有毒词”。研究者开始使用“信息学”“计算智能”等委婉说法以回避污名。

知识离散开始了。研究者转向相邻领域或彻底离开学术界。这种分散意味着当 1980 年代 AI 兴趣回升时，许多机构性知识不得不从零重建。复苏来自专家系统，它承诺一种更务实、面向特定领域的 AI 路径。

第二次 AI 寒冬（1980 年代末至 1990 年代中期）

尽管专家系统带来了一个良好开端，第二次 AI 寒冬仍在 1980 年代末到来，证明解决了一组问题并不意味着不会出现新的脆弱点。

专家系统泡沫

到 1980 年代初，专家系统通过手工编写规则，将人类在狭窄领域的专业知识加以封装。MYCIN（用于医疗诊断）与 XCON（用于计算机配置）等系统带来了实实在在的商业价值，公司对这些基于规则的系统投入巨大。围绕“知识工程”的整个产业迅速发展，日本的第五代计算机项目旨在构建为专家系统优化的大规模并行计算机，促使美欧做出竞争性响应。

但问题很快浮现。构建单个系统往往需要多年访谈领域专家，并将其知识转译为形式化规则。维护更难。随着知识库扩张，规则之间相互作用难以预料，调试变得困难。部署中“脆弱性”问题暴露：专家系统在其设计样例上表现良好，但稍有变动即失灵。它们无法应对定义现实问题的那种混乱与歧义。演示与实际部署之间的落差，正如第一次寒冬的诱因。

崩溃触发因素

1987 年，专家系统市场崩溃。硬件成本在其中发挥了重要作用。专家系统通常运行在昂贵得多的专用“LISP 机器”上。当个人计算机与工作站以更低成本就能提供相当性能时，专用 AI 硬件的经济理由不复存在。LISP 机器市场崩盘，日本第五代项目也未能达成其雄心勃勃的目标而告终。

对专家系统投入巨资的公司发现，其持续维护成本超出系统带来的价值。知识库需要持续更新，这需要昂贵的知识工程师。与此同时，更简单的方法在许多问题上反而更有效。研究目标与业务需求的不匹配变得无可忽视。大型项目未能兑现其承诺，失望情绪蔓延。

产业收缩

AI 硬件市场剧烈崩盘。生产专用 AI 工作站的公司要么倒闭，要么转向其他市场。此次崩溃也拖垮了专家系统产业，引发又一轮 AI 研究的资金冻结。初创企业倒闭，学术项目遭遇重挫。

第二次寒冬使 AI 研究者的流散比第一次更为广泛。有人转入数据库、软件工程等相邻计算机科学领域，亦有人转向认知科学或神经科学。机器学习研究者常将其工作重新包装为“统计学”或“数据挖掘”，以回避 AI 的污名。心理负担显著。许多在 AI 上投入整个职业生涯的研究者陷入失落，且不少人永久离开了该领域。

从第二次寒冬中复苏所需时间远超第一次。整个 1990 年代乃至 2000 年代初，“人工智能”仍是一个棘手标签。进行机器学习、计算机视觉或自然语言处理研究的学者往往回避称其为“AI”。当资金回流时，重心放在具体且可实现的目标上，而非关于通用智能的宽泛主张。

两次寒冬的反复模式

回顾两次历史性的 AI 寒冬，我们可以识别出三种引发崩溃的核心模式。理解这些模式，有助于我们识别当今 AI 环境中的类似脆弱点。

技术限制

两次 AI 寒冬都源于研究者低估的根本技术障碍。第一次暴露了组合爆炸，即复杂问题所需计算资源呈指数级增长。第二次揭示了专家系统的脆弱性：无法学习、无法处理不确定性。每次，技术在精心挑选的测试用例上表现出色，却在面对现实世界的复杂性时失灵。当实验室演示与实际部署之间的差距大到无法忽视时，寒冬随之而来。

炒作动态与预期管理

两次寒冬都遵循 Gartner 炒作周期的轨迹。初期突破带来兴奋，媒体放大成就，资金基于膨胀的短期预期蜂拥而入。Marvin Minsky 关于“三到八年内实现人类级智能”的预测体现了第一次寒冬的过度自信。专家系统同样被宣传为可扩展的人类专业知识封装方案。当现实与承诺不符时，修正迅速而严厉。媒体、资助机构与制度结构共同助推了技术难以达成的预期。

资金波动与政府参与

两次寒冬都呈现出“繁荣—萧条”的资金周期：巨额投资后迅速撤退。像 DARPA 这样的政府机构塑造了整片研究生态，当资金消失时，研究者四散他去。此类知识离散尤为有害，因为 AI 研究需要长期积累来构建专业能力。该领域失去的不仅是资金，还有连续性与积累的智慧。更糟的是资源在单一路径上的集中——第一次偏向符号主义 AI，第二次偏向专家系统。当这些押注失败时，鲜有得到资助的替代方案能支撑进展。

当下时代与未来 AI 寒冬的可能性

了解了两次主要寒冬如何展开，您或许会关心当下 AI 生态。我们是在为又一次崩塌埋下伏笔，还是这次有根本不同？让我们用上述历史模式审视当下形势。

当前繁荣（2012 至今）

当前的 AI 繁荣始于 2012 年前后深度学习的突破。AlexNet 在图像识别上的飞跃成为转折点。自那以后，深度学习在计算机视觉、语音识别、自然语言处理与博弈中都取得了令人瞩目的成果。

多重因素使这次繁荣有别于以往。计算能力大幅提升（GPU 让训练大型神经网络成为可能）。互联网与移动设备带来了数据的爆炸式增长。且深度学习在日常产品中找到了立竿见影的实际应用。

但脆弱点依然存在。深度学习高度依赖海量数据与巨量算力。随着模型变大，训练成本呈指数级上升。该领域对单一路径（深度神经网络）的集中，超过了自 1980 年代专家系统主导以来的任何时期。

算力成本是一项真实的担忧。训练前沿模型如今耗资数千万至数亿美元，且成本随模型规模呈指数增长。如果进展依赖更大的模型，而实际收益却趋于平台期，其经济性将难以为继。这正是过往寒冬之前的结构性脆弱点。

基准成绩与真实效用之间的差距构成另一脆弱点。模型在标准测试上得分亮眼，却因脆弱性、偏见或无法处理边界情形而在部署中失效。是否似曾相识？这与专家系统演示与实际部署的落差如出一辙，并曾促成第二次寒冬。

当前争论与脆弱点

当今的 AI 论述有时会回响早年过度承诺的声音。“通用人工智能”等术语，以及关于 AI 将在数年内改造所有行业的预言，都会制造膨胀的预期。这并不意味着当前 AI 是濒临破裂的泡沫。不像 1970 年代，我们如今拥有可用的应用与真正的经济价值。但围绕每次新模型发布的热情、以及外推能力的倾向，确实营造出预期可能超越现实的条件。

尽管如此，还是有多重因素降低历史性 AI 寒冬重演的可能。其一，AI 已深度嵌入人们的日常产品：搜索引擎、智能手机、社交媒体与在线购物都依赖 AI。这种融合带来了此前所没有的经济稳定性。

其二，AI 研究的国际版图大幅扩展。即使某个国家或地区资金下降，其他地方的工作仍将继续。中国、欧洲等地区拥有相对独立的 AI 生态。

其三，私营部门已成为主导力量。尽管政府资助仍重要，Google、Meta 与 Anthropic 等公司可以通过核心业务收入来维持研究。多元化的资金来源增强了面对政府突然撤资时的韧性。

经验与未来方向

那么我们能从这段历史学到什么？上述模式为今日从事 AI 的研究者、企业与政策制定者提供了实用指引。来看这些周期如何帮助我们为该领域构建更可持续的未来。

务实的预期管理

两次 AI 寒冬最关键的教训是过度承诺的危险。当研究者、企业或媒体制造出技术在短期内无法满足的期待时，随之而来的失望会触发资金撤退与公众怀疑，使领域倒退数年。

这并不意味着回避雄心勃勃的目标。AI 研究理应追求变革性能力。但关于时间表与限制的沟通至关重要。清晰区分当前能力与未来可能，有助于维持公信力。当某一方法能否扩展或泛化存在不确定性时，坦诚这些限制比乐观臆测更有利于整个领域。尤其在当下，媒体报道与投资者预期可能将主张放大至原本语境之外。

多样化方法

历史上的两次寒冬都出现在对单一范式重金投入之后。第一次是符号主义 AI，第二次是专家系统。当这些方法遭遇瓶颈，整个领域随之受损。如今对深度学习的集中也带来类似风险。

维持对替代路径的研究能提供重要的韧性。神经符号 AI、概率编程等方向，或许能在当前方法停滞时提供新的出路。这并非要放弃行之有效的方法——深度学习的价值已被证明。但在多元研究方向上投资，可在单一路径触及自然极限时提供选择。

稳定的资助模式

繁荣—萧条的资金周期会打断研究连续性并分散专业能力。两次历史性的寒冬都伴随突然的资金撤回，伤及领域的长期健康。更稳定的资助模式（无论是为长期研究而设计的政府支持，还是多元化的私营部门投资）都有助于在突破与平台期之间保持进展。

寒冬之后向更短资助周期与即时交付的转向，或许阻碍了基础研究。接受缓慢期是研究自然组成部分的长期资助，有助于避免引发寒冬的恐慌。当资助方预期部分项目会失败、部分进展是渐进式时，领域对挫折更具韧性。

创新与监管的平衡

政策与监管框架在防止 AI 寒冬、同时保持创新活力方面发挥重要作用。两次历史性寒冬部分源于政府资助机构的突然撤资——1970 年代的 DARPA 与 1980 年代的英国研究委员会——让领域失去安全网。今天的决策者需要从这些周期中汲取经验，同时避免出台扼杀有益进步的监管。

各地区监管格局差异显著。欧盟《AI 法案》采用基于风险的方法，对高风险应用施加更严格要求。美国倾向于行业自律与分行业规则。中国则构建了强调创新与管控并重的框架。这些路径构成了一场关于政策如何塑造研究与市场发展的“自然实验”。

挑战在于：在防止 AI 寒冬与维持突破条件之间取得平衡。限制过多可能使研究成本高企或法律风险过大；限制过少则可能重演此前由炒作驱动的周期。有效政策应聚焦于为基础研究提供稳定的长期资助，并建立鼓励多元路径的机制。

技术可持续性与伦理考量

除资金稳定外，AI 的能耗也带来真正的可持续性挑战。训练大型模型消耗巨量电力。研究者正在探索更高效的架构与训练方法，但模型越做越大的趋势与可持续目标存在冲突。

多元数据来源与全面评估指标有助于构建更可靠的 AI 系统。过度依赖狭窄数据集或“打榜”行为，会造就只在实验室有效、在实践中失灵的系统。这一教训直接来自专家系统时代，当时在狭窄样例上训练出的系统难以应对现实复杂性。解决这些技术挑战，需要在开发全过程中认真对待伦理考量。我们的AI 伦理课程探讨如何构建在创新与社会影响之间取得平衡的负责任 AI 系统。

来自其他科技繁荣与衰退的洞见

互联网泡沫的兴衰提供了有益的类比。与 1970 与 1980 年代的 AI 相似，互联网技术也经历过期望膨胀、巨额投资、骤然崩塌，随后在更稳固的基础上恢复。关键差异在于：在低谷期，基础设施仍在改善，企业也学会将重心放在可行的商业模式，而非含糊的承诺上。

其他技术革命（电力、汽车、个人计算机）同样经历了炒作周期。这一模式表明，变革性技术需要时间来找到合适的应用并克服初始限制。理解这一更广义的模式，有助于我们在繁荣与放缓期都保持正确视角。

结论

当前的 AI 繁荣拥有比以往周期更坚实的基础。我们具备实用应用、经济融合与早年所不具备的技术能力。但同样的脆弱点依然存在：对特定路径的过度依赖、算力成本、炒作与能力之间的落差，以及过度承诺这一永恒风险。

前行之路需要在雄心与现实之间取得平衡。实现可持续进步，意味着坦诚沟通、多元研究方向、稳定资助结构，并兼顾技术与伦理挑战。通过理解曾引发寒冬的模式，我们就更能识别当下的类似风险——并构建一个有韧性、脚踏实地的 AI 领域，能够在突破与挫折中稳步前行。

若您希望在坚实基础上打造 AI 技能，可探索我们的面向开发者的助理级 AI 工程师学习路径，或通过我们的人工智能战略课程深入把握战略考量。理解 AI 的技术能力与历史脉络，将帮助您驾驭该领域的未来，无论面临何种挑战。