第一次AI寒冬（First AI Winter）是指20世纪70年代中期至80年代初，人工智能领域因技术瓶颈、资金枯竭和公众预期落差而经历的一次严重衰退期。这一时期，早期的乐观主义被现实击碎，许多AI项目被终止，研究经费大幅削减，行业声誉跌至谷底。这一事件深刻影响了后续AI研究的方向与方法论，成为人工智能发展史上标志性的转折点。
1 背景与前期繁荣
20世纪50年代中期至60年代末，人工智能领域经历了一段高速发展的“黄金期”。研究者们普遍认为，机器很快就能模仿甚至超越人类智能，这一信念吸引了大量资源投入。
1.1 达特茅斯会议与AI诞生
1956年，约翰·麦卡锡、马文·明斯基、克劳德·香农等人在美国达特茅斯学院组织了一场为期两个月的研讨会。会上首次正式提出“人工智能”一词，并将其定义为一门“让机器做出人类需要智能才能完成的事情”的学科。这次会议被公认为AI学科的诞生标志。
1.2 早期标志性成果
达特茅斯会议前后，研究者们开发出一些令人瞩目的程序，这些成果极大地提振了人们对AI的期待。
1.2.1 逻辑理论家程序
1956年，艾伦·纽厄尔和赫伯特·西蒙开发的“逻辑理论家”程序，能够证明经典数学定理。它成功证明了《数学原理》中的多个定理，被认为是第一个真正意义上的人工智能程序。西蒙曾豪言：“十年内，机器将能完成人类能做的一切工作。”
1.2.2 通用问题求解器
纽厄尔和西蒙随后开发的“通用问题求解器”（GPS）试图模拟人类解决问题的通用机制。它通过手段-目的分析法，在符号主义的框架下解决多种逻辑谜题，进一步强化了“通用智能即将到来”的信念。
1.3 政府与军方的巨额投资
美国国防部高级研究计划局（DARPA）和英国政府纷纷向AI项目拨款。DARPA在20世纪60年代每年投入数百万美元，支持机器翻译、自动编程、智能机器人等研究。英国政府则通过科学研究委员会资助爱丁堡大学、剑桥大学等机构的AI项目。
1.4 公众与媒体对“机器智能”的过高期待
媒体将AI描绘为“会思考的机器”，报刊文章频繁预言“智能机器人即将取代人类”。1968年电影《2001太空漫游》中超级计算机HAL 9000的形象，进一步在公众心中固化了“AI很快就能实现”的想象。这种预期远超技术实际水平，为日后的信任崩塌埋下了伏笔。
2 寒冬的诱因
进入20世纪70年代，AI研究中的一系列根本性缺陷开始暴露，加上资金环境的恶化，最终引发了一场行业危机。
2.1 技术瓶颈暴露
早期AI系统在面对真实世界的复杂性和不确定性时，暴露出严重的局限性。
2.1.1 机器翻译的失败
20世纪50年代，美国军方投入巨资发展俄语-英语机器翻译。但系统只能基于词对词的直接替换，无法处理语法歧义和语境。1966年，美国国家科学院发布的《语言处理与情报研究》报告指出，机器翻译“没有取得实质性进展”，且“成本高昂、效果低下”。该报告直接导致机器翻译项目的全面削减。
2.1.2 感知器争议（明斯基与珀珀特）
1969年，马文·明斯基与西摩·珀珀特出版《感知器》一书，从数学上证明了单层感知器无法解决“异或”（XOR）等非线性问题。此书直接打击了当时流行的连接主义神经网络研究方向，导致该领域研究资助锐减，其影响延续了近十年。
2.1.3 组合爆炸与搜索效率问题
早期AI系统依赖穷举搜索或简单的启发式规则，当问题规模增大时，可能搜索空间呈指数级膨胀。例如，某些定理证明程序在面对中等复杂度的命题时，需要数亿次运算才能得出结果，而在当时计算资源下根本不可行。这种“组合爆炸”问题使得AI系统在现实任务中往往“原地爆炸”。
2.2 资金枯竭
当技术承诺无法兑现时，资助机构开始重新审视AI项目的投资回报率。
2.2.1 莱特希尔报告（Lighthill Report）
1973年，英国数学家詹姆斯·莱特希尔受英国科学研究委员会委托，撰写了一份关于AI现状的评估报告。该报告直言不讳地批评AI研究“未能达到预期目标”，并建议大幅削减公共资助。这份报告直接导致英国政府切断了除爱丁堡大学等少数机构外的大部分AI资金，爱丁堡大学AI系因此陷入瘫痪。
2.2.2 美国DARPA削减投入
受到莱特希尔报告以及越战结束后国防预算收缩的影响，DARPA在1974年大幅削减了对AI项目的支持。为机器翻译、语音识别等项目拨款的“信息处理技术办公室”资金规模骤降，许多正在进行的合同被提前终止。
2.2.3 企业项目终止（如IBM、Xerox PARC）
IBM在20世纪60年代投资了多个AI项目，包括智能翻译和棋类程序。但面对无法商业化的困境，公司于70年代初裁减了AI研究团队。施乐（Xerox）的帕洛阿尔托研究中心（PARC）虽在图形界面和计算机科学领域取得突破，但其AI部门也因缺乏应用前景而被边缘化。
2.3 学术争议与信任危机
这一时期，AI研究群体内部的分歧和外界的质疑相互叠加，进一步恶化了行业形象。
2.3.1 符号主义与连接主义的路线分歧
明斯基等符号主义者主张智能的核心是符号操作和逻辑推理，而鲁梅尔哈特等连接主义者则认为智能源于神经网络的大规模连接与学习。两者在方法论上尖锐对立，争论消耗了大量学术资源，且给外界留下“AI研究者自己都不清楚方向”的印象。
2.3.2 “AI骗局”舆论声音
随着一些AI项目的失败，学术界和工业界开始出现“AI是伪科学”的论调。英国媒体甚至用“AI骗局”来形容那些夸大的成果报告。最著名的案例是“SHRDLU”程序（一个模拟积木世界操作的程序）虽看似智能，但被批评为“剧本式的表演”，只能处理极窄的虚构环境。
3 寒冬的具体表现
从研究机构到学术交流，再到人才培养，AI在这一时期遭受了系统性打击。
3.1 研究机构重组或关闭
最直接的影响是，曾经辉煌的AI实验室被迫转型或直接消失。
3.1.1 英国AI研究中心的衰落
爱丁堡大学AI系曾是欧洲最大的AI研究中心之一，但莱特希尔报告后，其研究经费骤减80%。许多博士生被迫中断学业，教职岗位被削减。剑桥大学、萨塞克斯大学等机构的AI项目也陆续停办或并入计算机科学系。
3.1.2 美国知名实验室转向
麻省理工学院（MIT）的AI实验室虽然幸存，但其研究重点从“通用智能”转向机器视觉和机器人等更窄的工程问题。斯坦福大学AI实验室同样缩减规模，转而研究医疗决策支持等应用方向。
3.2 期刊与会议萎缩
AI领域的顶级期刊《人工智能》（Artificial Intelligence）于1970年创刊，但其投稿量和编委数量在70年代中期显著下降。国际人工智能联合会议（IJCAI）参会人数从1969年的数百人骤降至1975年的不足百人。同时，多个小型会议（如“机器智能研讨会”）因资金不足而停办。
3.3 人才流失与学科地位下降
这是一个恶性循环：项目减少导致研究者找不到工作，进而使得AI学科对新生人才的吸引力锐减。
3.3.1 学者转入商业或计算机其他分支
许多AI研究者被迫转行。例如，明斯基转而研究认知科学；珀珀特转向儿童发展与教育领域；西蒙虽然保留AI兴趣，但逐步回归经济学和心理学。一些技术人才则进入了日益兴起的数据库、操作系统等计算机科学分支。
3.3.2 大学课程削减
20世纪70年代中期，美国多所大学取消或合并了独立的AI课程。例如，加州大学伯克利分校将AI课程压缩为一门选修课，供计算机科学高年级学生选择。AI不再被视为一个独立的学科方向，而是被归入“高级编程”或“问题求解”类课程。
4 寒冬的后果与遗产
尽管第一次AI寒冬带来了巨大的破坏，但它也迫使研究者重新思考AI的根基，产生了深远的方法论转向和产业影响。
4.1 研究方法论的反思
寒冬迫使AI研究从“宏大叙事”转向务实路径。
4.1.1 转向知识工程与专家系统
研究者认识到，要解决实际复杂问题，AI系统需要先具备大量领域专门知识。于是，知识工程应运而生——通过人工编码专家的知识库，让系统进行基于规则或框架的推理。这一范式推动了专家系统的兴起，成为80年代AI复兴的核心动力。
4.1.2 对“通用智能”的暂时放弃
“通用问题求解器”式的雄心被搁置，学界转而承认：针对特定领域的窄智能系统，远比追求万能智能更为可行。这种务实态度也反映在术语上，“知识系统”逐渐取代了“通用智能”。
4.2 产业寒冬对后续技术路线的影响
寒冬期看似沉寂，实则孕育了后续技术的萌芽。
4.2.1 连接主义蛰伏与反向传播的孕育
明斯基与珀珀特对感知器的打击，导致神经网络研究在长达十年内资金枯竭。但少数研究者（如鲁梅尔哈特、辛顿、杨立昆）在艰难环境下继续研究多层网络的学习算法。1986年，反向传播算法的复兴正是建立在70年代的基础研究之上。
4.2.2 日本第五代计算机项目的兴起（作为回应）
1981年，日本宣布启动“第五代计算机”项目，旨在开发基于逻辑推理的“智能计算机”。这一国家项目直指AI标志性目标，但其本质是对第一次AI寒冬教训的回应——通过政府主导、长期规划、产业界合作来规避早期“一哄而上、一哄而散”的问题。该项目虽最终未完全成功，但刺激了美国、欧洲对AI的重新投资。
4.3 文化与心理印记
第一次AI寒冬不仅改变了研究实践，还留下了持久的心理烙印。
4.3.1 “AI冬天”成为术语沿用至今
“AI冬天”一词由研究者汉斯·莫拉维克于冷战语境下借用，之后经由各种论著和媒体报道固化下来，用于描述任何AI领域出现的重大资金与信心危机。这一术语本身就是对那段历史最凝练的记忆。
4.3.2 对新一代研究者的警示作用
在之后的几十年里，每当AI领域出现过度宣传时，老牌研究者总会引用“第一次AI寒冬”的例子来警告从业者不要重蹈覆辙。例如，20世纪80年代末的专家系统衰退和2010年代深度学习热潮初期的泡沫忧虑，都深受这一历史记忆的影响。
5 复苏与第二次寒冬的过渡
经历70年代最黑暗的时光后，AI在80年代初迎来了一次有限复兴，但这次的繁荣根基并不稳固。
5.1 专家系统的短暂繁荣
基于知识工程的专家系统在医疗、地质、化学等领域取得了可见的商业成功。
5.1.1 MYCIN、DENDRAL等成功案例
MYCIN系统由斯坦福大学开发，能够诊断细菌感染疾病并推荐抗生素药物，其诊断准确率达到甚至超越部分人类医生。DENDRAL系统则能够从质谱数据中推断化学分子结构，被化学界广泛使用。这些系统证明，AI在特定领域确实能创造价值。
5.1.2 商用专家系统工具（如XCON）
1980年，卡内基梅隆大学开发的XCON系统被数字设备公司（DEC）部署用于配置VAX计算机系统，每年为DEC节省数千万美元。XCON的成功带动了商用专家系统工具市场的繁荣，如ART、KEE、EMYCIN等工具在80年代中期掀起了一波企业AI采纳热潮。
5.2 80年代中期再次降温的征兆
专家系统的“淘金热”很快暴露了自身局限性。
5.2.1 日本五代机项目的挫败
日本第五代计算机项目耗费超过5亿美元，但到80年代末，项目未能实现“逻辑推理超越人类”的核心目标，最终被技术路线失败和商业周期拖累。该项目于90年代初悄然结束，成为第二次AI寒冬的预兆之一。
5.2.2 专家系统维护成本高昂
专家系统的知识库需要人工编码和维护，当规则数量增长到数千条以上时，系统变得脆弱且难以调试。企业在投入大量资金后，发现这类系统对动态环境的适配能力极差。到80年代末，许多企业专家系统被废弃，投资回报率急剧下降。
5.3 为连接主义复兴埋下伏笔
当专家系统遭遇瓶颈时，连接主义悄然回归。1986年，鲁梅尔哈特、辛顿和威廉姆斯共同发表的反向传播算法，使得多层神经网络能在合理时间内完成学习。这一突破打破了感知器的局限，引发了90年代连接主义的新浪潮。第一次AI寒冬中被打压的神经网络，在经历了二十年蛰伏后，最终走上了历史舞台的中央。