1 历史背景
1.1 第一次AI热潮（1956–1974）
1.1.1 达特茅斯会议与符号主义
1956年夏天，约翰·麦卡锡、马文·明斯基、克劳德·香农等科学家在美国达特茅斯学院召开了一次为期两周的研讨会，标志着人工智能作为独立研究领域的诞生。会议提出了“人工智能”这一术语，并确立了以符号逻辑为核心的研究范式——符号主义。该范式认为智能可以通过对符号的操纵来模拟，将人类思维还原为逻辑推理过程。
1.1.2 早期乐观主义与LISP语言
受达特茅斯会议鼓舞，早期AI研究者表现出极度乐观的预期。赫伯特·西蒙曾断言“十年内计算机将成为国际象棋世界冠军”，明斯基则预测“一代人之内创造人工智能的问题将基本解决”。这些预言催生了对AI能力的无限想象。与此同时，约翰·麦卡锡于1958年开发了LISP语言（LISt Processing），成为符号主义AI最重要的编程工具，广泛应用于推理、自然语言理解等任务。
1.2 第一次AI冬天（1974–1980）
1.2.1 英国莱特希尔报告
1973年，英国应用研究与发展局局长詹姆斯·莱特希尔受命评估英国AI研究状况，随后发布了著名的《莱特希尔报告》。该报告严厉批评AI研究未能兑现早期承诺，指出机器翻译、模式识别等领域的成果远低于预期，建议政府大幅削减对AI的资助。英国政府随后切断了大部分AI研究经费，这一趋势迅速蔓延至美国和其他国家，引发第一轮资金寒流。
1.2.2 专家系统的后期局限
尽管早期专家系统（如DENDRAL、MYCIN）在化学分析和医学诊断中展示了潜力，但其弱点也逐渐暴露：知识获取困难（“知识工程瓶颈”），推理规则无法处理常识和不确定性，维护成本高昂。当实际部署中频繁出错且难以扩展时，产业界的热情迅速消退，进一步加速了资金萎缩。
1.3 第二次AI热潮（1980–1987）
1.3.1 专家系统商业化与日本第五代计算机
20世纪80年代初，专家系统成功商业化（如XCON系统为DEC公司节省了数千万美元），重新点燃了工业界的兴趣。同时，日本通产省于1982年宣布启动“第五代计算机计划”，目标是在十年内开发出基于并行逻辑推理的超级智能计算机。该计划引发了全球性的AI竞赛，各国纷纷加大投入。
1.3.2 美国政府与DARPA的巨额投资
美国国防部高级研究计划局（DARPA）在1980年代向AI领域注入了数十亿美元，重点支持自动编程、智能指挥控制等项目。美国国家科学基金会也设立了专项基金。大量初创公司涌现，专门生产LISP机器（如Symbolics、Lisp Machines Inc.），形成了短暂的泡沫繁荣。
2 第二次AI冬天（1987–1993）
2.1 触发因素
2.1.1 专家系统失败与“石蕊测试”
专家系统在实际部署中频繁遭遇“石蕊测试”式的尴尬：它们无法处理超出预定义规则集的边缘案例，维护成本随知识库膨胀而激增。例如，美国一家保险公司投入数百万美元开发的理赔审核系统最终因无法应对复杂欺诈模式而被废弃。企业意识到AI“承诺太多，兑现太少”。
2.1.2 LISP机器市场崩溃
专为运行LISP程序设计的LISP机器成本高昂（单台售价达10万美元以上），而通用硬件（如Sun工作站）随着摩尔定律性能飞速提升，逐步可以运行LISP环境。1987年，Symbolics公司股价暴跌，Lisp Machines Inc.宣告破产，整个专用硬件市场瞬间蒸发，标志着第二次AI冬天的正式到来。
2.1.3 DARPA与军方的撤资
随着冷战结束，美国国防预算收缩，DARPA开始重新评估其AI项目。1980年代末，DARPA终止了对自动编程和语音理解等多个旗舰项目的资助，理由是“看不到可部署的实用成果”。军方研究机构也纷纷砍掉AI预算，转向更直接的信息技术。
2.2 关键事件
2.2.1 日本第五代计算机计划的实质性失利
日本第五代计算机计划耗时十年，投入超过5亿美元，最终只制造出几个功能有限的原型机（如并行推理机PIM）。其核心目标——“与人自由交谈的计算机”——远未实现。1992年，该计划在未公开宣布失败的情况下悄然终止，国际学界将其视为泡沫破灭的典型象征。
2.2.2 高估的神经网络炒作退潮
1986年，鲁梅尔哈特等人重新推广了反向传播算法，引发了神经网络研究的短暂热潮。但随后人们发现：神经网络训练需要大量数据和计算资源，容易过拟合且结果难以解释。当应用效果未能超越传统统计方法时，这一轮神经网络的“小阳春”也迅速降温。
2.2.3 AI会议的泡沫化与收缩
在热潮期，AI会议上充斥着大量低质量论文，许多项目只是对现有系统的小修小补。1987年，国际联合人工智能会议（IJCAI）的论文接收率一度超过50%。进入冬天后，投稿数量骤降，会议规模连年缩水。至1993年，一些小型AI研讨会甚至因缺乏注册而取消。
2.3 学术与工业影响
2.3.1 大学AI课程削减与领域细分
多所高校（如麻省理工学院、斯坦福大学）的AI入门课程选课人数锐减，部分教授被迫转向其他领域。为规避“人工智能”标签，研究者开始使用“机器学习”“模式识别”“数据挖掘”等子领域名称重新包装工作。AI作为一个整体学科被分解为若干独立分支。
2.3.2 杰弗里·辛顿等研究者转向贝叶斯与神经网络
受到资金紧缺和冷遇，部分AI研究者转向理论性更强的途径。杰弗里·辛顿在多伦多大学坚持研究神经网络，但改用贝叶斯框架命名其工作（如“贝叶斯信念网络”），以回避学科歧视。杨立昆在贝尔实验室低调开展卷积神经网络研究，同样避免公开使用“AI”一词。
2.3.3 符号AI退潮与“代理”范式崛起
随着逻辑推理和知识表示方法被认为过于脆弱，研究主流逐渐转向“智能代理”范式：将系统视为在动态环境中感知和行动的主体，强调模块化、反应式和进化学习。这一转向为后续的机器人学和多智能体系统奠定了基础。
3 冬天的“幸存者”
3.1 低调发展的分支领域
3.1.1 机器学习（如决策树、支持向量机）
在AI冬天期间，机器学习分支保持了非主流但稳健的发展。决策树算法（如ID3、C4.5）和统计学习方法（如支持向量机）因其数学基础和明确的可解释性，在数据挖掘和模式识别任务中取得持续进步，避开了符号AI的承诺陷阱。
3.1.2 自然语言处理中的统计方法
自然语言处理（NLP）放弃了早期的语法规则和语义分析，转向基于统计的隐马尔可夫模型（HMM）和n-gram模型，成功应用于语音识别（如IBM的ViaVoice）和机器翻译（如IBM的Candide项目）。这些方法虽然缺乏“智能”光环，却产生了实用产品。
3.1.3 机器人学中的行为控制
罗德尼·布鲁克斯在麻省理工学院提出的“包容式架构”和“行为主义机器人”理论，主张让机器人通过简单的低层行为协作完成复杂任务，拒绝高层符号推理。这类机器人（如赫伯特）在1990年代初期成功实现了避障、抓取等能力，为扫地机器人等产品提供了原型。
3.2 关键人物与团队
3.2.1 杰弗里·辛顿与反向传播算法的坚守
辛顿在整个冬天坚持研究反向传播算法和多层神经网络，尽管申请政府经费屡遭拒绝，仅依靠私人小额资助和加拿大政府微薄支持，他仍发表了一系列理论文章。1996年，他与合作者引入对比散度算法，为后续深度学习突破埋下伏笔。
3.2.2 杨立昆与卷积神经网络的早期工作
杨立昆在贝尔实验室和纽约大学期间，开发了卷积神经网络（CNN）并成功应用于手写数字识别（如银行支票识别系统LeNet-5）。但由于神经网络被主流排斥，他的工作主要通过“模式识别”名义发表，直至2000年代才被广泛认可。
3.2.3 罗德尼·布鲁克斯的包容式架构
布鲁克斯在麻省理工学院计算机科学与人工智能实验室（CSAIL）领导开发了多代行为机器人。他公开批判传统AI的“以推理为中心”路线，提出“没有表示和推理的智能”概念。其团队的工作不仅维持了机器人学的生命力，还直接启发了Roomba等消费级机器人。
4 冬天的遗产与回暖
4.1 对AI伦理与承诺的反思
4.1.1 防止过度炒作的文化形成
两次AI冬天的惨痛教训促使学术界和产业界形成了“克制承诺”的隐性规则。研究者开始区分“通用人工智能”和“狭义人工智能”，并在发表结果时主动标注局限性，避免重蹈覆辙。这种文化至今仍约束着AI领域的宣传行为。
4.1.2 从“强AI”到“弱AI”的务实转向
寒冬迫使行业放弃了对“像人类一样思考”的机器追求，转而专注于解决具体问题。这种务实态度催化了垃圾邮件过滤器、推荐系统、自动翻译等实用成果的诞生，并为21世纪的AI复兴提供了健康的发展逻辑。
4.2 后续复苏（1990s末–2006）
4.2.1 数据驱动与互联网泡沫的间接助推
20世纪90年代后期，互联网爆炸式增长产生了海量数字数据（网页、日志、用户行为），同时计算成本持续下降。机器学习（尤其是支持向量机和贝叶斯方法）在这些数据上发挥了巨大威力，例如谷歌的PageRank算法和亚马逊的协同过滤推荐。互联网泡沫虽然随2000年破裂，但数据驱动的方法已在产业界落地，为AI重返舞台铺平了道路。
4.2.2 深度学习的序幕：2006年Hinton的深度信念网络
2006年，杰弗里·辛顿与合作者发表了《快速学习深层次信念网络》一文，提出逐层贪心预训练方法有效解决了深层网络的训练难题。该论文被认为是深度学习时代的起点。随后，多伦多大学团队在无监督特征学习、语音识别等任务上取得突破性结果，终于结束了长达二十年的AI冬天。
4.3 寒冷之外的幽默与梗文化
4.3.1 “AI冬天”与“核冬天”的谐谑比喻
“AI冬天”一词最早由美国海军研究院的计算机科学家詹姆斯·迈克霍兰于1969年提出，借用“核冬天”描绘原子弹爆炸后烟尘遮蔽阳光的灾难景象。该比喻在学界流传中逐渐带上了自嘲色彩：AI研究者是在从事一项“随时可能把整个领域冻死”的事业。
4.3.2 学术圈内“卖冬衣”的梗（指研报反复提及寒流）
在冬季后的很长一段时间里，每当新一轮AI投资热潮兴起（如1990年代的神经网络复兴、2010年代的深度学习爆发），总会有资深学者或分析师在报告中警告“AI冬天即将到来”。这种反复出现的预警被圈内戏称为“卖冬衣”——类似不管天气如何都推销防寒服的小贩。该梗甚至被拓展为“冬衣指数”，用来衡量某个AI子领域是否过热。