1.1 AI寒冬的核心含义
AI寒冬（AI Winter）特指人工智能研究领域内出现的周期性衰退期，其核心表现为资金投入急剧缩减、研究热度骤降、重大项目停滞或取消，以及公众与产业界对AI技术的信心崩溃。这种现象并非偶发事件，而是AI发展史上反复出现的结构性波动。与自然资源领域的“寒冬”不同，AI寒冬更多是“期望值的寒冬”——即当技术交付严重落后于公开承诺时，整个领域被迫进入一段被迫冷静的“冰河期”。历次寒冬的共同特征是：炒作在先、泡沫破裂在后，最终留下大量半途而废的系统和心灰意冷的研究者。
1.2 历史渊源：从达特茅斯会议到第一次寒冬
1.2.1 早期AI的乐观主义与Lighthill报告
1956年达特茅斯夏季研讨会被公认为AI学科的诞生标志。当时，约翰·麦卡锡、马文·明斯基、克劳德·香农等先驱者怀抱着“让机器像人类一样思考”的宏大愿景，并做出了一系列现在看来过于乐观的预测——例如，他们声称在十年内就能制造出能完成任何人类智力任务的通用人工智能系统。这种“自大狂”式的氛围在之后的15年中弥漫整个领域。然而，到了1973年，英国数学家詹姆斯·莱特希尔（James Lighthill）受英国科学研究委员会委托，对AI研究进行评估。他在著名的《莱特希尔报告》中尖锐指出：“至今为止，AI领域取得的任何成果，都没有达到其创始人在最初所设定的远大目标。”该报告成为第一颗刺破AI泡沫的钉子，直接导致了英国政府大幅削减AI研究经费，并引发了连锁反应。
1.2.2 资金枯竭的标志性事件
莱特希尔报告发布后，英国的人工智能项目成为重灾区，剑桥大学、爱丁堡大学等核心机构的实验室被关闭或合并。紧接着，美国的高级研究计划局（ARPA，后更名为DARPA）也开始了系统性的资金审查。ARPA发现，其在机器翻译、语音识别和棋类游戏等项目上投入了数千万美元，却未能产出任何实用的成果。1974年，ARPA彻底叫停了“语音理解研究”等大型项目，转而将经费投向更“靠谱”的方向。这一系列动作标志着第一次AI寒冬的正式降临。
1.3 AI寒冬与“AI夏天”的对比概念
在AI发展的叙事中，“寒冬”与“夏天”构成了一组互斥的概念。“AI夏天”指的是技术突破频繁、资本狂热追捧、媒体头条轰炸的繁荣时期，例如20世纪80年代初期专家系统带来的短暂热潮、2010年代深度学习霸榜的黄金岁月。与之相对，“AI寒冬”则是潮水褪去后的裸泳时刻——投资消失，裁员潮涌现，学术会议从万人空巷变得门可罗雀。有趣的是，在AI社区内部，这两个术语常常以调侃的方式被谈论，比如“AI夏天来了又走了，而AI寒冬从未真正结束过，只是暖了一点”。这种强弱交替的节奏，至今仍被许多研究者视为AI领域的天然诅咒。
2.1 第一次AI寒冬（1974–1980）
2.1.1 英国Lighthill报告的冲击
如前所述，1973年的莱特希尔报告无情地批判了AI研究的空转现象。该报告列举了三个核心问题：第一，AI系统在“玩具问题”上表现良好，但在真实场景中完全失效；第二，“组合爆炸”问题（即计算量随问题规模指数级增长）几乎无法解决；第三，机器翻译的严重失败——美国政府曾期望计算机能自动翻译俄语文献，结果AI翻译出的句子常常荒谬离奇，如将“心有余而力不足”译成“the spirit is willing, but the flesh is weak”，在语法中看似正确，实则完全偏离了文化语境。这一报告导致英国政府将所有AI研究资金削减了80%以上，研究机构被迫大幅裁员。
2.1.2 美国DARPA的资助削减
在大西洋彼岸，美国DARPA也经历了类似的“信仰崩塌”。1975年，DARPA启动了一项针对AI成果的全面审计，负责人发现他们资助的项目中，超过90%未能交付可用的军事系统。例如，自动战场规划系统经常算出“所有敌军部队同时投降”的最优解；语音识别系统则在嘈杂环境中将“发射导弹”识别为“请吃甜点”。由此，DARPA全面终止了对通用AI研究的支持，转而投向更务实的“智能感知”和“自主控制”项目。资金从每年数千万美元骤降至几乎为零。这一削减直接导致斯坦福大学、麻省理工学院等机构的研究团队解散，许多顶尖学者转向认知心理学或计算机科学其他分支。
2.1.3 技术瓶颈：感知机与逻辑推理的局限
从技术根源看，第一次寒冬的直接诱因是早期AI方法的硬性天花板。首先是感知机（Perceptron）的局限性：1969年，明斯基与派珀特在《感知机》一书中严格证明，单层感知机无法解决异或（XOR）问题——这意味着它们对于任何非线性的分类任务都毫无作用。这一发现致命地打击了联结主义（神经网络）的研究信心。与此同时，基于符号逻辑的“通用问题求解器”（GPS）也暴露出致命缺陷：它们只能在极度简化的“积木世界”中工作，一旦遇到真实世界的复杂性和不确定性，就会陷入无穷无尽的搜索——或者说“思考到死”。这些技术瓶颈在当时的硬件条件下根本无法突破。
2.2 第二次AI寒冬（1987–1993）
2.2.1 专家系统的退潮
到了20世纪80年代早期，一种名为“专家系统”（Expert System）的技术短暂地让AI回暖。以“MYCIN”（医疗诊断）和“XCON”（计算机配置）为代表的系统，能通过预设的“知识库”和“推理引擎”在封闭领域做出比较可靠的决策。到80年代中期，全球约有数百家公司涌向这一领域，形成了一个价值数十亿美元的市场。然而，这种繁荣很快用尽：维护专家系统的“知识工程师”需求极其高昂，规则库动辄上万条、彼此冲突，系统变得笨拙且无法扩展。当企业发现研发和运营维护一套专家系统的成本，远高于雇佣两名有经验的人类专家时，公司纷纷撤资。到了1988年，专家系统市场的增长率已从峰值跌落至负值。
2.2.2 日本第五代计算机项目的失败
1982年，日本通产省高调启动了“第五代计算机”项目（Fifth Generation Computer Systems，FGCS），旨在研发一种能够进行逻辑推理、自然语言对话和并行计算的颠覆性机器。日本政府投入了高达5.7亿美元，动员了数十家公司和大学参与。在项目初期，西方世界曾产生巨大的“日本恐惧”，认为美国在AI上的主导地位即将被取代。然而到了1990年代初期，该项目陷入了与第一次寒冬类似的困境：预言的“智能计算机”未能实现，实际可交付的系统既笨重又远远落后于商业化的通用计算机。1992年，项目被悄悄地终止，虽未公开宣布失败，但其象征意义沉重地打击了全球范围内对AI的过高期望。
2.2.3 商业市场的崩溃
第二次寒冬的最后一根稻草来自资本市场。1986年至1991年间，数十家以AI为主营业务的初创公司在纳斯达克上市，许多公司估值畸高。然而随着专家系统市场的萎缩，以及Lisp机器（一种专为AI设计的昂贵硬件）的衰落——因为通用计算机变得足够快且便宜——这些公司开始大规模倒闭。到1993年，美国市场上几乎所有的AI专业硬件公司都已消失，行业从业者数量缩减了2/3以上。当时有位著名的观察家讽刺说：“如果你在1990年代初自称是‘AI研究员’，那就跟在你脑门上贴了张‘请裁员优先考虑我’的标签差不多。”
3.1 技术层面
3.1.1 计算能力的不足
早期的AI模型在理论上看似合理，但在实际运行中暴露了严重问题：计算资源严重不足。在20世纪70年代，一台顶级大型计算机的运算能力大约为每秒几百万次浮点运算（MIPS），而当时试图训练一个简单的、包含少量神经元的网络，就需要成百上千次迭代——每迭代一次则可能耗费数周时间。这种计算瓶颈意味着即使算法在数学上正确，实际操作也几乎不可能完成。在第二次寒冬时期，日本第五代计算机虽然使用了并行架构，但效率极低，其实际运算速度远远不够解决它想解决的逻辑推理问题。总体而言，摩尔定律（处理器性能每18个月翻一番）在AI的期望面前完全是慢动作——研究人员需要的是从“玩具”直接跳到“真实”，中间却缺少了一条至关重要的硬件阶梯。
3.1.2 算法理论与数据匮乏
更根本的障碍在理论层面。连接主义模型（神经网络）在20世纪80年代末的复苏，在技术上依赖于“反向传播算法”——但这个算法在具体实现中充满了数值不稳定性，容易陷入局部最优，且对初始权重异常敏感。符号主义系统（如专家系统）则面临“知识获取瓶颈”——要将人类专家头脑中模糊、直觉性的知识转化为形式化的规则，几乎是不可能的任务。与此同时，可用的高质量数据集也极度匮乏。在20世纪80年代中期，整个MNIST手写数字数据集还未建立（MNIST是在90年代后期才收集的），而训练一个简单的图像识别系统，研究者要靠人工逐张标注数百张图片。没有大数据，任何统计学习方法只能胡猜。
3.1.3 符号主义与联结主义的路线之争
AI领域另一条持续的“内卷”因素是学术派别之间的战争。以马文·明斯基、约翰·麦卡锡为首的符号主义阵营认为，智能的本质是符号操作——就像逻辑演算。而以杰弗里·辛顿等为代表的联结主义阵营却认为，智能来自大规模神经元网络的分布式计算。这两个阵营在20世纪70-80年代爆发了多次激烈的公开论战，并互相指责对方的研究“根本就不是真正的人工智能”。这种“内斗”使得有限的资金在两大路线上被撕裂，没有一条路线获得足够的资源进行真正的长期攻坚。更讽刺的是，在一些大学里，符号主义系和联结主义系的师生之间甚至互不通气，拒绝合作——这种学阀式的纷争严重拖慢了整个领域的研究进度。
3.2 社会与经济层面
3.2.1 媒体过度炒作引发的信任危机
AI的每次繁荣，几乎都伴随着媒体的狂热。1964年，麻省理工学院的约瑟夫·魏岑鲍姆开发了ELIZA程序，这个系统仅仅使用了极其简单的模式匹配和替换规则就能模拟心理医生的交流。但媒体和公众大呼——AI能与人“对话”了！1960年代新闻标题充斥着“会思考的机器将在十年内打败象棋大师”“人工智能将接管人类工作”的预言。80年代，专家系统又引发了一轮媒体狂欢，许多报道声称“这台机器比你的家庭医生还要聪明”。然而当真实系统交付后，用户发现所谓的“智能诊断”不过是读了预设的数据库，最终的答复经常是“请去正规医院检查”。这种巨大的反差在公众心中制造了深刻的信任危机——人们逐渐将“人工智能”与“虚假宣传”画上等号。
3.2.2 军事与商业应用的期望落差
政府和军方是AI项目最慷慨的金主，也是最先感到失望的“甲方”。在第一次寒冬期间，美国DARPA资助的无人车辆计划——“自动驾驶陆地战车”（ALV）在1970年代的测试中，以时速5英里行驶时都经常撞上障碍物或直接迷路。军方立即撤资并宣布该方向“不具有军事价值”。第二次寒冬中，美国空军则因为“战斗管理系统”屡次无法正确识别飞机型号而关停全部AI相关规划项目。商业领域同样如此：银行和保险公司花钱买了AI异常检测系统，结果发现误报率高达99%，系统把每一笔正常取款都标记为“欺诈嫌疑”。这些惨痛的失败项目，共同组成了对AI领域的致命信任危机。
3.2.3 经济衰退与研发经费缩减
宏观经济环境也扮演了重要的推手角色。1973年石油危机引发了全球性的经济衰退，各国政府都在缩减非必要开支。在当时，AI被视作一种“奢侈品”般的基础研究，因此首当其冲地成为了预算削减的目标。同样，在1980年代末到1990年代初，美国又经历了一次严重的储贷危机和经济衰退，军方预算收紧，商业风险投资畏缩不前（风险投资总额从1987年的47亿美元骤降至1991年的16亿美元）。AI正是那种“锦上添花”而非“雪中送炭”的领域，因此在萧条时期几乎必然被抛弃。值得玩味的是，在两次经济恢复后，AI得到的资助并未立即恢复——投资者对其“狼来了”的喊叫已经产生了长久的免疫。
4.1 学术研究方向的转变
4.1.1 从通用AI转向窄领域应用
两次寒冬最大的学术后果是“通用人工智能”（AGI）的梦想被彻底搁置。在第一次寒冬之前，研究者普遍相信“智能是一个统一的系统”，因此他们设计的程序都以模拟整体人类认知为目标。但经过资金断奶的教训后，幸存下来的研究者心照不宣地放弃了这种宏大的路线，转而聚焦于“窄领域”（Narrow AI）的应用。例如，计算机视觉研究者不再试图构建“能观察世界的视觉理解器”，而是将工作缩小到“边缘检测”“光流计算”等极为具体的小任务。这种“缩胸手术式”的研究策略尽管在知识上有些灰头土脸，但至少保证了项目可以产生可重复、可验证的成果——进而说服资助方继续掏钱。
4.1.2 联结主义与神经网络的边缘化
第二次寒冬之后，神经网络方向更是遭到重创。虽然在1986年，辛顿等人的反向传播算法取得了突破，但在1990年代初，大多数主流计算机科学系和心理学系的人仍把神经网络贬低为“科学炼金术”。学术期刊不再接收相关论文，顶级会议中的神经网络分论坛基本空缺；在斯坦福、卡内基梅隆等顶尖院校，神经网络研究组几乎被全部解散，导师甚至会劝学生说：“搞神经网络，你毕业了找不到工作。”这种近乎敌视的态度将联结主义逼到了学术圈的边缘地带，只有极少数实验室（如多伦多大学的辛顿组、瑞士联邦理工学院的施米德胡伯组）在暗处偷偷坚持。这些孤独的“火种”在随后的二十年间默默积蓄力量，直到2012年AlexNet引爆深度学习革命才真正“复仇”。
4.2 产业与资本的退缩
4.2.1 初创企业倒闭潮
第二次AI寒冬期间，产业界的损失最为惨烈。当时，美国AI初创公司的平均寿命从1985年的4年急剧缩短到1988年的2年。以Lisp机器制造商为例：Symbolics公司一度被认为是AI硬件之王，其在1985年的估值高达9亿美元，但到1990年却破产清算，其技术资产以200万美元贱卖。另一个极具代表性的事件是“AI Valley”的泡沫破灭：在波士顿郊区，基于麻省理工学院研究成果的AI创业集群一度十分繁荣，但随着资金冻结，这个区域的科技园在1992年变成了空荡的办公楼群，草籽在停车场裂缝中发芽。行业口耳相传的一个黑色幽默是：“你用AI招了人？恭喜，你刚刚让公司倒闭的时间缩短了50%。”
4.2.2 大学AI实验室关闭或重组
由于资金枯竭和学术声誉受损，许多大学选择了关闭或重组AI实验室。在英国，爱丁堡大学的AI系被合并到计算机科学系，正式名称中的“AI”二字被删掉。在美国，斯坦福大学的斯坦福AI实验室在1975年被迫与计算机科学系合并。麻省理工学院的AI实验室虽然幸存，但人员规模从鼎盛时的300人缩减至100人以下。1990年代初，卡内基梅隆大学机器人研究所的AI小组中，超过一半的正式教授都转向了“实用机器人”方向公开宣称“理论研究已死”。而有些学校则选择把AI项目完全隐藏在不同的名字下——统计模式识别、知识工程、智能系统——好像“AI”这个标签本身就带着诅咒，只要不提它，就还能骗到几笔资助。
4.3 对后续AI复兴的铺垫
4.3.1 保存火种的少数研究者
寒冬并非彻底的物种灭绝。一批最坚毅的研究者选择了坚持下去，用极其有限的资源默默探索。杰弗里·辛顿在1987年从卡内基梅隆大学转到了多伦多大学，因为在加拿大他可以得到一些国家科学委员会的资助（规模很小，只够买两台工作站和雇两个博士生）。他的团队在90年代坚持改进反向传播算法，并发明了“受限玻尔兹曼机”等新模型。同样，瑞士的尤尔根·施米德胡伯从头编写了所有实验代码（因为购买软件授权的预算为零），并提出了后来的长短期记忆网络（LSTM）。这些研究者在两次寒冬中活得像冬眠的熊一样——节省能量、缓慢代谢、保有核心的温暖——但在2000年后，当算力和数据突然大爆发时，他们正好从“冰穴”里走出来，站在了时代的前沿。
4.3.2 数据积累与摩尔定律的潜在作用
当AI本身陷入冰河期时，两股旁侧的力量在默默地为它的复苏做准备。第一是摩尔定律：处理器的性能每18个月翻倍，从1990年到2010年，计算机的算力和内存增长了超过100倍——这意味着同样是运行一个10层神经网络，1990年需要3周才能跑完，2005年只需要3小时，而2012年只需要3分钟。第二是数据的积累：互联网的普及带来了海量的文本、图片、视频。从1995年到2005年，万维网从几百万页扩展到超过100亿页。AI虽然“冬眠”了，但互联网这只看不见的手却在免费地为它收集训练资料。这种“被动式准备”非常重要——当21世纪初学界终于意识到“大数据”的力量时，AI的技术冰河期瞬间结束，迎来了前所未有的“春天”。
5.1 “寒冬”一词的由来与传播
“AI寒冬”这一术语的准确起源至今成谜，但普遍认为它在20世纪80年代末至90年代初伴随着第二次寒冬的媒体报道而流行开来。有些研究人员将这个词归功于1984年的一次AAAI会议，一群受邀演讲者在闭门会谈中叹息说“感觉整个领域正在进入一个漫长的冬天”。而词条“Winter”首次见诸公众则可能来自1988年《商业周刊》的一篇封面文章，标题是《AI：一个冬天的故事》。在那之后，这个气象学隐喻像魔咒一样扎根于行业话语中——它远比更早的术语“AI萧条”或“AI低谷”生动许多。一到危机时刻，圈内人便互相对视，苦笑说：“哎，冬天又来了。”仿佛这是不可逆转的命运。
5.2 在科学史中的叙事地位
AI寒冬在学术史写作中具有双面性。一方面，它被描述为一段荒芜和羞耻的时期——“我们走错了路，然后掉进坑里了”。另一方面，它也被塑造成一种“凤凰涅槃”寓言的铺垫：必要的寒冬清除了浮夸和泡沫，让幸存者变得谦逊而坚定。计算机科学家约翰·麦卡锡曾半带讽刺地说：“AI这门学科，每隔十年就要被宣布死一回，然后每隔十年它又活过来，还更壮实一些——这叫什么？叫新陈代谢。”在科学哲学家的眼中，AI寒冬也被视为典型的“范式更迭”案例——当一个学科长期被过度炒作、承诺失控时，“寒冬”正是修正主义叙事的工具，它通过自我否定和自我修正来完成进化。
5.3 梗与调侃：AI从业者的自嘲文化
5.3.1 “炼金术”陷阱的讽喻
在AI研究者内部，经常拿“炼金术”来嘲讽自己困窘的历史处境。炼金术声称可以将铅变成黄金，而早期的AI则声称可以将数据输入变成智能——两者都是“承诺听起来无比美妙，结果却总是一地灰烬”的学科。圈内段子手甚至编了一个老套的笑话：问“如何判断一个AI研究项目会成功？”答：“你看看研究者有没有穿把铅变金的T恤。”另一个话梗是“我们这行证明了一个定理：如果一件事听起来像炼金术，看起来也是炼金术，那它大概率就是炼金术。”这种自嘲在寒冬时期尤其丰盛——有人曾说“我们做的事就是把钱变成更小的钱，再变成负的钱。”
5.3.2 从“狼来了”到“冬天又来了”的段子
每次技术突破后，媒体总会高喊“AI要接管世界了”，然而每次大泡沫破灭后，AI研究者又变成了那个喊“狼来了”却被村民无视的孩子。这种循环催生了大量梗文化。例如，一个非常流行的网络梗图是一张气象预报截图：预测阳光，但实际画面上却是暴风雪，文字备注是“AI研究员的季节性情绪失调——一周前还在夏天，下周就进入冬天。” 另一个更经典的调侃是：“AI夏天时，圈外人比圈内人更激动；AI冬天时，圈外人比圈内人更沮丧——而圈内人呢？他们只是在安静地调参，因为他们知道，春天迟早会来，冬天也迟早会再回来。”
6.1 如何避免下一次寒冬
6.1.1 设立合理的预期管理机制
从历史的教训来看，避免AI寒冬最关键的举措是主动管理公众和投资者的期望。研究者、企业和媒体需要共同建立一种“负责任叙事”的文化，即不夸大现有系统的能力，也不做出不可证伪的预测。具体机制可包括：在学术论文中明确标注系统的“失败案例”和“适用范围”，而不是只展示最好的结果；在媒体采访中，坚持强调当前技术的局限性和未解决的问题；企业则应建立“内部悲观官”或“技术风险监察官”的角色，专门负责向管理层泼冷水。也有学者主张建立类似于“华尔街预期管理”的规则：每个AI突破必须附带一份“可能的失败路径”自评报告，作为行业合作发表的标准附件。
6.1.2 平衡基础研究与商业落地
第二次寒冬的一大教训在于，对“专家系统”的商业化过度倾斜，使基础研究完全被忽略。当落地项目失败，整个体系轰然崩塌。为了避免重蹈覆辙，AI生态系统应当划出“基础研究安全区”——就像瑞士的黄金储备一样，应保留一部分资金完全不受市场波动影响的、支持“愚蠢的、可能永远也没用的”基础研究。政府在资助策略上也应避免“押宝式”的巨额投入，而是采用“分散投资基金”模式，支持多种理论路线的长期跟踪。简单说就是：不要把所有鸡蛋放在同一个AI篮子里，更不要把篮子绑到股市的过山车上。
6.2 对于AI治理的长期教训
AI寒冬的历史也隐含着对于更广泛的科技治理的教训。首先，需要警惕“技术决定论”陷阱：当一个领域的资助者（政府或企业）相信技术会“自动”带来预期回报时，他们往往不愿意为瓶颈问题提供持续的耐心支持，而一旦碰壁，又往往“一刀切”地撤销所有资金——这种急功近利的心态，正是每一轮寒冬的直接原因。其次，应建立“区域风险预警系统”：当对某一技术方向的报道量和融资额在短时间内暴涨，同时学术界开始频繁抱怨“重复性不足”时，相关治理机构应考虑主动“降温”，例如举办反方向的“坏结果研讨会”，展示失败案例和理论限制。这或许可以从体制上防止下一次寒冬的烈度过大。
6.3 历史周期律与技术进步的非线性
AI寒冬最耐人寻味的，是它恰好展示了技术进步的“非线性”本质——它不是沿着一条平滑的上升曲线前进，而是由一系列的“欺骗性高点”和“灾难性低谷”交错构成。1970年和1990年的研究者绝对无法想象2010年代深度学习会如此成功；同样，今天的AI也可能在下一个十年突然撞上另一种“组合爆炸”或其他未曾预料的屏障。正是这种认识让许多资深AI研究员对过热保持警惕：他们深知，每一个“夏天”都可能是“另一个寒冬的前奏”。而唯一能穿越所有周期的方式，是坦诚地接受“我们什么都还不知道”的现实，在一个个失败中缓慢积累，而不是在一次次狂欢中浪费热情。
最终，AI寒冬给我们留下的启示或许可以归结为一句老话：“冬天总有一天会走，而春天也总有一天会回来——但前提是你得活过冬天。” 那些在冰封中幸存的研究者、代码和数据，正是让曙光得以再次到来的种子。