一、开篇：AI 不是 1990 年代的科幻概念
很多人以为 AI 是 ChatGPT 出圈后才出现的新事物——实际上 AI 作为一门学科已经走过了 70 年。这 70 年里，有 30 年 AI 都在过冬。但每次冬天都孕育了下一波春天——这是 AI 最重要的节奏感。
二、第一次寒冬（1974 – 1980）：Lighthill 报告与 DARPA 撤资
2.1 黄金期的高歌猛进（1956 – 1973）
达特茅斯会议之后的 17 年，AI 是美国国防部和学术界的宠儿：
- 1958 LISP 语言诞生（McCarthy），成为 AI 研究的标准工具；
- 1965 Shakey 机器人（Stanford）——第一个自主导航机器人；
- 1969 Minsky & Papert《Perceptrons》——单层神经网络理论上证明有局限，但被误读为”神经网络死了”；
- 1970 PROLOG+ 第五代计算机计划（Japan），日本举国投入。
DARPA 在 1960s – 1970s 早期给了 MIT、Stanford、CMU 大量研究经费——所有 AI 实验室都在解决”玩具级”问题，但研究者对外承诺”20 年内造出人类水平 AI”。
2.2 Lighthill 报告与英国撤资（1973）
1973 年，英国应用数学家 James Lighthill 受政府委托发表了对 AI 的全面评估——著名的 Lighthill Report：
“AI 在组合爆炸（combinatorial explosion）问题上没有任何突破。研究者承诺的所有’大规模应用’，没有一个落地。”
Lighthill 没有否定 AI，但他用数据说明 AI 的实际能力与公众预期差距过大。结果是：英国政府撤资所有 AI 研究，DARPA 紧随其后。
2.3 寒冬中的种子
但在这次寒冬中，反向传播算法（Backpropagation）的雏形在 1970 年代出现，1986 年由 Rumelhart、Hinton、Williams 重新系统化——成为 1980s 第二次 AI 浪潮的引擎，也是后来深度学习的核心算法。
三、第二次寒冬（1987 – 1993）：专家系统泡沫破裂
3.1 1980s 的专家系统狂热
1980 年代，AI 转向专家系统（Expert System）——把人类专家的知识编码成 if-then 规则。代表性系统：
- XCON（DEC，1980）——配置 VAX 计算机订单，每年节省 4000 万美元；
- MYCIN（Stanford，1976）——诊断细菌感染，开抗生素；
- DENDRAL（Stanford，1965）——识别有机化合物结构。
1980 年代，专家系统产业规模从几百万美元涨到几十亿美元——AI 第一次大规模商业化。Symbolics、Lisp Machines、Intellicorp、Inference 等 AI 公司在华尔街上市。
3.2 三记闷棍
但专家系统有三个致命问题：
1. 知识获取靠人工——MYCIN 一共 600 条规则，每条都靠医生访谈，扩展性差；
2. 系统僵化——遇到规则外的情况直接崩；
3. 维护困难——规则库相互冲突，调一个规则可能破坏整个系统。
1986 – 1987 三件大事：
- Apple 与 IBM 推出个人电脑 + LISP 机器失效（专用 AI 硬件过时）；
- 桌面 PC 工作站价格断崖下跌（从 10 万美元降到 1 万美元）；
- AI 寒冬——投资者认识到专家系统的局限性。
- 3.3 DARPA 又撤资
DARPA 在 1987 年成立 Strategic Computing Initiative，原本想 10 年投 10 亿美元造 AI——但 1988 年 DARPA 局长要求专家系统退休，AI 经费被砍。LISP 机器公司全部破产。
3.4 寒冬中的种子
寒冬中，三个关键算法诞生：
- 1986 反向传播算法（Rumelhart, Hinton, Williams）；
- 1989 LeNet（LeCun）——第一个实用的卷积神经网络；
- 1995 SVM（Cortes & Vapnik）——成为 1990s–2000s 的主流模型。
寒冬并不是空白——它是算法积淀的暗河。
四、第三次寒冬（2005 – 2010）：深度学习前夜的低谷
3.1 1990s – 2000s 早期的统计学习复兴
1997 年 IBM 深蓝击败卡斯帕罗夫——AI 第二次重大公众事件。但深蓝是规则+暴力搜索的巅峰，不能扩展到非棋类问题。
2000 年代初，SVM、朴素贝叶斯、随机森林成为主流——但所有算法在图像、视频、语音上都遇到天花板。
3.2 DARPA 第三轮撤资
2004 – 2007 年 DARPA 削减 AI 经费——3 次寒冬，3 次 DARPA 都撤资，几乎成了规律。学术界、媒体、公众一致认为”AI = 炒作”。
3.3 寒冬中的种子：深度学习三件大事
| 时间 | 事件 | 意义 |
|---|---|---|
| 2006 | Hinton《A Fast Learning Algorithm for Deep Belief Nets》 | “深度学习”术语正式诞生 |
| 2006 | Stanford & Princeton 发布 ImageNet（120 万张标注图） | 大规模数据成基础设施 |
| 2009 | NVIDIA CUDA 推广 GPU 通用计算 | GPU 训练成为可能 |
| 2012 | AlexNet 在 ImageNet 错误率从 26% 降到 15% | 深度学习胜利 |
| 2014 | Google 16 亿美元收购 DeepMind | 资本回流 AI |
2012 年 AlexNet 是分水岭，从此 AI 进入第四次浪潮——也就是深度学习时代，至今仍在持续。
五、模式：三次寒冬的共同剧本
回顾三次寒冬，模式惊人地一致：
1. 上一次突破 → 资本大量涌入
2. 研究者过度承诺
3. 短期内看不到回报
4. 媒体/政府批评”AI 失败”
5. 撤资、收缩、低迷
6. 算法在沉默中迭代
7. 下一个突破触发新一轮热潮
规律：寒冬的长度大约等于上一波热潮的2 倍时间——这是 AI 自身的”周期律”。
六、结语：今天 AI 在第几个冬天？
回到 2026 年——AI 正处在第六次浪潮（生成式 AI + Agent）的中段。大模型价格战、推理成本下降 100 倍、Agent 初步落地——这些迹象都显示 AI 处在热潮而不是寒冬。
但下一次寒冬的种子可能已经埋下：
1. 大模型”幻觉”问题还没解决——AGI 承诺可能再次落空；
2. AI Agent 落地速度低于预期——企业 ROI 还在验证；
3. AI 监管收紧——欧盟 AI Act、中国生成式 AI 管理办法；
4. 算力成本上升——万卡集群电费比模型本身更贵。
AI 周期律告诉我们：冬天总会来，但冬天总会过去——关键是冬天里种子还在不在。
