第一次AI寒冬

寒冬背景

过度乐观的承诺

1960年代，AI先驱们做出了大胆预测：

• 西蒙（1965）："20年内机器将能做人能做的一切"
• 明斯基（1967）："一代人之内...创造'人工智能'的问题将基本解决"

这些预测与现实相去甚远，损害了AI的可信度。

早期成果的局限

虽然有ELIZA、SHRDLU等程序，但：

• 只能在"玩具"问题上工作
• 无法扩展到真实世界
• 缺乏真正的理解能力
• 需要大量人工编码规则

经济与政治因素

1970年代初的经济环境也影响了AI：

• 石油危机导致经济衰退
• 政府预算紧缩
• 基础研究资助减少
• 要求研究有实际应用价值

主要原因

技术瓶颈

理论缺陷

• 莫拉维克悖论：让计算机做高等数学容易，做简单感知反而困难
• 框架问题：难以确定行动会影响哪些知识
• 符号接地问题：符号如何与现实世界联系起来

期望落差

资助机构期望看到实际应用，但AI研究者：

• 专注于理论研究
• 使用人工设计的小问题
• 缺乏工程化思维
• 过度宣传潜在价值

Lighthill报告

报告背景

1973年，英国科学研究委员会委托James Lighthill爵士评估AI研究。这份报告对AI造成了重大打击。

主要批评

Lighthill将AI研究分为三类：

1. 高级AI（General AI）：创造完全智能的机器——认为不切实际
2. 中级AI（Applied AI）：特定领域的智能应用——认为进展有限
3. 低级AI（Cybernetics）：控制论和自动化——认为与AI无关

他的结论是：高级AI是不切实际的幻想，中级AI的成果有限，AI研究的价值被高估。

电视辩论

1973年，BBC播出了一场著名的辩论：

• Lighthill对阵麦卡锡、米基等AI研究者
• Lighthill指出AI无法解决实际问题
• AI研究者无法有效反驳
• 公众对AI的信心动摇

报告后果

Lighthill报告直接导致：

• 英国几乎停止了所有AI资助
• 其他欧洲国家效仿
• 美国DARPA也大幅削减AI预算
• "AI寒冬"正式降临

影响与后果

资助削减

• DARPA的语音理解项目被取消
• 其他AI项目资助大幅减少
• 大学AI研究组解散或萎缩
• 商业AI公司倒闭

人员流失

大量AI研究者：

• 转向其他计算机科学领域
• 进入工业界从事非AI工作
• 彻底离开学术界

声誉损害

• "人工智能"成为贬义词
• 研究者不愿使用AI标签
• 相关研究改称"知识工程"、"模式识别"等
• 申请资助时刻意避免AI术语

研究转向

剩余的AI研究转向更实际的方向：

• 专家系统在特定领域应用
• 模式识别和机器视觉
• 自然语言处理的实用方法
• 神经网络在小规模数据上的研究

坚持的研究

幸存的研究方向

即使在寒冬期间，一些研究仍在继续：

• 专家系统：在医疗、地质等领域取得实际应用
• Prolog语言：在欧洲发展逻辑编程
• 日本第五代计算机：虽然最终失败，但带动了研究
• 机器学习：早期算法在悄悄发展

反思与调整

寒冬促使研究者反思：

• 更加务实的期望设定
• 关注具体问题而非通用智能
• 重视知识表示和学习
• 强调实际应用价值

种子的播撒

一些重要进展在寒冬中孕育：

• 反向传播算法的改进（1974-1986）
• 专家系统的商业化
• 认知科学与AI的结合
• 机器学习的基础研究

历史教训

避免过度承诺

最大的教训是：

不要承诺你无法兑现的结果

过度宣传短期损害信誉，长期伤害整个领域。

务实的态度

• 关注可解决的具体问题
• 设定可实现的目标
• 展示实际成果而非概念
• 承认技术的局限性

对现代AI的启示

• 避免炒作和过度宣传
• 建立合理的公众期望
• 关注可落地的应用
• 持续的基础研究投资