AI摔过两次，两次都是同一个姿势

说一个你大概见过的场面。公司开会，大屏幕放着一串数字，说这套系统能替掉多少人、省多少钱。会议室里所有人都在点头。结果一年后预算砍了，项目组散了。

现在发展迅猛的AI，在历史上也遇到过两回这种情况。这两回的开场，和你刚才看到的那一幕一模一样。

技术本身一直在往前走，只是没宣传里说的那么神。大家以为AI能干十件事，真上手才发现只能干六件。差的那四件没人细算，等真用起来窟窿摆在那儿，钱也就撤了。

每一次寒冬的种子，都埋在高潮最热的那一年。

🎛️ 互动演示 1：宣传和现实的温差

拖动“宣传里说能干”和“实际可靠能干”，看承诺一旦拉大，资金反应怎么变。

一群人，一个夏天，一句大话

1955年8月，27岁的麦卡锡给洛克菲勒基金会写信，想借钱在次年夏天办一场研讨会，把人凑到达特茅斯学院聊两个月。

信里那句话今天读起来还是有点吓人。他的意思是，学习的每个方面、智能的任何其他特征，原则上都能被精确描述，让机器模拟。翻成大白话，给一群聪明人一个夏天，智能的底层机制就能摸清楚。

他要一万三千美元，基金会只批了七千五美元。

1956年夏天，明斯基、香农、西蒙、纽厄尔这些人都到了。29岁的明斯基，后来创办 MIT 人工智能实验室；香农，信息论的发明人；西蒙和纽厄尔这对搭档，西蒙后来拿了诺贝尔经济学奖。人工智能这个名字就在这里诞生。但会开完，连方法论都没谈拢，一群人就散了。

（图：1956 年夏天的达特茅斯研讨会——乐观从这里开始，问题也从这里埋下。）

但此后，人工智能的成果还真就一个接一个冒了出来。纽厄尔和西蒙写了个“逻辑理论家”，拿罗素和怀特海那本《数学原理》练手，书里52条定理证出38条，其中一条的证明比原作者写得还简洁。塞缪尔写了个跳棋程序，让它自己跟自己下，下着下着，它比塞缪尔自己下得还稳，机器学习这个词最早就是在这程序上说出来的。还有个魏岑鲍姆写的 ELIZA，扮演心理治疗师，你说什么它换个说法还给你，很多人聊完觉得它懂自己。

这三样，今天你手机里那个 AI 一样也不少：会算题、会自己从海量数据里学、会陪人聊。区别只是当年它们分散在三个程序里，每一样都还很笨，也没人知道怎么把它们拼到一块去。

可在1956年之前，这三件事都被认为只有人能干。于是钱来了。

一记闷棍，和一句翻译出来的笑话

翻车的地方在常识。当年流传过不少笑话，说一句成语或者一句俗话，译成外文再译回来，意思就全拧了。那批人拿它当笑话讲，是笑不出来的。

词机器都认识，但它不知道连起来指什么。1960年代的机器翻译就是查词典加语法规则，能处理“苹果是红的”，处理不了“眼不见心不烦”。

🎛️ 互动演示 2：查词典的机器翻译为什么翻车

选一句成语，点“按规则直译往返”。每个词都能查到，整句话却会被拧变形。

1966年，美国国家科学院下面的 ALPAC 委员会出了份报告，结论是看不出还有什么理由继续大力支持机器翻译。到此时还只是砍了机器翻译。

真正让整个领域入冬的是七年后。1973年，英国科学委员会委托剑桥的流体力学专家莱特希尔评估这个学科值不值得投钱。报告引言里，他本人明确说了一句，此前并不熟悉这个领域。

一个搞流体力学的，给整个人工智能判了死刑。

此后，英国大幅削减研究经费，美国跟着收紧，人工智能进入第一次寒冬。可事后看，那几年方向没错，人也对，就是做不出来。当时计算机撑不起一个真正懂世界的系统，要让程序有常识，先得有一个装满常识的数据库，而1970年没人知道这库怎么建。坎迈不过去，也没人真放弃。到了1980年，钱又回来了。

（图：第一次寒冬——常识的坎迈不过去，资金先退了潮。）

第二次，摔得更深

这次的入场券是“能赚钱”。

1978年，卡内基梅隆大学给 DEC 做了个软件叫 XCON，帮客户配计算机零件。配一台机器有几百条约束，人配错是常事，XCON 把这些约束写成规则一条条查。它管用，DEC 每年靠它省几千万美元（按流传最广的估算）。到1980年代末，三分之二以上的《财富》1000强企业都在做类似的专家系统。

这次掏钱的是企业的账本，比国家意志硬，也更不耐等。日本干脆把国运押上去，1982年通产省拿出540亿日元，宣布用十年造一台会思考的计算机。美国、英国、欧洲全都立了类似项目。ICOT 从全国挑了40个35岁以下的年轻人，所长渊一博对他们说，计划失败由我负完全责任。

然后该来的来了。XCON 的规则从几百条涨到1988年的17500条，每年还得改掉其中的一大部分。

问题就出在这儿。几百条规则一个人能记住，改起来心里有数；一万七千条堆在一起，谁也不知道改这条会不会撞翻那条。每加一条新的，都得先查它会牵扯到哪些旧的。系统越大，光维持它活着就占满人手，没余力往前做。它不是在长大，而是在苦苦维持。

（图：专家系统的困局——规则越写越多，最后连维持本身都成了负担。）

🎛️ 互动演示 3：XCON 的规则膨胀

点“推进一个阶段”或“自动推进”，看规则从几百条涨到一万七千条时，维护状态和风险怎么变化。

市场那边塌得更快。当年的专家系统不是装在你办公桌上那种电脑里的，它得跑在一种专门为它造的机器，叫 Lisp 机，一台几万到十几万美元。

1987年前后，普通工作站和个人电脑的性能追了上来，价格只有它的零头。客户算账很直接：我为什么要花十几万买一台只能干一件事的机器？于是专用机没人买了，造它的几家公司也很快撑不住了。软件做得再好，也没地方跑了。

日本那个十年计划撑到1992年终于宣布难以实现，实际花掉超过3.2亿美元。

1987年到90年代初，人工智能进入了第二次寒冬。

那几年，AI 躲起来了

1985年，耶鲁的一位研究者把后面要发生的事一条条写了出来：项目兑现不了承诺，投资人撤资，创业公司倒闭，所有 AI 项目改名，然后寒冬到来。后来每一条都应验了，最扎心的是倒数第二条。

那几年，一批做 AI 的公司悄悄把招牌换了，改叫机器学习、信息学、知识处理系统、模式识别。人还是那批人，活也还是那些活，就是不敢再让“AI”两个字出现在自己门口。

一个行业，被迫改了自己的名字。

（图：寒冬里的换牌时刻——“AI”从门口消失，工作却还在继续。）

🎛️ 互动演示 4：换掉招牌，保住火种

点“把 AI 从招牌上撤下”和“恢复 AI 招牌”，观察热度和审视一起潮起潮落。

所以寒冬到底有多长？不是从撤资到钱回来那几年。是到有人敢重新当众说出这个词，才算完。

三件事，得凑齐

两次考试，出的题不一样，一次考“机器会不会想”，一次考“机器能不能挣钱”。可两回都栽在同一处：本事还不够，话已经说满了。

第一次栽在两条上。机器算不动，也不懂人在说什么。第二次栽在另一条上。想让机器显得聪明，就靠人一条条把知识写进去，可人写不完，也养不起。

一件事要成，得凑齐三样：技术真能做出来，有人愿意掏钱，掏钱的人等得起。三样里头少一样，场面再热闹也长不了。

两次摔下来，反倒把路指明白了。靠人一条条写，写不完；靠人一个个教，教不过来。得让机器自己从数据里学。这条路一直都在，只是被前面两回太大的声音盖住了。等到它终于被听见，事情才算真的成了。

（图：技术、资金、耐心凑齐后，机器学习终于接过了下一棒。）

🎛️ 互动演示 5：三件事，得凑齐

打开或关掉“技术”“资金”“耐心”三根支柱，看项目能不能撑过周期。