AI寒冬现象：过度炒作的承诺与人工智能发展的周期

什么是“AI寒冬”？它为何重要？

“AI寒冬”一词出现于1980年代中期，用来描述对人工智能研究的兴趣和相关资金大幅下降的时期。这些寒冬不仅仅代表发展放缓；它们还标志着对该领域的能力和承诺的信心危机。它们通常是由过度乐观（“炒作”）与实际结果之间的差距引发的，当技术未能兑现往往不切实际的期望时就会发生。

这些周期在全球范围内影响了研究方向、投资策略，甚至公众对人工智能的看法。理解它们有助于避免重蹈覆辙，并对这项技术抱有更现实的期望。

第一次AI寒冬（约1974–1980年）：雄心的局限

在1950年代和60年代，人工智能的黎明期，人们的热情高涨。思维机器似乎指日可待。然而，到了1970年代，局限性变得显而易见：

• 组合性爆炸： 当时的算法可以处理较简单的问题，但在面对现实世界的复杂性时却失败了，在现实世界中，可能的解决方案数量呈指数级增长。
• 计算能力和数据有限： 硬件根本不够强大，无法实现雄心勃勃的目标，而且今天为AI模型提供动力的大型数据集也无法获得。
• 关键报告和资金削减：
  • ALPAC报告（1966年，美国）： 虽然时间较早，但这份报告预示了人们的幻灭。它对机器翻译的现状进行了严厉的评估，大幅削减了该领域的资金，并助长了怀疑的气氛。
  • 感知器批判（Minsky & Papert，1969年，美国）： 这本书用数学方法证明了当时简单神经网络（感知器）的根本局限性（例如，它们无法解决异或问题），使连接主义（神经网络）研究倒退了很长一段时间。
  • Lighthill报告（1973年，英国）： James Lighthill爵士对英国人工智能研究进行了批判性评估，指出人工智能未能兑现其宏伟承诺，即使在机器人技术和语言处理等基础领域也是如此。因此，英国政府大幅削减了对人工智能研究的资助。
  • DARPA的失望（美国）： 美国国防高级研究计划局（DARPA）是人工智能研究的主要资助者，在70年代初对研究结果越来越不满意，特别是语音理解研究（SUR）计划进展缓慢。这导致了重大的结构调整和资金削减。

这些因素结合起来导致了第一次AI寒冬，在此期间，研究活动放缓，资金枯竭，许多人离开了这个领域。

第二次AI寒冬（约1987–1990年代中期）：专家系统的衰落

在1980年代初期，人工智能重新获得发展势头，这主要是由于“专家系统”的成功。这些程序旨在模拟人类专家在狭窄领域的知识和决策逻辑。一个产业蓬勃发展，并开发了专门的硬件（LISP机器）来运行它们。

然而，第二次寒冬到来了，主要原因是：

• 专家系统的局限性： 越来越明显的是，这些系统很脆弱，难以维护，并且更新它们的知识非常劳动密集（“知识获取瓶颈”）。它们无法学习或将知识推广到新的情况，并且缺乏常识。
• LISP机器市场崩溃（1987年）： 随着通用工作站（例如，来自Sun，甚至PC）的性能赶上，以及LISP软件环境在这些工作站上可用，对为专家系统开发的昂贵、专用LISP机器的需求崩溃了。专用硬件在经济上变得不可行。
• 再次过度承诺： 围绕专家系统的炒作再次造成了技术无法满足的不切实际的期望，导致了再次幻灭。

第二次寒冬可能没有第一次那么“严酷”，但它仍然带来了大量的资金削减和兴趣减退。

AI寒冬的后果与复兴

AI寒冬并非只有负面影响。尽管资金缩减，许多项目被暂停，但低迷时期也提供了重要的教训：

• 更现实的目标： 研究人员被迫设定更务实、可衡量的目标。
• 寻找新方法： 失败促使人们探索替代方法，例如统计机器学习和重新发现以前被边缘化的神经网络。
• 基础研究的重要性： 越来越明显的是，长期的基础研究是必要的，而不是仅仅关注短期的、以应用为导向的项目。

从1990年代后期和2000年代开始，人工智能逐渐迎来新的“春天”。驱动因素是：

• 计算能力爆炸式增长（摩尔定律，GPU）： 越来越强大且更便宜的硬件使得执行以前棘手的、计算密集型算法成为可能。
• 互联网和“大数据”： 大量的数字数据变得可用，这对于训练现代机器学习模型（尤其是深度学习）至关重要。
• 算法突破： 更先进的机器学习技术，以及2010年代开始的深度学习革命，在图像识别、语音识别和自然语言处理等领域带来了重大进展。

大型企业（谷歌、Facebook、微软、亚马逊等）在人工智能研发方面投入巨资，加速了创新以及人工智能融入日常技术。

当前的AI繁荣以及再次迎来寒冬的可能性？

目前（截至2025年4月），我们正处于前所未有的AI繁荣之中，这主要归功于生成式AI（例如，ChatGPT、DALL-E、Midjourney）的惊人成功。投资正在打破纪录，人们的兴趣也异常浓厚。问题随之而来：这种增长是可持续的吗？还是另一个AI寒冬正在逼近？

支持新寒冬的论点：

• 不切实际的期望（AGI炒作）： 夸大的承诺再次浮出水面，尤其是在通用人工智能（AGI）即将到来的方面，而当前的系统仍然存在重大局限性（例如，缺乏真正的理解、“幻觉”、能源需求）。
• 经济回报的疑问： 虽然这项技术令人印象深刻，但许多生成式AI应用程序的商业模式尚未成熟，其开发和运营成本极高。如果预期的经济效益未能实现，投资者的热情可能会减退。
• 规模限制和成本： 训练和运行当前的大型模型需要巨大的计算能力和能源。这种模式能够持续多久或在经济上如何增加是值得怀疑的。
• 伦理和监管挑战： 虚假信息的传播、劳动力转型、数据隐私问题以及潜在的滥用引发了严重的社会和监管问题，这些问题可能会减缓或限制人工智能的采用。
• 触及技术平台期： 当前的架构（例如，transformers）可能正在达到其能力的极限，如果没有进一步的根本性突破，进展可能会放缓。

反对新寒冬的论点：

• 创造真正的价值： 与之前的寒冬不同，今天的AI已经在众多领域（例如，医疗诊断、物流、科学研究、软件开发、创意产业）创造了切实的价值。
• 广泛采用： 人工智能不再局限于研究实验室；它已嵌入到我们的日常生活和业务流程中。
• 多元化的资金来源： 虽然风险投资很重要，但大型企业和政府也是重要的长期投资者。
• 持续的算法进步： 研究非常活跃，新的想法和改进不断涌现。

结论： 虽然由于该技术目前的嵌入性和实用性，不太可能再次出现类似于过去的深度“AI寒冬”，但某种形式的“降温”、增长率放缓或炒作周期的修正并非不可能。未来取决于该领域是否能够应对技术、经济和伦理挑战，并继续交付真正的、可持续的价值，而不是仅仅是 inflated 的承诺。