第一次AI寒冬：早期承诺与现实的碰撞

第一次AI寒冬的到来并不是由于单一事件，而是多种因素的共同作用。这些因素包括无法兑现的过度夸大的承诺、现有技术和理论理解的基本局限性以及对该领域基础和进展的有力质疑，这最终导致了严重的资金削减。

“AI寒冬”意味着一个人工智能研究的兴趣和资金大幅减少的时期。这些时期通常以过度炒作后因成果未能符合预期而失望的循环为特征。

促成第一次AI寒冬的关键因素

若干关键问题汇聚，触发了这一低迷期：

1. 夸大的承诺和未实现的期望：早期AI研究人员受到在有限领域内（如游戏或简单逻辑）的初步成功的鼓舞，做出了高度乐观的预测。像赫伯特·西蒙这样的人物在20世纪50年代末和60年代就大胆地预测说，机器将在20年内能够做出人能做的任何工作。当这些宏伟愿景未能实现——机器不能流利地理解自然语言、准确翻译或展示通用的常识推理时，赞助商和公众的失望情绪日益加重。
2. 基本技术障碍：
   • 组合爆炸：研究人员发现，许多看似简单的问题在规模扩大时变得计算上难以处理。对于简单的“小玩具”问题有效的方法在实际任务中失败，因为需要探索的可能性数量成指数增长，超出了可用计算资源的能力。
   • 计算能力和内存不足：尽管时代的硬件在进步，但其计算速度和内存容量不足以处理更复杂的AI程序所需的复杂计算和大量数据，成为主要瓶颈。
   • 缺乏大型数据集：与今天的数据丰富环境不同，研究人员缺乏有效训练和测试AI系统所需的大量、数字化的数据集，特别是对于语言理解或图像识别这样的任务。
   • 理论限制（例如，感知器）：尽管略早于主要的寒冬时期，马文·明斯基和西摩·帕佩特在1969年出版的《感知器》一书从数学上证明了简单的单层神经网络（当时的主要联接主义模型）的基本局限性。他们指出，这些网络甚至不能解决诸如异或函数这样的问题，对它们在复杂任务中的潜力产生了怀疑，并显著打击了对神经网络研究的热情，持续了十多年。
3. 破坏性的批评和资金削减：
   • ALPAC报告（1966年，美国）：这一由自动语言处理顾问委员会为美资助机构委托的报告对机器翻译研究进行了高度批评性评估。其认为机器翻译比人工翻译更慢、准确性差且成本更高，并预见在不久的将来没有实用高质量翻译的前景。这导致美国机器翻译项目的资金大幅减少。
   • 莱特希尔报告（1973年，英国）：由英国科技研究委员会委托并由应用数学家詹姆斯·莱特希尔撰写的此报告对英国的AI研究持悲观态度。它认为AI未能实现其宏伟目标，及其方法因面对如组合爆炸等问题而不足以解决实际问题。该报告导致英国大学的AI研究资金大幅削减，实际上在英国引发了AI寒冬。
   • DARPA的重点转移（美国）：美国国防高级研究计划局（DARPA）是AI研究的主要资助来源，其对在诸如语音理解领域的缺乏具体进展越来越感到失望（例如卡内基梅隆大学的语音理解研究计划）。在20世纪70年代初，DARPA将其资金战略转向更有明确短期目标的项目，削减了对更具探索性、无明确导向的AI研究的支持。
4. Moravec悖论的出现：研究人员开始观察到汉斯·Moravec后来所阐述的内容：人类容易的任务（如感知、移动、模式识别）对AI来说极其困难，而对人类来说困难的任务（如复杂计算或在有限域中逻辑推理）对计算机而言相对简单。这突显了复制人类基本感官和运动技能的深刻挑战。

 

来源: 维基百科

 

冻结的影响

第一次AI寒冬对该领域产生了深远的影响：

• 资金大幅缩减：政府机构（如美国的DARPA和英国的SRC）和私人投资者显著减少或取消了对AI研究的资金支持。
• 项目取消和放缓：许多雄心勃勃的AI项目被关闭，总体研究活动显著放缓。
• 研究重心转移：研究人员往往将注意力转向更有短期结果前景更明确的计算机科学应用领域，或在不同标签下重新包装其AI工作（如模式识别、信息学）以获取资金。
• 人才流失：由于缺乏资金和进展的感知缺乏，一些研究人员离开了这个领域。
• 促生务实态度：从正面来看，这次寒冬迫使留下的研究者采用更现实的目标和严格的方法学。它鼓励在更有限的问题和如逻辑编程、知识表示及探索不同推理机制（如常识推理）这类基础领域的工作，奠定了未来进步的基础。

这段时期的关键人物及其作用

• 马文·明斯基和西摩·帕佩特：麻省理工学院AI实验室的联合创始人。他们在1969年的《感知器》一书对早期神经网络进行了批判性分析，显著导致了与第一次寒冬相吻合的联接主义研究的衰退。
• 詹姆斯·莱特希尔爵士：1973年具有影响力的莱特希尔报告的作者，该报告严厉批评了英国的AI研究，导致了那里主要的资金削减。
• 赫伯特·西蒙和艾伦·纽厄尔：早期的AI先锋，他们在50年代和60年代关于AI能力的乐观预测促成了最初的炒作周期。
• 约翰·麦卡锡：“人工智能”一词的创造者，并开发了LISP编程语言，尽管寒冬，后者仍对AI研究至关重要。
• 耶和书亚·巴尔-希勒尔：对全自动高质量机器翻译的可行性持早期怀疑态度的学者，他的论点在ALPAC报告之前得到了越来越多的支持。
• 罗杰·尚克和马文·明斯基：稍后，在1984年AAAI会议上，他们明确警告即将到来的“AI寒冬”（指潜在的第二次寒冬），并将其比喻为核冬天，普及了用这一术语来描述这些低潮期的概念。

解冻和获得的教训

第一次AI寒冬并不代表完全停止，而是一个显著的降温和重评。特定领域的研究继续进行，往往伴随着更少雄心勃勃的主张。获得的教训——对更强大的计算能力、较大数据集、更加复杂的算法和更现实的目标设定的需要——至关重要。尽管专家系统的开发在这段时期末及20世纪80年代初开始起势（导致随后的繁荣和最终的第二次AI寒冬），但第一次寒冬的结束更像是一次逐渐的解冻。这一阶段的特点是更加谨慎、专注的方法，慢慢重建了信誉，为不同AI范式的最终复兴铺平了道路，包括数十年后对机器学习和神经网络的兴趣重新燃起，这得益于在20世纪70年代缺乏的计算能力和数据。