黄金起点：当科学家们许下不可能的承诺

AI爱好者·2/15/2026·7

AI 这个领域有个非常有趣的特点：它不是一条平滑的上升曲线，而是一部充满戏剧性的兴衰史。从 1956 年达特茅斯会议上的豪言壮语，到七十年代的资金断裂，再到八十年代专家系统的虚假繁荣与崩塌，最后到 2012 年深度学习的绝地反击——这条路上的每一次「死亡」和「复活」，都藏着技术发展的底层规律。

理解这些规律，不是为了做历史考古，而是因为：今天的 AI 热潮，正在重演许多相同的剧本。

PART 01

黄金起点：当科学家们许下不可能的承诺

1956 年夏天，约翰·麦卡锡、马文·明斯基、克劳德·香农等人在达特茅斯学院召开了一场研讨会。这场会议被视为 AI 的「创世纪」——「人工智能」这个术语正式诞生。

与会者的乐观程度在今天看来令人咋舌。他们普遍认为，在一代人的时间内，就能造出与人类智能相当的机器。赫伯特·西蒙在 1965 年预言：「二十年内，机器将能做到人类能做的任何工作。」明斯基则在 1967 年说：「在一代人之内，创造人工智能的问题将得到实质性解决。」

美国政府被这些承诺打动了。DARPA 在六十年代向 MIT、斯坦福、CMU 等高校的 AI 实验室投入了数百万美元的资金，而且几乎不设附加条件——纯粹的基础研究拨款。早期的 AI 程序确实在一些简单任务上表现惊艳：能下国际象棋、能解代数题、能进行基本的英语对话。

问题在于，这些系统在「玩具级」问题上的成功，给了所有人一个错觉——觉得只要投入更多资源，就能解决真实世界的复杂问题。这个错觉，直接为第一次寒冬埋下了伏笔。

PART 02

第一次寒冬（1974-1980）：一份报告冻结了一个时代

1973 年，英国政府请来了著名数学家詹姆斯·莱特希尔爵士（Sir James Lighthill）来评估 AI 研究的现状。莱特希尔本人是流体力学和航空工程专家，不是 AI 研究者——这个细节很重要。

他提交的报告——即著名的《莱特希尔报告》——给了 AI 领域一记重锤：

"In no part of the field have the discoveries made so far produced the major impact that was then promised."（该领域没有任何一个分支，产出了当初承诺的重大影响。）
—— James Lighthill, 1973

报告精准地指出了一个核心技术瓶颈：「组合爆炸」（Combinatorial Explosion）。简单说就是：AI 算法在简单问题上表现很好，但当问题规模增长时，所需的计算资源会呈指数级增长。这意味着大多数 AI 算法只能解决「玩具版本」的问题，面对真实世界就彻底歇菜。

1973 年，BBC 还播出了一场辩论——莱特希尔 vs. 唐纳德·米奇、约翰·麦卡锡、理查德·格雷戈里的组合。这场辩论在学术界引发轩然大波。

后果是立竿见影的：英国政府大幅削减了 AI 研究资金，几乎取消了对英国大学 AI 工作的全部支持。与此同时，美国这边的情况也好不到哪去。1969 年通过的《曼斯菲尔德修正案》要求 DARPA 只能资助与特定军事功能直接相关的研究，纯粹的基础 AI 研究再也拿不到钱。DARPA 砍掉了对 CMU 语音理解研究的 300 万美元年度拨款。

结果呢？大学关闭 AI 实验室，研究生项目萎缩，有前途的研究者纷纷转行。「人工智能」这个词在经费申请书里变成了有毒标签，研究者们开始用「信息学」「计算智能」之类的委婉说法来替代。

💬 深度解读

不过，第一次寒冬的严重程度是有争议的。历史学家 Thomas Haigh 在 2023 年发表在 ACM Communications 上的文章中指出：整个 70 年代，AI 研究社区实际上一直在增长。ACM SIGART 分组在 1973 年有 1,241 名成员，到 1978 年增长到了 3,500 名。所以准确地说，被「冻住」的主要是政府资金渠道，而不是整个研究领域。这是一个重要的区分——「资金寒冬」和「研究寒冬」不是一回事。

PART 03

短暂的春天：专家系统的十亿美元幻觉

八十年代初，AI 以「专家系统」的形态卷土重来。这类系统的思路很朴素：不搞通用智能了，转而用一套 if-then 规则来模拟特定领域专家的决策过程。

代表作是 1982 年 McDermott 开发的 R1 系统（后来叫 XCON），用于帮 DEC 公司配置计算机订单。这套系统在四年内为公司带来了 4,000 万美元的额外收入。终于，AI 有了一个能赚到真金白银的商业案例。

资本和政府的热情再次被点燃：

参与方	投入
美国企业	到 1985 年，每年在 AI 上的支出超过 10 亿美元
日本政府	启动十年计划「第五代计算机」，投资超 13 亿美元
美国政府	成立 MCC（微电子与计算机技术公司），重启硬件与软件研究
AI 硬件产业	Symbolics、LISP Machines 等公司形成 5 亿美元的专用硬件市场

看起来 AI 真的「复活」了。但问题是，这次繁荣建立在一个根本性的缺陷之上。

PART 04

第二次寒冬（1987-2000）：比第一次更冷、更长、更痛

1987 年，第一声警报拉响了——AI 专用硬件市场一夜崩塌。苹果和 IBM 的桌面电脑性能稳步提升，到 1987 年已经超过了 Symbolics 等公司生产的昂贵 LISP 机器。一个价值 5 亿美元的产业在一夜之间被摧毁。

紧接着，专家系统的固有缺陷集中暴露：

脆弱性（Brittleness）：遇到规则库以外的情况就会犯荒唐错误，缺一条规则整个系统就可能崩溃
知识工程瓶颈：把人类专家的知识编码成规则，速度极慢、成本极高
无法学习：专家系统不能从新数据中自我改进，只能靠人工维护规则
维护成本失控：连最成功的 XCON 系统最终也因维护成本过高而被弃用

1987 年上任的 DARPA 信息处理技术办公室主管 Jack Schwarz 把专家系统斥为「聪明的编程」（clever programming），对 AI 经费进行了「深刻而残酷的」削减。

数据最能说明问题：AAAI（美国人工智能大会）的参会人数从 1986 年的 5,000+ 人暴跌至 1991 年的不到 2,000 人，到 1995 年后更是跌至 1,000 人以下。

整个九十年代，AI 研究者们再次不敢叫自己的领域为「人工智能」，纷纷改称「信息学」「知识系统」「认知系统」「计算智能」「机器学习」「统计学」「数据挖掘」。

💬 深度解读

两次寒冬的核心病因其实是同一个：承诺与交付之间的鸿沟。第一次是「通用智能」的承诺无法兑现，第二次是「实用 AI」的承诺无法规模化。但关键差异在于：第二次寒冬暴露的不仅是技术瓶颈，还是一种架构范式的根本缺陷——基于手工规则的系统天然无法扩展。这次寒冬更长、更深，恰恰因为它否定的不只是某项技术，而是一整套做 AI 的方法论。

PART 05

绝地反击：2012，一个卧室里训练出来的革命

第三次复兴的导火索，是一场图像识别比赛。

2012 年，ImageNet 大规模视觉识别挑战赛（ILSVRC）上，来自多伦多大学的三人小组——Alex Krizhevsky、Ilya Sutskever 和 Geoffrey Hinton——提交了一个叫 AlexNet 的深度卷积神经网络。

结果不是赢了，而是碾压：Top-5 错误率 15.3%，而第二名是 26.2%。接近 11 个百分点的差距，在此前每年只进步一两个点的赛道上，堪称降维打击。

一个有趣的细节：Krizhevsky 是在父母家的卧室里，用两块 NVIDIA GTX 580 显卡（每块只有 3GB 显存）训练的这个模型。因为模型太大单卡放不下，他把网络劈成两半分别跑在两块 GPU 上。

AlexNet 的成功不是偶然的，而是三个长期积累的因素终于同时到位：

要素	具体内容
大规模标注数据	ImageNet 提供了超过 1400 万张标注图片，让深度模型有足够的数据来学习
GPU 并行计算	NVIDIA CUDA 平台让本为图形渲染设计的 GPU 变成了神经网络训练的利器
算法改进	ReLU 激活函数解决梯度消失、Dropout 防过拟合、更好的权重初始化方法

AlexNet 之后的发展速度令人目眩。2014 年的 GoogLeNet 和 VGGNet，2015 年的 ResNet——每年都在刷新纪录。深度学习从计算机视觉迅速蔓延到语音识别、自然语言处理、自动驾驶……整个 AI 领域彻底变了天。

💬 深度解读

这次复兴和前两次有一个本质区别：前两次繁荣都是由理论承诺驱动的——「我们相信 AI 能做到 X」，然后发现做不到。而这次是由实证结果驱动的——先有了碾压性的数据证明，再有的产业跟进。这是一个更健康的发展模式。不过，也正是 AlexNet 之后的十年间积累的巨大成功，催生了今天的超级泡沫。

PART 06

2026：第三次寒冬正在酝酿？

如果你了解了前两次寒冬的剧本，你会发现当下的 AI 热潮中，有些信号让人不安地似曾相识。

先看数据：

MIT 媒体实验室 2025 年 8 月报告：企业在 GenAI 上投入了 300-400 亿美元，但 95% 的组织回报为零
OpenAI 预计到 2028 年仍在亏损，其中 2028 年运营亏损预计达 740 亿美元；德意志银行估计 2024-2029 年间累计亏损 1,400 亿美元
OpenAI 承诺 8 年投入 1.4 万亿美元 建设数据中心，主要依靠债务融资
Morgan Stanley 估算 2025-2028 年全球数据中心支出达 3 万亿美元，其中 1.5 万亿来自私人信贷
S&P 500 中 30% 的市值集中在五家公司——半个世纪以来最高集中度

再看大佬们怎么说：

Sam Altman（OpenAI CEO）在 2025 年承认：当前存在 AI 泡沫
Ray Dalio（桥水基金）：当前 AI 投资水平与互联网泡沫时期「非常相似」
Jamie Dimon（摩根大通）：AI 是真实的，但现在投进去的一些钱会打水漂
斯坦福学者：「你不可能把全世界的钱都绑在这一件事上，这看起来像是一个非常投机性的泡沫」

一个有趣的信号：Dell 在 CES 2026 上重新推出 XPS 品牌时，刻意把 AI 从营销前台撤下，转而强调续航、日常性能和轻量设计——「消费者真正关心的东西」。这就像九十年代企业悄悄把「AI」从产品名称中去掉一样。

💬 深度解读

当前的 AI 热潮和前两次有一个关键不同：这次是由已经盈利的科技巨头主导的（微软、谷歌、Meta），而不是初创公司或政府拨款。这意味着即使泡沫修正，底盘也比前两次稳得多。更大的可能是「挤泡沫」而不是「寒冬」——荒唐的估值会回调，跟风公司会消失，但核心技术的应用不会倒退。MIT Sloan Management Review 的判断很中肯：泡沫破裂「似乎不可避免」，「可能很快」，但触发因素可能只是一个糟糕的季度财报、一个更便宜的中国 AI 模型、或者几个大客户缩减开支。

PART 07

三次寒冬教给我们什么

把七十年的 AI 兴衰史摊开看，有几条规律清晰得像写在墙上：

1. 「承诺-失望」循环是这个领域的宿命

每一轮都是同样的剧本：突破 → 媒体关注 → 投资涌入 → 期望膨胀 → 交付不及预期 → 信心崩塌。不同的只是主角的名字——五十年代是「通用 AI」，八十年代是「专家系统」，今天是「大语言模型」。

2. 每次「死亡」都淘汰了错误的路线

第一次寒冬否定了「靠暴力搜索就能实现智能」的天真想法。第二次寒冬否定了「靠手工编码规则就能捕获知识」的范式。每次痛苦的淘汰，都为下一次正确的方向腾出了空间。

3. 真正的突破需要基础设施的成熟

神经网络的理论在六十年代就有了，反向传播在八十年代就被提出了。但直到 2012 年，大数据、GPU 算力和算法改进三者同时到位，深度学习才真正爆发。技术突破从来不是单一因素驱动的。

4. 「AI」这个标签本身就是双刃剑

在繁荣期，什么都想贴上 AI 标签来蹭热度；在寒冬期，什么都想撕掉 AI 标签来避嫌。七十年代叫「信息学」，九十年代叫「数据挖掘」，对比今天所有产品都要加个「AI-powered」——这种品牌运动本身就是泡沫的可靠指标。

实操建议

对开发者和决策者的启示

如果你是开发者：

学 AI 没有错，但要学底层原理而不只是调 API。每次寒冬过后，活下来的都是理解基础理论的人
不要把全部赌注押在某一个框架或平台上。技术栈会变，思维方式不会
关注 AI 能实际解决什么问题，而不是它「理论上」能做什么。XCON 系统的教训至今有效

如果你是业务决策者：

在投入 AI 项目前，先问一个朴素的问题：这个问题不用 AI 能解决吗？ 如果传统方案够用，就不要为了「AI 化」而 AI 化
警惕「95% 零回报」的陷阱。小规模验证，证明 ROI 后再扩大，不要一上来就搞大基建
泡沫期的供应商定价通常会虚高。不急的项目可以等修正后再下注

斯坦福的 AI 研究者们预测，2026 年将标志着 AI 从「布道时代」进入「评估时代」——从狂热的信仰驱动，转向冷静的价值验证。这可能不是第三次寒冬的开始，但几乎肯定是这轮狂热的转折点。

参考来源

— 嗨清单 · 质取tech —

关注公众号「嗨清单」，回复「报告」，免费获取 Anthropic 2026 三份趋势报告原文 PDF