AI 的发展并非一条匀速上升的曲线，中间有两段明显的下坡：上世纪七十年代中期和八十年代后期，经费大规模撤出，研究者转行，「人工智能」一度变成要小心使用的词。这两段被后人称作 AI 寒冬。冬天怎么来的，比冬天本身更值得记——它揭示的预期与交付之间的落差，在今天的 AI 热潮里仍然是最有参照价值的教训。
第一次寒冬：承诺太多，兑现太少
达特茅斯会议给这门学科起了名字，也把乐观情绪带了进来，见达特茅斯会议一篇。此后的十来年里，机器翻译、通用问题求解等方向先后获得大量资助，「多少年内实现」的表述屡见不鲜。问题在于，早期成果是在词汇量很小的受限任务上取得的，换到真实场景就迅速失灵：机器翻译翻不好日常文本，定理证明程序一遇到复杂问题就力不从心。
评估报告接踵而至。英国方面 1973 年发表的评估结论对当时的进展偏负面，直接影响了后续资助；美国方面，资助机构在七十年代中期大幅收缩了相关研究经费。曾经热闹的方向转眼门庭冷落，「人工智能」在部分学术场合成了不太好写的申请理由。
第二次寒冬：商用泡沫的破灭
七十年代末到八十年代，专家系统带来一波复苏：把某个领域的规则一条条写进系统，让它在狭窄领域给出判断。这类系统在医疗、化学、金融等行业拿到订单，专门支撑它运行的硬件也形成了一个市场，商业上一时相当红火。
问题出在成本和维护上。规则靠人工逐条编写，系统越大，维护费用越高，规则之间的冲突越来越难处理；在小范围能赚钱的项目，扩展到更大范围就失灵。八十年代后期，专用硬件市场崩塌，行业随之退潮，这被普遍视为第二次 AI 寒冬的开端。这一次推动退场的是商业资本，和第一次的政府资助退潮成因不同，落点却一样：钱追着承诺走，承诺没兑现，钱就走了。
两次寒冬对照速查
- 第一次（1970 年代中期）：触发点是政府评估报告与资助收缩，背景是早期承诺兑现失败
- 第二次（1980 年代后期）：触发点是专家系统商业泡沫与专用硬件市场崩塌
- 共性：宣传先行，交付滞后，资金退场
- 不同：一次靠公共经费，一次靠商业资本
两次退潮的共性是什么
把两次冬天并排看，剧本高度相似。第一幕是突破性进展出现，公众期待被拉高；第二幕是目标被写成时间表，「多少年内实现什么」的表述泛滥；第三幕是真实任务暴露出方法的天花板，交付和期待拉开差距；第四幕是资金撤出，行业冷却。寒冬记录的与其说是技术失败，不如说是预期管理的失败——技术并没有被证明不可能，只是被证明比承诺的更难、更慢。
| 幕次 | 当年发生什么 | 今天要留意什么 |
|---|---|---|
| 第一幕 | 突破性进展出现，公众期待被拉高 | 新品刷屏时，先拿自己的任务实测 |
| 第二幕 | 目标被写成时间表，「多少年内实现什么」泛滥 | 时间表式的预测 |
| 第三幕 | 真实任务暴露方法的天花板，交付与期待拉开差距 | 演示成绩与真实任务的距离 |
| 第四幕 | 资金撤出，行业冷却 | 宣传的预期是否已大幅超前于交付 |
还有一条共性：能力宣传和评测口径常常对不上。演示里成功的系统，是在挑选过的任务上运行的；换到开放场景，成功率完全是另一回事。这个「演示成绩和真实任务的距离」，今天读各种 AI 评测时依然要留意，见基准分和实际任务一篇。
对今天看 AI 的参照意义
今天这一轮大模型热潮，和前两次繁荣期有明显的不同：支撑它的能力进步是可验证的，你随时可以让 DeepSeek 写一段代码、让豆包读一张图，自己动手就能确认，不必依赖实验室的演示。但相似的部分同样值得警惕：时间表式的预测、把受限场景的成绩讲成通用能力的表述，这些和当年唤来寒冬的剧本如出一辙。
普通使用者能从这段历史里带走两个习惯。一是分清「演示」和「交付」，新品宣传看个方向就行，自己任务上的实测才算数；二是对不确定的能力保持诚实的描述，拿不准就说拿不准，不确定性声明讲的正是这种表达习惯。至于当下讨论热度很高的规模与能力关系为什么让人着迷，它的依据与边界见Scaling Law一篇——今天的研究者比当年更清楚把话说稳的价值，这是用两次冬天换来的。
关于AI寒冬的三问三答
- AI 寒冬具体是哪几年？：通常指七十年代中期与八十年代后期两段经费退潮期，具体起止年份学界说法不一，以公开资料为准。
- 寒冬期间 AI 研究完全停了吗？：没有，热门方向收缩，但机器学习、神经网络等路线在低潮期继续积累，为后来的复苏埋了种子。
- 现在还会出现第三次寒冬吗？：无法预测。可以给出的是判断依据：如果宣传的预期再次大幅超前于交付，资金退潮的剧本就可能重演。
