AI 的三次热潮怎么比？繁荣与退潮的循环

AI 七十年里起过三次热潮，也冷过两次，全程记录见AI 寒冬一篇。三次热潮常被笼统说成「历史重演」，摆开看其实各不相同：钱从哪来、技术攒到了哪一级台阶、预期吹到了多大，三次都不一样。这篇按公开节点把三次浪潮并排对照，只列可查事实，评价留给读者。

第一次热潮：经费先行

第一次热潮从 1956 年达特茅斯会议起，到七十年代中退潮。资金结构以政府与军方经费为主，研究者拿到的预期任务也很大：机器翻译、定理证明、通用问题求解。公开的成果节点有感知机、早期对话程序 ELIZA 等，但与预期相比进度跟不上：机器翻译的公开评估没过质量关，感知机单层局限被公开论证。1973 年英国公开的 Lighthill 报告给出严厉评估（见Lighthill 报告一篇），各国经费随之收紧，退潮的关键词是「预期远超交付」。

第二次热潮：订单进场

第二次热潮在八十年代，结构变了一层：钱主要从企业订单来。专家系统（见专家系统一篇）把某个窄领域的规则写进机器，公开报道里有企业用它在配置、诊断类任务上省下可观的成本，AI 第一次靠商业合同养活自己。同期日本公开启动了十年期的国家级计算计划，各国政府跟进投入，竞争的味道浓了。退潮的触发也换成另一套：专用系统开发贵、维护难，规则库越写越庞大，公开观察普遍指向成本收益失衡；1987 年前后专用硬件市场崩塌、经费再度收缩，第二次退潮的关键词是「窄领域撑不起大预期」。不少公开回顾把这次低谷与七十年代那一次并称，两次退潮之间只隔了约十年，「循环」一词由此有了公开讨论的土壤。

第三次热潮：数据与算力合流

第三次热潮从 2006 年深度学习复兴起步，2012 年 AlexNet 在视觉竞赛上的公开优势（见AlexNet一篇）把它推上快车道，2016 年 AlphaGo 出圈，2022 年对话模型发布后用户规模以公开报道口径达到史上最快。资金结构这次是三层叠加：风险投资、大厂研发预算，加上前所未有的普通用户付费。技术台阶也不一样——前两次热潮的方法没有换过骨架，这一次大数据、算力与新结构合流，公开的性能曲线肉眼可见。它会不会重演前两次的循环，预期与交付的赛跑现在跑到哪一段，本文不做判断，节点都摆在明处。

本文为技术史梳理，不构成投资建议。

三次浪潮结构对照速查

• 资金：政府军费为主，企业订单为主，投资与用户规模叠加
• 技术：符号推理起步，专用规则系统，数据算力结构合流
• 预期：通用智能速成，窄域系统实用化，能力边界持续外扩
• 退潮触发：交付远低于预期，成本收益失衡，第三次未定

三次热潮快问快答

• 前两次寒冬的教训能直接套在第三次上吗？：谨慎参考。前两次的公开触发因素——预期远超交付、窄域成本失衡——在今天的公开讨论里都能找到对应争论，但资金与技术结构已经不同，直接套用会漏掉新变量。
• 寒冬期研究是不是全停了？：没有。公开文献显示两次退潮期间基础研究仍在推进，深度学习的关键公开工作大多成于低谷，只是经费与关注度大幅收缩。
• 想自己核对三次热潮的公开节点怎么办？：让 DeepSeek 把三次热潮的起止年份与代表事件列成时间线，再用智谱清言逐条核对出处，对照本文速查表看三栏结构是否对得上。