2.3 第一次AI寒冬（1974-1980）：计算瓶颈、明斯基的批判与资金撤退

黄金年代的乐观预言未能兑现。进入1970年代，人工智能领域遭遇了首次重大挫折，研究进展显著放缓，资金来源急剧收缩，这一阶段被后世称为“第一次AI寒冬”。寒冬的到来并非单一事件所致，而是内在理论局限的暴露、权威的系统性质疑与外部资助环境的转向三者共同作用的结果。这一时期的教训深刻重塑了AI的研究方向与生存策略。

2.3.1 计算复杂性的重击：组合爆炸与“可伸缩性”困境

符号主义AI的核心方法论——状态空间搜索与逻辑推理，在理论上遭遇了“组合爆炸”这一无法回避的壁垒。随着问题规模的线性增长，其可能的状态或解空间通常呈指数级（或更坏）扩张。

• 理论本质：许多AI要解决的核心问题（如国际象棋、定理证明、行程规划）被证明是NP难或不可判定的。这意味着，在最坏情况下，任何完备的求解算法所需时间随问题规模nnn呈超多项式增长，例如O(2n)O(2^n)O(2n)或O(n!)O(n!)O(n!)。在实践中，即使采用启发式方法，一旦问题复杂度超出微世界的范围，搜索所需的计算时间和内存便迅速超出当时计算机的能力极限。
• 典型案例：
  1. 机器翻译的失败：早期基于直接词汇替换和简单语法规则的机器翻译（如美国的俄英翻译项目）被证明效果极差，产生的译文荒谬可笑。1966年ALPAC报告的结论是，该路径短期内无法产出有用成果，导致美国政府对相关基础研究的资助大幅削减[1]。这可以被视为一次局部的、特定领域的“寒冬”预演。
  2. 通用问题求解器的局限：GPS等系统在积木世界等玩具问题上运行良好，但无法处理现实世界中因物体属性、关系和约束剧增而导致的巨大状态空间。其“手段-目的分析”等通用策略在面对复杂、多目标、存在不确定性的真实问题时显得无力。
• 根本矛盾：这一时期的主流AI范式建立在“知识贫乏”的通用搜索之上。然而，智能行为（尤其是人类水平的）显然依赖于海量的领域特定知识。如何获取、表示和有效利用这些“知识”，成为悬而未决的根本难题。单纯依靠更快的硬件无法解决指数级复杂性问题，理论上的突破成为必需。

2.3.2 权威批判与范式质疑：明斯基-帕佩特与莱特希尔报告

当内在理论困境显现时，来自学科内外的系统性批判加速了信心的崩塌。

1. 连接主义的理论否定：《感知机》的深远影响
如前所述，马文·明斯基和西摩·帕佩特于1969年出版的《感知机》一书，从数学上严谨论证了单层线性感知机的根本局限[2]。其影响远不止于指出一个模型的不足：

• 对多层网络的悲观论断：书中指出，虽然理论上多层网络可能解决非线性问题，但缺乏有效的、能够调整中间层权重的学习算法（即后来著名的“误差反向传播”算法在当时尚未被广泛认知和接受）。这一论断被广泛解读为对整个连接主义研究路径的否定。
• 资金与人才的挤出效应：该书作者在AI领域的崇高威望，使得其结论产生了巨大的导向性影响。本就有限的研究经费和人才更多地流向看似更有希望的符号主义方向，神经网络研究在1970年代几乎陷入停滞，进入长达十余年的低潮期。

2. 对整个AI领域的公开打击：莱特希尔报告
1973年，受英国科学研究理事会委托，应用数学家詹姆斯·莱特希尔爵士对英国的人工智能研究状况进行了全面评估，并发表了题为《人工智能：一项全面调查》的报告，即著名的《莱特希尔报告》[3]。该报告产生了毁灭性的影响。

• 核心批判：报告严厉批评了AI领域未能实现其过于乐观的承诺。莱特希尔将AI研究分为三类：
  • 高级自动化（Advanced Automation）：在受限领域（如机器人装配）的应用，他认为有一定价值但进展有限。
  • 基于计算机的中央神经系统研究（Computer-Based CNS Research）：即用计算机模拟人类智能，他认为这是完全失败的。
  • 桥梁领域（Bridging Areas）：如自动图像识别，他认为这些领域未从AI研究中获益，其进展主要来自本领域（如工程、心理学）。
• 结论与影响：报告的核心结论是，AI研究未能产生其宣称的重大社会或经济效益。这为英国政府大幅削减AI研究经费提供了直接依据。该报告的权威性及其结论的广泛传播，在美国等地也产生了强烈的“寒蝉效应”，动摇了政府和企业资助者对AI长期投入的信心。

2.3.3 资金的全面撤退与研究生态的萎缩

理论瓶颈与权威批判的直接后果，是主要资金来源的干涸，尤其是美国和英国政府机构的大规模资助削减。

• DARPA的战略转向：作为美国AI研究最主要的资助方，国防高级研究计划局对长期未能产出现实可用的军事应用感到失望。DARPA开始将资金从基础的、探索性的AI研究（尤其是符号推理和通用问题求解），转向更有明确需求和交付目标的短期项目，如自主导航、战场感知等[4]。这种从“蓝天研究”向“任务导向”的转变，迫使许多研究者改变方向或面临断粮。
• 连锁反应：英国SERC（科学研究理事会）在莱特希尔报告后大幅削减资助。美国国家科学基金会的资助也趋于保守。工业界对AI的商业前景同样转为怀疑。大量博士毕业生难以找到对口教职或研究工作，人才输送渠道受阻。
• 研究领域的收缩：整个AI领域的会议规模缩小，论文发表量增长停滞甚至下降。“人工智能”这个名词一度变得不受欢迎，一些研究者转而使用“机器学习”、“信息处理”、“认知系统”等术语以规避负面联想。

表1：第一次AI寒冬的主要成因与表现

2.3.4 寒冬中的蛰伏与转向

尽管处于低谷，AI研究并未完全停止，而是在压力下发生了重要的范式调整和领域分化。

1. 专家系统的萌芽：部分研究者意识到，智能行为高度依赖知识，与其追求通用而脆弱的推理机，不如构建拥有大量领域专门知识的系统。这为1980年代专家系统的崛起埋下了伏笔。
2. 概率与不确定性方法的兴起：对逻辑系统处理现实世界不确定性的无力感的反思，促使了对贝叶斯方法等概率推理模型的早期探索。
3. 聚焦于可解子问题：研究重心从“构建通用智能”这一宏大目标，被迫转向更具可操作性的特定子领域，如计算机视觉中的边缘检测、自然语言处理中的句法分析等，研究方法也更加工程化。

第一次AI寒冬是AI作为一门年轻学科所经历的首次重大现实检验。它深刻地揭示了脱离现实约束的纯理论乐观主义的危险性，促使领域从对“通用求解器”的迷恋，转向对知识、专业化和可扩展性等根本问题的更务实思考。这段历史表明，技术的进步需要与对其限度的清醒认识相伴而行。

本章节核心知识点总结

1. 计算复杂性成为根本障碍：组合爆炸问题在理论上证明了符号主义依赖的状态空间搜索方法无法扩展到现实规模的复杂问题，暴露了“知识贫乏”范式的内在局限性，这是寒冬来临的核心技术原因。
2. 权威批判导致信心崩塌：明斯基和帕佩特的《感知机》一书从理论上否定了早期神经网络的研究路径；而莱特希尔报告则从宏观上全盘否定了AI领域的整体进展与价值。这两大批判从内外动摇了学界与资助方的根本信心。
3. 资金链的断裂与生态萎缩：以DARPA为代表的各国主要资助机构因研究未能兑现应用承诺而大幅削减对基础AI研究的投入，导致研究经费枯竭、人才流失、学术活动减少，形成了全面的收缩态势。
4. 寒冬是理论与现实冲突的必然结果：黄金年代过于乐观的预测与简化（将智能等同于符号操作）忽略了现实世界的复杂性、不确定性以及对海量领域知识的需求。寒冬是这种认知偏差被现实强行纠正的过程。
5. 危机催生新的研究方向：低谷迫使研究社区进行深刻反思，间接促进了从通用推理向知识工程（专家系统的前奏）、从确定性逻辑向不确定性处理等方向的探索，为后续发展积累了新的势能。

参考文献

[1] PIERCE J R, CARROLL J B, HAMP E P, et al. Language and machines: computers in translation and linguistics[R]. Washington, D.C.: National Academy of Sciences, 1966: 1-124. (ALPAC Report)
[2] MINSKY M, PAPERT S. Perceptrons: an introduction to computational geometry[M]. Cambridge: The MIT Press, 1969.
[3] LIGHTHILL J. Artificial intelligence: a general survey[M]//Artificial intelligence: a paper symposium. London: Science Research Council, 1973: 1-21.
[4] ROLAND A, SHIMAN P. Strategic computing: DARPA and the quest for machine intelligence, 1983-1993[M]. Cambridge: The MIT Press, 2002: 45-80.