書接上回，上回咱們聊了神經網絡在第一次寒冬中的“蟄伏”與“萌動”。但別高興太早，AI很快就迎來了它的第二次“寒冬”（大概從20世紀80年代末到90年代中期）。這次寒冬啊，比第一次還“冷”，還“漫長”。AI這玩意兒，直接“改頭換面”，從“AI”變成了“機器學習”，才勉強“活”了下來。

1. LISP機器的黃昏：AI的“專屬座駕”被“平民”PC機吊打

在第一次AI寒冬之后，專家系統雖然在某些特定領域“小火”了一把，但它有個致命傷：太依賴LISP機器了。這玩意兒，是專門為LISP語言（當年AI研究的主流語言）定制的，性能是強，但價格也高得嚇人，動輒幾十萬美元。這不就是AI的“專屬座駕”嘛！

然而，到了80年代末90年代初，通用計算機技術突飛猛進。基于Intel處理器的個人電腦和Unix工作站，性能蹭蹭往上漲，價格卻嘩嘩往下掉。C++等編譯型語言的效率，也把LISP甩了幾條街。結果就是，AI的“專屬座駕”被“平民”PC機給吊打了！AI研究員們發現，在更便宜、更通用的機器上用C++寫程序，跑得更快還便宜。LISP機器公司紛紛倒閉，AI產業直接來了一次“大洗牌”。

2. 專家系統的“幻滅”：定制化再牛，也玩不轉“規模化”

雖然XCON/R1這些專家系統當年很“牛”，但它們都是針對特定、狹窄領域的“定制化”解決方案。專家系統固有的“知識獲取瓶頸”和“脆弱性”問題，始終沒解決。你花大價錢“摳”出來的專家知識，只能在那個小圈子里用，一出圈就“水土不服”。這不就是“定制化再牛，也玩不轉規模化”嘛！

商業界一看，這玩意兒投入大，回報小，還不能“復制粘貼”，熱情立馬就沒了。投資開始撤離，很多AI公司倒閉，AI部門被裁撤，AI研究再次“跌入谷底”。

3. 從“AI”到“機器學習”的更名：為了“活下去”，AI“改頭換面”

在第二次AI寒冬期間，“人工智能”這個詞，在學術界和工業界幾乎成了個“敏感詞”。誰提誰尷尬，誰提誰拿不到錢。為了“活下去”，很多AI研究員們開始“策略性轉型”，把自己的研究方向重新“包裝”了一下。他們不再自稱“AI研究員”，而是把重心放在了“機器學習（Machine Learning）”、“數據挖掘（Data Mining）”、“模式識別（Pattern Recognition）”這些聽起來更“務實”、更“統計學”的領域。

這種“改頭換面”，可不光是換個名字那么簡單。它反映了AI研究范式的悄然轉變：從強調基于規則的“硬編碼”，轉向了更側重于從數據中學習、發現模式的“統計方法”。這不就是我們現在說的“技術轉型”嘛！為了“活下去”，AI也是拼了。

4. 寒冬中的轉型與積蓄：為下一次“春天”做“鋪墊”

雖然第二次AI寒冬帶來了巨大的沖擊，但研究并沒有完全停滯。在低谷中，一些關鍵的技術和思想，正在默默地“積蓄力量”，為下一次“春天”做“鋪墊”：

• 統計學習方法的興起： 隱馬爾可夫模型（HMM）、支持向量機（SVM）等統計學習方法開始嶄露頭角，它們在語音識別、圖像識別等領域，展現出比傳統符號AI更強的“抗造”能力和“泛化”能力。
• 神經網絡的堅持： 盡管主流不看好，但總有那么幾個“死心眼”的，比如杰弗里·辛頓，還在堅持神經網絡的研究，不斷改進算法，為未來的深度學習革命“攢人品”。
• 互聯網的萌芽： 互聯網的興起，就像給未來的AI準備好了“數據大餐”。海量數據，這不就是機器學習的“糧食”嘛！

結語

第二次AI寒冬，是AI發展史上又一次深刻的“教訓”。它告訴我們，專用硬件再牛，也干不過“通用化”和“性價比”；“定制化”再好，也玩不轉“規模化”。然而，也正是這次寒冬，逼著AI研究員們更加“務實”，把重心轉向了更具統計學基礎和數據驅動的“機器學習”方法。在看似沉寂的低谷中，AI正在悄然“轉型”，為即將到來的第三次浪潮，積蓄著前所未有的能量。

下一篇，咱們就聊聊“機器學習”是怎么“悶聲發大財”，憑借數據和算法的結合，為AI的“復興”鋪平道路的。敬請期待！