人工智能寒冬

1973年，美国和英国政府决定撤回对人工智能项目的资助。其结果便是人工智能寒冬，新发展在很大程度上陷入缓慢停滞。人工智能寒冬是指人工智能领域的总体兴趣趋于减退的一段时期，无论是在研究还是资金方面都是如此；这往往源于人们对实际进展与社群预期成就之间差距的失望。10 事后看来，人们将这次低迷更多归因于不切实际的期望，而不是实际进展的缺乏。11 在这十年早期成功的鼓舞下，科学家们开始期待在接下来的几年里能够取得远超当时资源和技术条件所能实现的成果。例如，1970年，一些研究人员谈到要在这十年结束前创造出一台具有与普通人类相同水平通用智能的机器——而五十年后的今天，世界上最优秀的头脑仍在为此努力。一旦投资者开始意识到这并不可行，兴趣便开始减退，可用于研究的资金也随之减少。12

计算能力不足是推动人工智能更深入研究的最大障碍之一。教会计算机如何学习，需要它们能够处理大量数据，而这对于当时的机器来说根本无法实现。20世纪70年代，计算机的性能和速度都不足以存储和处理完成这些任务所需的全部信息。尽管计算和计算机科学取得了进步，但在人工智能领域，20世纪70年代后期的新发展进展缓慢。虽然处理器和存储系统不断改进并变得更加强大，但由于研究人员未能实现他们为自己设定的宏大且可能并不合理的目标，研究重点已经从人工智能转移开来。

然而，这一时期的关注点转向了其他技术，最终促成了新型软件系统和机器人流程自动化（RPA）的发展。RPA使企业能够自动化低价值的日常任务，从而让员工能够从事更多增值活动。数据录入、发票处理、基础客户服务任务以及工资处理等重复性任务，是最早被自动化的任务之一。大量中小型组织已经将这些任务自动化，这表明流程自动化已变得多么普及。除了加快流程之外，自动化的使用也将效率提升到了前所未有的水平，将错误率降至接近于零。这是技术代替人类工作的最早实例之一，因此毫不意外，员工们对自己的工作被机器夺走感到极大的不安。

20世纪70年代和80年代见证了可编程逻辑计算机在工业自动化中的出现，进一步增强了技术在车间中的作用。工业机器人开始出现在欧洲和美国。1969年，维克托·沙因曼发明了“斯坦福机械臂”，它可用于执行基本任务，并最终为机器人执行装配和焊接等更复杂任务铺平了道路。13 ABB Robotics等欧洲公司开始生产工业机器人，推动工业自动化进一步扩展。这开启了一个车间生产率和效率显著提升的时代，企业开始以更少资源完成更多工作并加快生产。装配线开始实现自动化，人们也开始接受培训，学习如何有效使用机器来更好地完成工作。与此同时，研究人员在人工智能领域不断取得渐进式进展，1980年至1987年期间成为人工智能的又一个繁荣时期。20世纪80年代初，专家系统首次实现商业部署，这让人们更加关注它们所具备的能力。

这就是R1或XCON，由约翰·麦克德莫特在卡内基梅隆大学开发。XCON，即专家配置器，于1982年由数字设备公司推出，用于根据客户订单配置计算机订单并提高其准确性。四年后，数字设备公司表示，通过使用R1系统，公司每年节省了4000万美元。14

对20世纪80年代围绕人工智能的热潮造成最终致命打击的，是美国国防高级研究计划局（DARPA）于1987年决定停止资助人工智能研究。在此之前，这一政府机构一直是美国人工智能领域最大的资助方之一，对研究进行了大量投资——仅1985年一年就投入了1亿美元。然而，到20世纪80年代后期，由于未能看到任何重大进展，DARPA开始削减该项目的资金。DARPA撤回支持最终导致第二次人工智能寒冬的开始，而这一寒冬一直持续到20世纪90年代中期。15

大约在同一时期，日本政府关闭了其第五代计算机系统计划。日本曾是人工智能和专家系统商业应用场景的最大投资方之一。然而，与该项目相关的高昂成本，加上成果未能达到预期，导致日本政府在十年后终止了这一计划。这标志着人工智能并行处理方法的终结和失败。16

苹果、IBM等公司的计算设备开始进入市场，其处理能力远远优于专用的LISP系统。随着这些台式计算机开始获得市场份额，人们对用于人工智能的LISP系统的兴趣迅速下降。与第一次人工智能寒冬一样，这一时期也出现了资金投入放缓以及社会对人工智能项目整体兴趣下降的情况，尽管研究人员仍在一些关键参数上持续取得进展。其中之一是概率推理的发展，这促使人们重新燃起对人工智能项目的兴趣，并开启了一种新的人工智能研究路径。

与此同时，工业自动化继续深入渗透到各行业和各地区制造流程的各个环节。微处理器价格的下降以及个人计算机的普及进一步推动了这一趋势，并催生了RPA。RPA的发展意味着自动化如今不仅影响车间工人，也开始影响办公室员工。此前，自动化一直等同于使用机器来实现流程自动化。计算技术的进步与自动化的基本原理相结合，形成了RPA；随着时间推移，机器人可以被编程来执行重复性和常规性任务。除了节省成本和时间之外，这也使人们能够腾出精力从事更能创造价值的工作。随着这些机器人的演进，现在也可以对同一个机器人进行编程，使其执行多项任务。这些机器人经过训练，能够像人类一样与IT系统或应用程序交互，并且越来越善于对自然语言输入作出更好的响应。它们仍在不断改进，如今人工智能系统也被集成其中。17

与此同时，对于从事人工智能研究的研究人员而言，向概率推理的转变标志着人工智能系统处理问题方式的一次根本性转变。这使人工智能系统能够在决策中处理不确定性和模糊性，而这是过去所缺失的。继20世纪60年代约瑟夫·魏岑鲍姆开发ELIZA的工作之后，计算机科学家理查德·华莱士创建了一个名为ALICE（人工语言互联网计算机实体）的聊天机器人。ALICE被编入了足够的基础知识，能够与人类进行对话。一个显著区别在于，它还被输入了一组自然语言样本数据，这使其能够通过特定术语来阐释短语的含义。18

20世纪90年代，推动人工智能发展的最重要进展是自然语言处理能力的发展。这反过来又推动了人工智能发展多个领域的进步。这一增长相当广泛，并不只局限于少数大学或人工智能实验室。1997年，美国马萨诸塞州的Dragon Systems发布了NaturallySpeaking 1.0，这是一款语音识别软件原型。19 该软件包含标准自然语言，是第一款真正易于使用的计算机听写软件。微软的Windows将其整合进自身产品中，使用户可以通过口述而非键入来输入内容。20世纪90年代人工智能取得的最大胜利来自IBM：1997年，当时的世界冠军卡斯帕罗夫在与“深蓝”超级计算机的比赛中离席而去。尽管从今天计算机和超级计算机所能做到的事情来看，这似乎微不足道，但在20世纪90年代，这是一件具有重大意义的事件。