2.4 第一次人工智能寒冬

1973 年，英国数学家 詹姆斯·莱特希尔（James Lighthill） 发表了一份叫作 人工智能通用调查（Artificial Intelligence A General Survey） 的报告，给火热的 AI 研究泼了一盆冷水。这份后来被称为"莱特希尔报告"的文件毫不留情地指出：AI 研究承诺的突破一个都没有实现。从此人工智能的发展进入了第一次寒冬！

2.4.1 美好愿景破灭

还记得那些雄心勃勃的预言吗？现实给了它们一记响亮的耳光：

那些 AI 头部研究者在 10 年前的预言，一个都没有实现。

例如，美国政府资助开发的俄英机器翻译项目：把 The spirit is willing but the flesh is weak（心有余而力不足）翻译成了 The vodka is good but the meat is rotten（伏特加很好但肉坏了）。因为词汇有多义性，俄语 дух（spirit） 也有“酒精”含义，плоть（flesh） 也可以代指“肉类”。早期的系统无法理解文化隐喻，翻译时仅仅是把语句当作字面词汇进行替换，导致这样的笑话层出不穷，最终项目在 1966 年被迫叫停。

这种例子陆续出现了很多。当时的AI机器能证明复杂的数学定理，却回答不了“鸟会飞吗？”这样的简单问题。因为按照逻辑规则，企鹅也是鸟，但企鹅不会飞，答案应该是“不一定”。但其实人类这个问题可能真正想问的是“一般情况下鸟会飞吗？”这种常识性的推理十分困难。

2.4.2 根本性技术瓶颈

这一切的根源不在于技术不够成熟，而在于符号主义遇到了一些根本性的障碍，我们暂且把它分为以下 3 类。

1. 计算复杂性

符号主义假设智能可以通过逻辑推理实现，但现实中的推理过程远比想象的复杂。以一个简单的动物分类系统为例：

规则1：If 有羽毛 Then 是鸟类
规则2：If 是鸟类 AND 会游泳 Then 是水鸟
规则3：If 是水鸟 AND 脖子长 Then 可能是天鹅
规则4：If 有羽毛 AND 不会飞 Then 可能是企鹅
规则5：If 是鸟类 AND 是黑色 Then 可能是乌鸦

看起来只有5条规则，但当系统推理“这个动物是什么？”时，需要考虑所有可能的推理路径：

• 路径1——有羽毛→是鸟类→会游泳→是水鸟→脖子长→可能是天鹅
• 路径2——有羽毛→不会飞→可能是企鹅
• 路径3——有羽毛→是鸟类→是黑色→可能是乌鸦
• ......

随着规则数量的增加，可能的推理组合会呈指数级增长。如果有 n 条规则，最坏情况下需要考虑 2^n 种组合！当时的机器翻译项目就是这个问题的典型受害者，每个词汇的多种含义、每种语法结构的多种解释，组合起来让计算机根本无法在合理时间内找到答案。

此外，那个年代的计算机硬件远远无法支撑这种计算需求。当时计算机的 随机存储器（random access memory，RAM，可简单理解为内存） 的容量通常是以 KB 为单位的，一个中等规模的专家系统就需要数千条规则，占用大量 RAM 容量内存。复杂的逻辑推理需要大量计算资源，但当时计算机的 中央处理器（central processing unit，CPU） 的处理能力也严重不足。存储设备容量有限且访问缓慢，大规模知识库更难以实现。实时响应就更不可能了，用户往往需要等待很长时间才能得到结果，而这个等待时间也会随着计算复杂度增长而延长。

这种硬件限制让本就复杂的计算问题变得更加严重，在有限的计算能力下，实现通用智能几乎不可行。

2. 知识表示困难

符号主义假设现实世界可以用精确的符号表示，但现实知识往往是模糊、多义、依赖上下文的。

举一个简单例子：“天空是蓝色的”，要用符号精确表示，就会遇到以下问题：

• 晴天、阴天、黄昏、夜晚的天空颜色都不同
• 城市、乡村、沙漠、海边的天空颜色也不同
• 不同的人、色盲患者对“蓝色”的理解不同
• 天蓝、深蓝、灰蓝，哪个颜色才是“蓝色”？

更复杂的是抽象概念，比如“杯子”：

杯子 = 容器 + 有把手 + 用来喝水

而现实情况是：

• 茶杯可能没有把手
• 笔筒也是容器，但不是杯子
• 破了的杯子还算杯子吗
• 装饰用的杯子不用来喝水

人类能够轻松处理这些模糊性，但符号系统需要为每种可能性都编写明确规则。这就像试图用数学公式来精确定义“美”或“幽默”一样困难。

3. 常识的无穷性

符号主义假设可以通过编写足够多的规则来模拟智能，但人类的常识知识几乎是无穷的。

一个看似简单的常识“杯子用来喝水”，背后隐藏着无数条相关知识。

物理常识

• 杯子是空心容器
• 液体会受重力影响
• 开口向上，便于倒入液体

材料常识

• 杯子材质应该无毒
• 不同材质有不同特性
• 破损的杯子可能有危险

使用常识

• 杯子大小适合手掌握持
• 使用前应该清洗干净
• 热饮需要隔热材质

社会常识

• 不同场合用不同杯子
• 某些杯子有纪念意义

研究者估算，一个成年人掌握着数百万条这样的常识。要把这些全部编码成 if-then 规则，需要几十年甚至上百年，更糟糕的是，不同文化背景的人还有不同的常识，规则库就会更庞大。

这个时代的AI系统即使花费数年时间，也只能编码出人类常识的冰山一角。面对如此庞大的知识需求，符号主义显得力不从心。

4. 三重困境的叠加效应

这三重困境不是独立存在的，而是相互叠加、相互放大的：

• 知识越模糊，需要的规则越多
• 规则越多，计算复杂度越高
• 计算越复杂，对知识精确性要求越高

这形成了一个恶性循环，让符号主义陷入了无法解脱的困境，好像无论从现实技术还是理论角度来讲，通用智能都没有办法实现。

2.4.3 资金链断裂和人才流失

面对上述问题，投资者开始失去耐心。美国政府大幅削减 AI 研究资金，从每年数百万美元骤降到几十万，英国政府更是几乎完全停止了 AI 研究的资助。

没有资金，就留不住人才。很多 AI 研究者开始转向其他领域，有的去搞数据库，有的去做操作系统，那些坚持留下来的，也只能在极其有限的资源下苦苦支撑。

媒体的态度也发生了大转变。之前说 AI “即将改变世界”，现在说它是“被过度炒作的泡沫”。AI 研究从万众瞩目的明星，一下子沦为无人问津的边缘学科。

这就是 AI 历史上的第一次寒冬，从 1973 年一直持续到 1980 年。整个国际AI领域陷入了深深的反思：是符号主义的路走错了吗？

于是，面对AI领域的寒冬，一些人开始另辟蹊径...