书接上回，上回咱们聊了神经网络在第一次寒冬中的“蛰伏”与“萌动”。但别高兴太早，AI很快就迎来了它的第二次“寒冬”（大概从20世纪80年代末到90年代中期）。这次寒冬啊，比第一次还“冷”，还“漫长”。AI这玩意儿，直接“改头换面”，从“AI”变成了“机器学习”，才勉强“活”了下来。

1. LISP机器的黄昏：AI的“专属座驾”被“平民”PC机吊打

在第一次AI寒冬之后，专家系统虽然在某些特定领域“小火”了一把，但它有个致命伤：太依赖LISP机器了。这玩意儿，是专门为LISP语言（当年AI研究的主流语言）定制的，性能是强，但价格也高得吓人，动辄几十万美元。这不就是AI的“专属座驾”嘛！

然而，到了80年代末90年代初，通用计算机技术突飞猛进。基于Intel处理器的个人电脑和Unix工作站，性能蹭蹭往上涨，价格却哗哗往下掉。C++等编译型语言的效率，也把LISP甩了几条街。结果就是，AI的“专属座驾”被“平民”PC机给吊打了！AI研究员们发现，在更便宜、更通用的机器上用C++写程序，跑得更快还便宜。LISP机器公司纷纷倒闭，AI产业直接来了一次“大洗牌”。

2. 专家系统的“幻灭”：定制化再牛，也玩不转“规模化”

虽然XCON/R1这些专家系统当年很“牛”，但它们都是针对特定、狭窄领域的“定制化”解决方案。专家系统固有的“知识获取瓶颈”和“脆弱性”问题，始终没解决。你花大价钱“抠”出来的专家知识，只能在那个小圈子里用，一出圈就“水土不服”。这不就是“定制化再牛，也玩不转规模化”嘛！

商业界一看，这玩意儿投入大，回报小，还不能“复制粘贴”，热情立马就没了。投资开始撤离，很多AI公司倒闭，AI部门被裁撤，AI研究再次“跌入谷底”。

3. 从“AI”到“机器学习”的更名：为了“活下去”，AI“改头换面”

在第二次AI寒冬期间，“人工智能”这个词，在学术界和工业界几乎成了个“敏感词”。谁提谁尴尬，谁提谁拿不到钱。为了“活下去”，很多AI研究员们开始“策略性转型”，把自己的研究方向重新“包装”了一下。他们不再自称“AI研究员”，而是把重心放在了“机器学习（Machine Learning）”、“数据挖掘（Data Mining）”、“模式识别（Pattern Recognition）”这些听起来更“务实”、更“统计学”的领域。

这种“改头换面”，可不光是换个名字那么简单。它反映了AI研究范式的悄然转变：从强调基于规则的“硬编码”，转向了更侧重于从数据中学习、发现模式的“统计方法”。这不就是我们现在说的“技术转型”嘛！为了“活下去”，AI也是拼了。

4. 寒冬中的转型与积蓄：为下一次“春天”做“铺垫”

虽然第二次AI寒冬带来了巨大的冲击，但研究并没有完全停滞。在低谷中，一些关键的技术和思想，正在默默地“积蓄力量”，为下一次“春天”做“铺垫”：

• 统计学习方法的兴起： 隐马尔可夫模型（HMM）、支持向量机（SVM）等统计学习方法开始崭露头角，它们在语音识别、图像识别等领域，展现出比传统符号AI更强的“抗造”能力和“泛化”能力。
• 神经网络的坚持： 尽管主流不看好，但总有那么几个“死心眼”的，比如杰弗里·辛顿，还在坚持神经网络的研究，不断改进算法，为未来的深度学习革命“攒人品”。
• 互联网的萌芽： 互联网的兴起，就像给未来的AI准备好了“数据大餐”。海量数据，这不就是机器学习的“粮食”嘛！

结语

第二次AI寒冬，是AI发展史上又一次深刻的“教训”。它告诉我们，专用硬件再牛，也干不过“通用化”和“性价比”；“定制化”再好，也玩不转“规模化”。然而，也正是这次寒冬，逼着AI研究员们更加“务实”，把重心转向了更具统计学基础和数据驱动的“机器学习”方法。在看似沉寂的低谷中，AI正在悄然“转型”，为即将到来的第三次浪潮，积蓄着前所未有的能量。

下一篇，咱们就聊聊“机器学习”是怎么“闷声发大财”，凭借数据和算法的结合，为AI的“复兴”铺平道路的。敬请期待！