任何技术以及由其衍生出的产品还是要以市场为导向，否则无论概念多炫目，当初的追捧有多热烈，最终都难逃被市场淘汰的命运，AI 技术也是如此，年初时各大厂商争相推出的 AI 功能及相关硬件、软件产品，如今多数已鲜有人问津。因为用户逐渐发现这些在网上爆火的功能并不能真正解决企业实际的问题，反而增加了额外的工作负担以及成本，特别是专业的复杂性已经劝退了大量中小企业用户，AI 技术离寒冬似乎只差一步之遥 。

历史上的 AI 寒冬

在技术狂热的时候人们总是会选择性忘却那些曾被冷落的教训。要知道在上世纪七十年代与九十年代，AI 两次因承诺过高而实际落地困难，接连陷入低谷：

第一次 AI 寒冬的时间在 1974-1980 年之间，大部分人所不知道的是早在 1950-60 年代是 AI 的黄金时代，研究者们对 AI 充满了乐观情绪，其中纽厄尔和西蒙在 1958 年预言 " 十年内，计算机将成为国际象棋世界冠军 " 以及 " 机器将能够发现和证明重要的新数学定理 "。但现实很快啪啪打脸，当时的计算机内存和处理速度极其有限，难以处理复杂的实际问题。当时的研究表明许多看似简单的问题（如棋类游戏、定理证明），其可能的解决路径（搜索空间）会随着问题复杂度呈指数级增长，远超当时计算机的处理能力。而早期 AI 主要依赖形式逻辑和搜索，但很多任务（如自然语言理解、图像识别）需要大量的人类常识和领域知识，而当时的系统无法有效获取和利用这些知识。在 1973 年受英国政府委托，数学家詹姆斯 · 莱特希尔发表了一份极具影响力的报告。该报告严厉地评估了 AI 领域的成就，认为其未能实现任何宏伟目标，并指出其研究价值被严重夸大。这份报告直接导致英国政府和美国政府（尤其是 DARPA）大幅削减了对 AI 基础研究的资金支持。直接导致大学和研究机构的 AI 项目被关闭或削减。"AI" 这个词本身也变得不受欢迎。

第二次 AI 寒冬发生的时间在 1987-1993 年之间，在第一次寒冬后期，以 " 专家系统 " 为代表的 " 知识驱动 "AI 取得了商业成功。这些系统通过将人类专家的知识规则化，在特定领域（如医疗诊断、化学分析）表现出色，因此成功吸引了大量公司和风险投资涌入，形成了一个 AI 产业的小高潮。但问题随之而来，专家系统的局限性逐渐暴露，比如专家系统知识库有限，无法处理其规则范围之外的问题；知识库的更新和维护需要大量人力，且非常困难；重要的是它们无法从经验中自动学习，所有知识都需要人工输入，在市场应用方面由于其难以应用到更广泛的场景中而逐渐失去商业价值。更致命的是苹果和 IBM 等公司的台式计算机性能越来越强，价格远低于运行专家系统的专用 Lisp 机。这使得昂贵的专用 AI 硬件市场迅速崩溃。同时许多公司发现，开发和维护专家系统的成本远高于其带来的收益，商业应用远未达到预期。随着 " 第五代计算机计划 "（日本）等宏大项目的目标未能实现，市场信心受挫。直接导致的后果就是AI 硬件市场（如 Lisp 机公司）几乎全军覆没，大量 AI 初创公司倒闭，投资迅速撤离，学术界再度陷入危机。AI 一词再次被避之不及，许多研究者转而采用 " 机器学习 "" 信息处理 " 等更低调的术语以规避偏见。

从以上我们不难看出AI 发展两次寒冬的相似之处：

第一， 技术能力与社会预期之间产生了巨大鸿沟；

第二， 早期都对通用智能概念盲目乐观；

第三， 对概念过度追捧，但都在现实瓶颈面前轰然崩塌；

第四， 当发现没有市场价值后资本迅速抽离，导致研发中断与人才流失；

那么以上情景是不是与当前 AI 的境况惊人地相似？

第三次 AI 寒冬是否在悄然而至？

年初之时，大模型的热潮席卷全球，资本疯狂涌入，各大企业争相发布所谓的 " 自研大模型 "，仿佛没有大模型都不好意思和同行打招呼。而一些 AI 软件大厂融资规模动辄上亿，估值翻着倍涨，整个行业陷入一种非理性繁荣。然而热潮背后，市场的瓶颈已悄然显现：

大模型训练成本高昂，幻觉严重，且难以在企业垂直场景中落地应用，也就是说企业服务器买了，大模型开发了，最后发现没有场景可落地，无法产生实际业务价值，投入产出比极低。让这些AI 项目沦为了技术秀场，沦为一些企业管理层汇报 PPT 里的 " 亮点与政绩 "。一些软件企业在没有搞清楚市场需求的情况下纷纷开发一些 AI 产品，急着赶上 AI 这波热潮却忽视了用户真实痛点，最后投入大量人力、物力、财力开发出一些产品后才发现根本无人使用，要么被薅羊毛，沦为免费工具供人娱乐，要么因功能与用户实际需求脱节而迅速被市场淘汰。老杨最近与一些 AI 团队交流时发现，大家普遍陷入资金紧张的困境，都在着急找客户、找场景、找融资，有的已经开始裁员自救，而有一部分团队则选择转型做小型化模型或聚焦垂直领域落地，试图通过轻量化、可解释性强的解决方案重获市场信任。

概念的狂热下掩盖了技术落地难这一现实，当前的国内企业确实需要 AI 来 " 降本增效 "，但却忽略了自身的数字化基础薄弱、业务流程不规范、数据孤岛严重等这些现实问题，导致 AI 技术难以落地。狂热的概念追捧下，很多企业盲目跟进 AI 项目，既无清晰战略也无落地路径， 当 AI 价值难题体现时，企业不是正视问题、分析问题，改善管理，而是归咎于技术不行而马上放弃投入，将 AI 直接打入冷宫，由当初的热烈追捧变成万人嫌。同企业一样，资本市场也缺乏足够的耐心，一旦某个 AI 项目回报周期拉长，便迅速撤资，转向下一个风口。

在当前的数字化时代，一切都是浮躁的，在互联网流量的加持下技术被神化也被妖魔化，AI 亦未能幸免。流量既可以让一个技术概念在短时间内被捧上神坛，也能在一夜之间让其变成狗都不理的弃子。当前不正是第三次 AI 寒冬前的征兆？

最后老杨总结一下形成第三次 AI 寒冬的原因：

1. 技术泡沫与现实落差的巨大鸿沟；

2. AI 产品与现实市场的需求脱节；

3. 大部分 AI 产品缺乏可持续的商业发展模式；

4. AI 产品有太多的照抄与模仿，缺乏核心技术壁垒；

5. 市场在哪里都不知道就匆忙上路，有太多的盲目性；

6. 产品有了，但企业客户需要的是一体化解决方案，而非单一功能模块，而多数 AI 公司却无法提供端到端的服务能力。

7. 有了先进的技术，却没有应用的基础，有了产品却没有匹配的场景；

8. 无论是企业还是资本都急于看到 AI 立竿见影的回报，却不愿为其长期演进买单。

不到一年时间，AI 行业已从万众追捧跌至冷静反思的低谷，变成了鸡肋。吹捧并不能解决场景问题，所以让 AI 进入寒冬的正是其自己。