繁榮：1980 – 1987
在80年代，一類名為“專家系統”的AI程序開始為全世界的公司所採納，而“知識處理”成為了主流AI研究的焦點。日本政府在同一年代積極投資AI以促進其第五代計算機工程。80年代早期另一個令人振奮的事件是John Hopfield和David Rumelhart使聯結主義重獲新生。AI再一次獲得了成功。
專家系統獲得賞識
專家系統是一種程序，能夠依據一組從專門知識中推演出的邏輯規則在某一特定領域回答或解決問題。最早的示例由Edward Feigenbaum和他的學生們開發。1965年起設計的Dendral能夠根據分光計讀數分辨混合物。1972年設計的MYCIN能夠診斷血液傳染病。它們展示了這一方法的威力。
專家系統僅限於一個很小的知識領域，從而避免了常識問題；其簡單的設計又使它能夠較為容易地編程實現或修改。總之，實踐證明了這類程序的實用性。直到現在AI才開始變得實用起來。
1980年CMU為DEC（Digital Equipment Corporation，數字設備公司）設計了一個名為XCON的專家系統，這是一個巨大的成功。在1986年之前，它每年為公司省下四千萬美元。全世界的公司都開始研發和應用專家系統，到1985年它們已在AI上投入十億美元以上，大部分用於公司內設的AI部門。為之提供支持的產業應運而生，其中包括Symbolics，Lisp Machines等硬件公司和IntelliCorp，Aion等軟件公司。
知識革命
專家系統的能力來自於它們存儲的專業知識。這是70年代以來AI研究的一個新方向。 Pamela McCorduck在書中寫道，“不情願的AI研究者們開始懷疑，因為它違背了科學研究中對最簡化的追求。智能可能需要建立在對分門別類的大量知識的多種處理方法之上。” “70年代的教訓是智能行為與知識處理關係非常密切。有時還需要在特定任務領域非常細緻的知識。” 知識庫系統和知識工程成為了80年代AI研究的主要方向。
第一個試圖解決常識問題的程序Cyc也在80年代出現，其方法是建立一個容納一個普通人知道的所有常識的巨型數據庫。發起和領導這一項目的Douglas Lenat認為別無捷徑，讓機器理解人類概念的唯一方法是一個一個地教會它們。這一工程幾十年也沒有完成。
重獲撥款：第五代工程
1981年，日本經濟產業省撥款八億五千萬美元支持第五代計算機項目。其目標是造出能夠與人對話，翻譯語言，解釋圖像，並且像人一樣推理的機器。令“蕪雜派”不滿的是，他們選用Prolog作為該項目的主要編程語言。
其他國家紛紛作出響應。英國開始了耗資三億五千萬英鎊的Alvey工程。美國一個企業協會組織了MCC（Microelectronics and Computer Technology Corporation，微電子與計算機技術集團），向AI和信息技術的大規模項目提供資助。 DARPA也行動起來，組織了戰略計算促進會（Strategic Computing Initiative），其1988年向AI的投資是1984年的三倍。
聯結主義的重生
1982年，物理學家John Hopfield證明一種新型的神經網絡（現被稱為“Hopfield網絡”）能夠用一種全新的方式學習和處理信息。大約在同時（早於Paul Werbos），David Rumelhart推廣了“反傳法（en:Backpropagation）”，一種神經網絡訓練方法。這些發現使1970年以來一直遭人遺棄的聯結主義重獲新生。
一個四節點的Hopfield網絡
1986年由Rumelhart和心理學家James McClelland主編的兩卷本論文集“分佈式並行處理”問世，這一新領域從此得到了統一和促進。90年代神經網絡獲得了商業上的成功，它們被應用於光字符識別和語音識別軟件。
第二次AI低谷：1987 – 1993
80年代中商業機構對AI的追捧與冷落符合經濟泡沫的經典模式，泡沫的破裂也在政府機構和投資者對AI的觀察之中。儘管遇到各種批評，這一領域仍在不斷前進。來自機器人學這一相關研究領域的Rodney Brooks和Hans Moravec提出了一種全新的人工智能方案。
AI之冬
“AI之冬（en:AI winter）”一詞由經歷過1974年經費削減的研究者們創造出來。他們注意到了對專家系統的狂熱追捧，預計不久後人們將轉向失望。事實被他們不幸言中：從80年代末到90年代初，AI遭遇了一系列財政問題。
變天的最早徵兆是1987年AI硬件市場需求的突然下跌。Apple和IBM生產的臺式機性能不斷提升，到1987年時其性能已經超過了Symbolics和其他廠家生產的昂貴的Lisp機。老產品失去了存在的理由：一夜之間這個價值五億美元的產業土崩瓦解。XCON等最初大獲成功的專家系統維護費用居高不下。它們難以升級，難以使用，脆弱（當輸入異常時會出現莫名其妙的錯誤），成了以前已經暴露的各種各樣的問題（例如資格問題（en:qualification problem））的犧牲品。專家系統的實用性僅僅侷限於某些特定情景。
到了80年代晚期，戰略計算促進會大幅削減對AI的資助。DARPA的新任領導認為AI並非“下一個浪潮”，撥款將傾向於那些看起來更容易出成果的項目。1991年人們發現十年前日本人宏偉的“第五代工程”並沒有實現。事實上其中一些目標，比如“與人展開交談”，直到2010年也沒有實現。 與其他AI項目一樣，期望比真正可能實現的要高得多。
軀體的重要性：Nouvelle AI與嵌入式推理
80年代後期，一些研究者根據機器人學的成就提出了一種全新的人工智能方案。他們相信，為了獲得真正的智能，機器必須具有軀體 – 它需要感知，移動，生存，與這個世界交互。他們認為這些感知運動技能對於常識推理等高層次技能是至關重要的，而抽象推理不過是人類最不重要，也最無趣的技能（參見Moravec悖論）。他們號召“自底向上”地創造智能，這一主張復興了從60年代就沉寂下來的控制論。
另一位先驅是在理論神經科學上造詣深厚的David Marr，他於70年代來到MIT指導視覺研究組的工作。他排斥所有符號化方法（不論是McCarthy的邏輯學還是Minsky的框架），認為實現AI需要自底向上地理解視覺的物理機制，而符號處理應在此之後進行。
在發表於1990年的論文“大象不玩象棋（Elephants Don’t Play Chess）”中，機器人研究者Rodney Brooks提出了“物理符號系統假設”，認為符號是可有可無的，因為“這個世界就是描述它自己最好的模型。它總是最新的。它總是包括了需要研究的所有細節。訣竅在於正確地，足夠頻繁地感知它。” 在80年代和90年代也有許多認知科學家反對基於符號處理的智能模型，認為身體是推理的必要條件，這一理論被稱為“具身的心靈/理性/ 認知（embodied mind/reason/cognition）”論題。
AI：1993 – 現在
現已年過半百的AI終於實現了它最初的一些目標。它已被成功地用在技術產業中，不過有時是在幕後。這些成就有的歸功於計算機性能的提升，有的則是在高尚的科學責任感驅使下對特定的課題不斷追求而獲得的。不過，至少在商業領域裡AI的聲譽已經不如往昔了。“實現人類水平的智能”這一最初的夢想曾在60年代令全世界的想象力為之著迷，其失敗的原因至今仍眾說紛紜。各種因素的合力將AI拆分為各自為戰的幾個子領域，有時候它們甚至會用新名詞來掩飾“人工智能”這塊被玷汙的金字招牌。AI比以往的任何時候都更加謹慎，卻也更加成功。
里程碑和摩爾定律
1997年5月11日，深藍成為戰勝國際象棋世界冠軍卡斯帕羅夫的第一個計算機系統。2005年，Stanford開發的一臺機器人在一條沙漠小徑上成功地自動行駛了131英里，贏得了DARPA挑戰大賽頭獎。2009年，藍腦計劃聲稱已經成功地模擬了部分鼠腦。
這些成就的取得並不是因為範式上的革命。它們仍然是工程技術的複雜應用，但是計算機性能已經今非昔比了。事實上，深藍計算機比Christopher Strachey在1951年用來下棋的Ferranti Mark 1快一千萬倍。這種劇烈增長可以用摩爾定律描述：計算速度和內存容量每兩年翻一番。計算性能上的基礎性障礙已被逐漸克服。
智能代理
90年代，被稱為“智能代理（en:intelligent agents）”的新範式被廣泛接受。[132]儘管早期研究者提出了模塊化的分治策略， 但是直到Judea Pearl，Alan Newell等人將一些概念從決策理論和經濟學中引入AI之後現代智能代理範式才逐漸形成。當經濟學中“理性代理（rational agent）”與計算機科學中的“對象”或“模塊”相結合，“智能代理”範式就完善了。
智能代理是一個系統，它感知周圍環境，然後採取措施使成功的幾率最大化。最簡單的智能代理是解決特定問題的程序。已知的最複雜的智能代理是理性的，會思考的人類。智能代理範式將AI研究定義為“對智能代理的學習”。這是對早期一些定義的推廣：它超越了研究人類智能的範疇，涵蓋了對所有種類的智能的研究。
這一範式讓研究者們通過學習孤立的問題找到可證的並且有用的解答。它為AI各領域乃至經濟學，控制論等使用抽象代理概念的領域提供了描述問題和共享解答的一種通用語言。人們希望能找到一種完整的代理架構（像Newell的en:SOAR那樣），允許研究者們應用交互的智能代理建立起通用的智能系統。
“簡約派”的勝利
越來越多的AI研究者們開始開發和使用複雜的數學工具。人們廣泛地認識到，許多AI需要解決的問題已經成為數學，經濟學和運籌學領域的研究課題。數學語言的共享不僅使AI可以與其他學科展開更高層次的合作，而且使研究結果更易於評估和證明。AI已成為一門更嚴格的科學分支。 Russell和Norvig（2003）將這些變化視為一場“革命”和“簡約派的勝利”。
Judea Pearl發表於1988年的名著將概率論和決策理論引入AI。現已投入應用的新工具包括貝葉斯網絡，隱馬爾可夫模型，信息論，隨機模型和經典優化理論。針對神經網絡和進化算法等“計算智能”範式的精確數學描述也被髮展出來。
幕後的AI
AI研究者們開發的算法開始變為較大的系統的一部分。AI曾經解決了大量的難題，這些解決方案在產業界起到了重要作用。應用了AI技術的有數據挖掘，工業機器人，物流，語音識別，銀行業軟件，醫療診斷和Google搜索引擎等。
AI領域並未從這些成就之中獲得多少益處。AI的許多偉大創新僅被看作計算機科學工具箱中的一件工具。Nick Bostrom解釋說，“很多AI的前沿成就已被應用在一般的程序中，不過通常沒有被稱為AI。這是因為，一旦變得足夠有用和普遍，它就不再被稱為AI了。”
90年代的許多AI研究者故意用其他一些名字稱呼他們的工作，例如信息學，知識系統，認知系統或計算智能。部分原因是他們認為他們的領域與AI存在根本的不同，不過新名字也有利於獲取經費。至少在商業領域，導致AI之冬的那些未能兌現的承諾仍然困擾著AI研究，正如New York Times在2005年的一篇報道所說：“計算機科學家和軟件工程師們避免使用人工智能一詞，因為怕被認為是在說夢話。”
HAL 9000在哪裡?
1968年亞瑟•克拉克和史丹利•庫柏力克創作的《“2001太空漫遊”》中設想2001年將會出現達到或超過人類智能的機器。他們創造的這一名為HAL-9000的角色是以科學事實為依據的：當時許多頂極AI研究者相信到2001年這樣的機器會出現。
“那麼問題是，為什麼在2001年我們並未擁有HAL呢?” Marvin Minsky問道。 Minsky認為，問題的答案是絕大多數研究者醉心於鑽研神經網絡和遺傳算法之類商業應用，而忽略了常識推理等核心問題。另一方面，John McCarthy則歸咎於資格問題（en:qualification problem）。Ray Kurzweil相信問題在於計算機性能，根據摩爾定律，他預測具有人類智能水平的機器將在2029年出現。Jeff Hawkins認為神經網絡研究忽略了人類大腦皮質的關鍵特性，而簡單的模型只能用於解決簡單的問題。還有許多別的解釋，每一個都對應著一個正在進行的研究計劃。目前以自然語言理解問題為突破口，以本源語義為對象，通過對“理解”與“智能”的界定研究，人類級別的人工智能研究已經取得進展。
中國人工智能產業規模預測（艾媒諮詢）
圖文信息僅作參考。
閱讀更多 慕容彥 的文章
