这一方面展现了第一代学者对人工智能发展趋势的预测能力，因为在某种程度上，他们的预言在今天都已经变成了现实。但是另一方面也显示出当时的学者对人工智能难度的评估是不足的，因为上述预言并未在预言的期限内实现，这令人们对人工智能的乐观期望遭受到严重的打击，并最终导致1974年到1980年，人工智能的发展进入第一次低谷。
低谷的含义是多方面的。首先，由于研究思路的局限性、算法的缺陷、计算能力的不足，使得人工智能的研究工作遇到了瓶颈。人们发现即使是最杰出的人工智能程序，也只能解决非常简单的问题。依据当时的计算机处理速度和内存容量，很多算法的实现几乎需要无限长的时间。例如，对人类来说非常简单的人脸识别任务，在当时实现起来极端困难，几乎未能取得任何实质性的进展。另外，对人工智能提供资助的机构，如英国政府、美国国防高级研究计划局（DefenseAdvancedResearchProjectsAgency，DARPA）等，由于研究目标不能实现，逐渐停止了对人工智能项目的资助，使得科研工作难以为继。值得一提的是，当时通过模拟人类神经元结构提出的感知器被发现有严重的缺陷，从而受到强烈批评，联结主义作为人工智能的实现方法之一也受到了忽视，而这恰恰是当今人工智能的主角——深度学习的基础。
进入20世纪80年代，人工智能重新回到人们的视线。1980年卡内基·梅隆大学的麦克达默特为数字设备公司（DEC）设计了名为XCON的专家系统，在1986年以前，这套系统每年可为DEC节省四千万美元的费用，“专家系统”的商用价值被广泛接受，人工智能的研究又开始复苏。1981年，日本经济产业省拨款八亿五千万美元支持第五代计算机项目，目标是造出能与人对话、翻译语言、解释图像，并像人一样进行推理的机器。受到日本的刺激，其他国家也纷纷做出响应。英国开始了耗资三亿五千万英镑的Alvey工程，美国微电子与计算机技术公司（MicroelectronicsandComputerTechnologyCorporation，MCC）开始向人工智能和信息技术的大规模项目提供资助，DARPA也增加了人工智能项目的资助，人工智能重新回到了快速发展的轨道。
这次人工智能的热潮以专家系统为主导，它通过从特定学科中推演出的逻辑规则来实现回答或解决特定领域的问题。这种解决方案的应用仅限于某个相对单一的知识领域，具有一定的推理解释功能，还可以避免复杂的常识问题，其简单的设计又使它能够较为容易地进行编程实现和移植，特别是专家系统的可解释性，即使在今天看来，也是深度学习所不能比拟的。这些优点使得专家系统成为20世纪80年代人工智能研究的主要方向，并将其成功应用于地质、医学、数学等领域。
在第二次人工智能热潮期间，基于联结主义的人工智能方法也取得了重要的进展。1982年，物理学家约翰·霍普菲尔德证明一种新型的神经网络（现在被称为“Hopfield网络”）能够用一种全新的方式学习和处理信息。大约在同时，大卫·鲁梅尔哈特推广了神经网络的反向传播算法。到了20世纪90年代，神经网络被应用于字符识别和语音识别，并获得了商业上的成功。这些理论和应用上的进步终于使得20世纪70年代以来一直遭人遗弃的联结主义重获新生。
1987年到1993年，人工智能的研究和行业应用又陷入了第二次低谷。这一方面是由于当时专家系统限制在特定领域的研究思路决定了它的先天局限性。以20世纪80年代出现的第一个试图解决常识问题的程序Cyc为例，它所采用的方法是建立一个容纳普通人知道的所有常识的巨型数据库。发起和领导这一项目的道格拉斯·莱纳特认为让机器理解人类概念的唯一方法是一个一个地教会它们，其规则和数据库的规模可想而知，最终这一工程耗费数十年时间也没有完成。事实上，按照当时的技术路线所制订的一些研究目标。例如，与人展开交谈，直到2010年也没有实现。人工智能历史研究者帕梅拉·麦克达克说道：“不情愿的人工智能研究者们开始怀疑，因为它违背了科学研究中对最简化的追求。智能可能需要建立在对大量知识的多种处理方法之上。”
导致研究工作陷入低谷的另一个更直接的原因是市场的驱动力，它促使人们对人工智能的态度由狂热转向失望。Apple和IBM生产的台式机性能在1987年已超过了Symbolics等厂商生产的智能计算机，价格也远远低于昂贵的智能机。XCON等最初大获成功的专家系统发现了很多问题，如维护费用居高不下，并且使用过程中还有难以升级、出现莫名其妙的错误等。这些都导致了人们转而投向个人计算机的怀抱，政府机构也又一次减少了对人工智能研究工作的资助。
到了20世纪90年代，人们逐渐建立了对人工智能客观理性的认识，人工智能开始进入理性和平稳的发展期。随着计算能力的提升、算法的进步以及数据的积累，各种人工智能技术（未必以人工智能为名）也慢慢渗透到各个行业，人工智能的发展脚步比以往任何一个时期都更加谨慎，却也更加成功。
1997年，IBM的超级计算机“深蓝”战胜了国际象棋世界冠军卡斯帕罗夫（图1-12），这是人工智能重回大众视野的一个标志性事件，当时引发了现象级的讨论。
图1-12
从科学的角度观察，随着理论进步和数据量的增加，20世纪90年代后新一代人工智能研究者开始使用越来越多的复杂的数学工具，使得研究结果更易于评估和证明，取得了巨大的成功。2006年，杰弗里·辛顿在神经网络的深度学习领域取得突破，此后他始终大力推动深度学习的研究和应用。2016年，使用深度神经网络并配合其他人工智能方法，Google开发的AlphaGo击败围棋世界冠军李世石（图1-13），这在学术界、商业领域和公众之中，掀起了人工智能研究和应用的新一轮热潮，深度学习开始大放异彩，并成为人工智能的主流方法。关于深度学习，本书有专门章节讲述，这里不再赘述。
图1-13
进入21世纪后，人工智能领域创新性的突破越来越多，技术发展的速度越来越快。现在的人工智能机器人可以与人类进行互动，棋类程序可以战胜最优秀的人类棋手，人们到异国旅行时能使用机器方便地翻译各国语言，机器医生对特定疾病的诊断能力已经超越了人类医生，甚至“好奇号”火星探测器都在使用人工智能技术完成它的火星探测任务，人们对人工智能取得进一步发展的期待比以往任何一个时期都要强烈，人工智能已经并必将强有力地塑造人类生活的现在和未来。
学习人工智能，满足人类对人工智能领域继续深入探索的好奇心，并使用人工智能去探索更多未知的世界，出发吧！
