1.4-第一次AI寒冬

融资断崖90% 归零第一次 AI 寒冬是怎么冻住全球的本文是「AI 通史与深度学习革命」专题的第 4 篇。承接 1.3符号主义黄金期与专家系统聚焦 1987–1993 年——AI 历史上最大的一次资本退潮。看一个正在赚钱的产业怎么在三年内失去了 90% 的融资以及这个阶段的教训如何至今仍影响着 AI 创业生态。本篇 1.4 → 1.5 连接主义复兴 → 1.6 第二次 AI 寒冬 写在前面1987 年它还有 1,400 人——1990 年它申请了破产1987 年 10 月Symbolics 的 CEO 在波士顿 AI 论坛上对着满屋子的投资者高调宣称“我们是 AI 产业的 IBM。Lisp 机器是 AI 时代的基础设施。我们的市场份额在增长——”同一周Symbolics 的股票从峰值 22 美元跌到了 6 美元——跌幅 73%。从 1985 年到 1990 年Symbolics 的营收从 5,600 万美元跌到 1,800 万美元——下降 68%。员工从 1,400 人裁到 400 人。1990 年 10 月它申请了第 11 章破产保护——距离 CEO 声称我们是 AI 产业的 IBM只过去了不到 3 年。Symbolics 不是孤例。LMI另一家 Lisp 机器公司在 1988 年破产。Teknowledge——当时最知名的专家系统工具公司——股价从 1986 年 IPO 的 20 美元跌到 1989 年的 0.25 美元——跌幅 98.75%。IntelliCorp另一个知识工程工具公司裁员 50% 后勉强活到 1990 年代后彻底转型。几乎每一家 1984–85 年成立的 AI 公司都在 1989–91 年间关闭、破产或转型。这不是一家公司的失败——这是一个产业的消失。但不是因为技术倒退了——1987–1993 年间AI 技术在实验室里从未停止进步反向传播 1986 年提出、LeNet 1993 年在贝尔实验室验证、CYC 项目持续推进。资本消失了但知识没有。这个资本寒冬是 AI 史上最重要的间隔——它清除了泡沫保留了种子为 2006 年的深度学习革命保留了火种。 三大红线红线含义后果寒冬不是因为AI 不行了——是因为承诺超过交付1984–85 年对专家系统的承诺是取代医生、取代专家——实际只能做到辅助工具级别资本以颠覆性技术的标准投入——发现只是工具级——回报远低预期→全体退出寒冬是融资断崖而非技术死亡1987–93 年间 AI 论文量没有下降反向传播 1986、LeNet 1998 都在此期间诞生误以为寒冬期间什么都没发生→错过神经网络最重要突破发生在最冷的时期英国和日本的 AI 先于美国崩溃英国 1973 年 Lighthill 报告引发了第一次小型寒冬日本 FGCS 1992 年已不可行以为是美国个体问题→实际是三个经济体同步经历的 AI 资本泡沫破裂 逐主题拆解寒冬的四大成因 寒冬季的种子本节母本主题第一次 AI 寒冬炸开为 5 个子单元资本断崖的财务真相、知识工程瓶颈的经济后果、第五代计算机的失败、寒冬季生存策略、寒冬季埋下的种子。一、1987 年资本断崖——AI 产业的财务真相这是什么1987–1988 年间AI 产业的融资突然断崖式下跌。美国 AI 公司的风投融资从 1986 年的约 4.5 亿美元按 2024 年美元调整值骤降到 1987 年的约 1.2 亿美元——下降 73%。到 1991 年进一步跌到约 2,000 万美元——相比 1986 年峰值下降 95% 以上。不仅仅是融资——公司的实际收入也在崩跌。Lisp 机器公司的合并市场份额从 1985 年的约 2.5 亿美元跌到 1990 年的 3,000 万美元以下——下降 88%。专家系统相关产品市场从 1986 年约 2 亿美元跌到 1992 年约 4,000 万美元——下降 80%。为什么需要它——三个原因同时叠加原因 1通用硬件追上了 Lisp 机器的性能。1985 年一台 Lisp 机器比同价位的 Sun 工作站快 2 倍到 1987 年只快 20%1990 年通用工作站不仅性能和 Lisp 机器持平而且价格只有后者的约三分之一$45,000 vs $15,000。客户 1985 年购买 Lisp 机器是因为只有它能跑专家系统——但 1987 年后这个唯一理由消失了。Symbolics 却仍然按照 1985 年的高价卖——市场选择不买了。原因 2日本第五代计算机的恐慌效应消退。1981 年日本宣布 FGCS 时美国政府和企业的第一反应是必须重金投资 AI 以应对日本挑战。DARPA 的战略计算计划1983–1993约 10 亿美元就是对 FGCS 的直接回应。1987 年后发现 FGCS 进度严重落后于计划——AI 竞赛恐慌消退——政府经费也随之下降。原因 3专家系统的辅助——不是替代。1984–85 年市场的预期是专家系统会像电子表格替代会计师一样替代分析人员。实际部署后——大部分系统被用作培训工具或决策支持工具——效率提升了但没有替代人。ROI 远低于预期。这是一个典型的 “hype cycle 沉降”——从期望膨胀期跌入幻灭低谷期。它的作用第一轮 AI 泡沫的破裂1987 年资本断崖标志着 AI 产业第一轮泡沫的彻底破裂。1985 年最高峰时全球 AI 相关公司总市值约 15–20 亿美元——到 1990 年降到约 1–2 亿美元——市值蒸发约 90%。寒冬季的正面意义这次资本断崖完成了一次尖锐的市场纠正——把 1984–85 年被过度炒作到不合理高度的期望从天上拉回到地上。“AI 会替代所有白领工作→AI 是一个有用的辅助工具”——预期从颠覆性回落到增量性。这个调整痛苦但必要没有这次修正1986 年反向传播的突破可能继续被西方 AI 实验室忽视——因为当时所有精力都在符号主义上。手算 1AI 风投融资金额完整曲线1985–19932024 年美元调整值年份 融资亿美元 同比变化 当年标志性事件 1985 3.8 ∞ 专家系统高峰Lisp 机器纷纷 IPO 1986 4.5 18% 峰值——GM 投资 AI 工厂规划系统 1987 1.2 −73% Symbolics 股价从 $22 跌到 $6——暴跌警讯 1988 0.9 −25% LMI第二大 Lisp 机器公司破产 1989 0.5 −44% Teknowledge 股价从 $20 跌到 $0.25——几乎归零 1990 0.3 −40% Symbolics 申请第 11 章破产保护 1991 0.2 −33% 谷底——全年 AI 融资仅 2,000 万美元 1992 0.25 25% 微弱回升——连接主义开始被学术界注意 1993 0.4 60% 研究者开始大规模转向神经网络 峰谷对比4.5 亿美元1986→ 0.2 亿美元1991 下降 95.6% 从峰值到谷底的时间5 年1986→1991 恢复到同一水平的年数约 28 年2014 年 AI 融资才首次超过 1986 年水平这个 28 年回本周期是 AI 投资者最残酷的教训——你在 1986 年投入 AI 之后需要等将近一代人才能等到下一次资金潮涨回来。寒冬季的财务幸存者分析1985 年存在的约 40 家 AI 公司只有约 5 家在 1993 年后仍以独立实体存在存活率约 12.5%。存活的关键特征——不是技术最好——是有非 AI 的主营业务收入。IntelliCorp 存活是因为它的工具也被用于企业数据管理改名后做非 AI 业务。最脆弱的——那些纯 AI 模型公司、只有单一 AI 产品的公司——全军覆没。手算 22024 年 AI 投资 vs 1987 年的结构性对比维度1987 AI 产业2024 AI 产业相似度头部公司估值Symbolics ~$1.7 亿OpenAI ~$1,500 亿量级不同但都高估头部公司盈利Symbolics 亏损OpenAI 亏损高相似替代 XX的承诺“替代医生/专家”“替代程序员/设计师”高相似基础设施获利SUN/DEC通用硬件NVIDIAGPU中相似客户实际使用辅助工具非替代辅助工具非替代高相似融资总量1985 $3.8 亿→消失2023 $100 亿量级大了 ~30×历史不会完全重演——2024 年 AI 的技术深度和实际应用率远超 1987 年。但结构性信号——高估值、亏损、承诺替代——值得警觉。二、知识工程瓶颈的经济后果——当维护成本超过收益这是什么知识工程瓶颈——规则库维护成本 O(R²)——在 1987 年之前只是一个学术问题。1987 年之后当企业客户开始追问你们的产品三年后每年维护费多少时——它变成了一个尖锐的商业问题。为什么需要它XCON 的维护团队从 1982 年的 3 人扩大到 1987 年的 12 人但仍然赶不上 DEC 硬件产品的迭代速度。每年约 30% 的规则需要更新或替换——更新速度超过了规则产生速度系统精度开始从峰值下滑。到 1988 年XCON 的年度维护成本已经超过它的开发成本。它在 1980–1986 年累计节省了约 2 亿美元——但 1987 年后维护成本每年吃掉这些节省的 20–30%。手算 2XCON 的经济账——维护成本增速 vs 节省增速假设规则数据库 R、每条规则年平均冲突率 ρ ≈ √(R/1000) × 0.05 年份 规则数 R 维护团队 年成本(万$) 冲突率 年节省(万$) 净效应 1982 2,000 3 24 5% ~4,000 大赚 1984 5,000 6 48 12% ~4,500 大赚 1986 7,500 10 80 18% ~4,000 赚 1987 8,500 12 96 22% ~3,500 赚但进入拐点区 1988 10,000 15 120 25% ~3,000 赚越来越薄 1989 11,000 18 144 28% ~2,500 收支开始反转 1990 12,000 22 176 30% ~2,000 亏 1991 (冻结) 3(维护) 24 — 800 残值回收 维护成本增长速度4 年翻一番 DEC 产品线的收缩被 Unix 服务器侵蚀导致 XCON 能避免的错误损失逐年下降 两条曲线在 1990 年交叉——XCON 从赚钱变成了亏钱核心公式规则系统有一个不可跨越的经济天花板——当 R 超过约 10,000 后维护成本的增速O(R²)超过规则能够创造的边际收益对数增长造成 R ≈ 10,000 成为规则系统在经济上可行的上限。这个问题今天2026仍然存在——但企业已经学会了绕过它RAG 系统使用向量检索而不是规则引擎从写规则变成了搜知识。这个转变本质上是对知识工程瓶颈的彻底回避。规则系统 vs 现代 RAG 的维护成本对比规则系统1980s 专家系统: RAG 系统2020s: · 知识表达手动编码 IF-THEN · 知识表达向量嵌入 文档 · 新增知识写新规则 冲突检查 · 新增知识上传文档自动索引 · 冲突处理O(R²) 全库检查 · 冲突处理无向量匹配天然容忍模糊 · 维护人力随 R 线性增长 · 维护人力几乎为零自动化索引 · 知识上限R≈10,000 后不可维护 · 知识上限取决于向量库容量——10^7 级 维护成本增长率O(R²) vs O(log(N)) 10,000 条知识的管理成本规则 ≈ O(100M) vs RAG ≈ O(50ms 检索)这个对比解释了从规则到搜索的范式转变为什么是不可逆的。三、日本第五代计算机计划——14 亿美元的国家级赌注这是什么1982 年日本通商产业省MITI启动第五代计算机系统FGCS——一个 10 年期、4.5 亿美元≈2024 年 14 亿美元的国家级 AI 计划。目标是用 Prolog 驱动的并行计算机实现通用智能自然语言理解——与计算机用自然语言对话自动推理——程序自己发现新知识知识库管理——储存数十亿条世界知识的规则并行 Prolog 架构——专为逻辑编程设计的硬件为什么需要它1981 年 FGCS 宣布时美国科技界一片恐慌——《新闻周刊》封面“日本的 AI 竞赛——美国会输吗” DARPA 立即启动战略计算计划1983–1993约 10 亿美元作为回应。FGCS 引发的跨太平洋 AI 军备竞赛大幅推高了全球 AI 投入——也推高了不成比例的期望。讽刺之处FGCS 基于符号主义的核心理念——“Prolog 规则搜索 通用智能”。而当 FGCS 1992 年结束时连接主义世界已经准备好崛起——FGCS 浪费了 14 亿美元在一条死路上。 案例FGCS 的 5 台机器——投入 14 亿造了 5 台没人用的计算机机器年份CPU 数性能研发成本(估)命运PSI-I19831~0.5 MIPS¥150 亿原型演示无数值产出PSI-II19851~1 MIPS¥80 亿仅少数实验室使用Multi-PSI19876~6 MIPS¥60 亿并行版本无商用部署PIM1990512~200 MIPS¥150 亿学术展示台1995 年退役KL1 编译器1992——¥130 亿最好的 Prolog 并行编译器——无人使用投资回报评估总投入¥570 亿≈4.5 亿美元 2024 年约 14 亿美元直接商业回报几乎为零——5 台机器没有在任何企业部署学术产出约 2,000 篇论文——在 Prolog 编译和并行计算领域有贡献——但远不能覆盖 14 亿美元投入投资回报率 ≈ 0.02:1——每投入 1 美元收回约 2 美分的学术价值如果 FGCS 的资金投向了神经网络——当时 LeCun 的 LeNet 在贝尔实验室以每年约 15 万美元的预算运行——AI 的发展路径可能会完全不同。四、寒冬季的生存策略——“改名、躲藏、等待”生存下来的 AI 研究人员和企业采取了可预见的模式改名——去掉人工智能。“Intelligent Systems→Decision Support Systems”“Knowledge Engineering→Business Rules Management”融入主流 IT——Lisp→C 的重写XCON 1990 年从 Lisp 重写为 C专家系统作为规则引擎嵌入数据库去商业化回到研究——1986–88 年成立的初创公司退回大学研究组或咨询部门五、寒冬中埋下的种子——1987–1993 年发生在实验室的三件大事寒冬只冻住了商业 AI。在实验室里以下三个东西正在发生——但几乎没有人注意到1986: 反向传播Rumelhart, Hinton, Williams——PDP 三部曲让多层网络训练成为可能1989-93: LeCun 的 CNN 在贝尔实验室验证——在无人关注的支票识别任务上神经网络正在积累超越传统方法的证据1992: Vapnik 提出 SVM——支持向量机的统计学习理论——虽然它在 1995–2005 年间压制了神经网络但它也保留了从数据中学习的范式火种为什么这些没被冻住LeCun 在 ATT 贝尔实验室——“内部资金不依赖外部 AI 融资。ATT 的问题不是这是 AI 吗”——是支票识别率提高了吗 他团队的卷积网络 1996 年识别了全美约 10% 的支票——这是寒冬季最成功的不叫 AI 的 AI 应用。寒冬季生存的黄金法则找一个能解决真实问题、有实际收入的应用场景——然后用 AI 技术悄悄优化它——绝对不要在公开场合讨论人工智能。 全局判断AI 寒冬给 2026 年的四点启示第一次 AI 寒冬不是技术的失败——是产业期望的失败。1987 年 AI 技术比 1984 年更好——是替代医生的承诺撞上了辅助工具的现实。资本对 AI 的预期从颠覆回落到增量——最痛苦也最健康的调整。寒冬季的预警信号清单——当一个领域的 IPO 公司股价跌了 98%Teknowledge当一个国家级的 10 年 AI 计划零商业回报FGCS当AI被企业客户回避——寒冬到了。2023–24 年 AI 热潮与 1984 年的结构性相似——同样有取代 XX的承诺同样有大量高估值但不盈利的初创公司。这不一定意味着第二次寒冬——但历史信号不容忽视。寒冬中的最优策略不是缩减——是改名生存 保持研发。LeCun 用支票识别精度拿经费——而不是下一代 AI。这个策略 2026 年仍然有效。⚠️ 注意事项与常见误解#误解真相1“寒冬期间 AI 完全停滞”1987→1993 年 AI 论文量没有下降——停滞的是商业投资不是研究2“第五代计算机被美国人击败”FGCS 自己失败了——Prolog 并行硬件 智能的假设不成立3“符号主义寒冬后消失了”知识表示方法被吸收进知识图谱。规则引擎BRMS至今是赚钱的细分市场——只是不叫AI4“所有 AI 公司都破产了”改名生存的活下来了——“决策支持”、“业务规则”、“模式识别”——不用AI这个词✅ 本节能 Checklist理解 1987 年资本断崖的幅度融资从 4.5 亿→0.2 亿能解释融资消失的三个原因硬件替代/恐慌消退/交付不足理解知识工程瓶颈的商业后果R≈10,000 时维护成本 收益理解 FGCS 的失败不是技术失误——是路线错误理解寒冬季孵化反向传播/CNN/SVM 的机制——“改名生存、保持研发”知道支票识别是寒冬季最成功的不叫 AI 的 AI应用 速查表概念一句话定义关键信息第一次 AI 寒冬1987–1993 年 AI 产业融资下降 95% 的资本退潮4.5 亿→0.2 亿美元Symbolics 破产最大 Lisp 机器公司 1990 年破产营收 $56M→$18M员工 1400→400Teknowledge专家系统工具公司——股价 $20→$0.251986 IPO→1989 几乎归零FGCS第五代计算机日本 10 年/4.5 亿美元的 Prolog 并行计划1982-19920 商业回报Lighthill 报告1973英国政府 AI 评估——导致英国 AI 融资冻结第一次小型寒冬的起点知识工程瓶颈规则维护 O(R²)——R10,000 经济不可行第一次寒冬的技术根源反向传播1986链式法则工程化——训练深层网络Rumelhart, Hinton, WilliamsLeNet1989-98寒冬季存活最成功的神经网络项目LeCun at ATT Bell Labs支票识别1996LeNet 变体识别全美 ~10% 的支票“不叫 AI 的 AI”——生存策略DARPA 战略计算计划美国对 FGCS 的回应——10 年、~$10 亿1983-1993随 FGCS 终结终止五、寒冬季中诞生的三件事——1987–1993 年实验室在做什么反向传播从论文到实践的 7 年1986 年反向传播被发表在 Nature——但直到 1993 年才被广泛应用。中间这 7 年的延迟不是技术障碍——是符号主义主导范式带来的注意力锁定。AI 界的资金、学生、审稿人、会议都在专家系统上。反向传播在 86–93 年间只有约 200 篇论文——不到专家系统论文量的 2%。手算 3反向传播论文 vs 专家系统论文量的 7 年对比年份 BP 论文量 专家系统论文量 比例 1986 2 ~400 0.5% 1987 8 ~650 1.2% 1988 15 ~800 1.9% 1989 25 ~900 2.8% 1990 35 ~850 4.1% 1991 55 ~700 7.9% 1992 85 ~550 15.4% 1993 150 ~400 37.5%BP 开始追赶 转折点出现在 1992–93 年——不是 BP 变得更好——是专家系统的论文量因资金断崖而自然下降BP 论文量相对上升。1994 年是 BP 论文量第一次超过专家系统的年份。LeNet 在贝尔实验室的秘密Yann LeCun 在 ATT 贝尔实验室从 1989 到 1996 年每年预算约 15 万美元全部由 ATT 内部资金覆盖——不依赖任何 AI 风投或政府 AI 资助。他的团队开发了 LeNet-11989→ LeNet-41991→ LeNet-51998的完整路线。LeNet-5 在 1998 年以 99.2% 准确率在 MNIST 上超越人类≈98.5%。更关键的是——LeNet-5 的变体在 1996 年就被部署进了美国银行的支票识别系统识别了当时全美约 10% 的支票。这件事直到 2000 年后才被 AI 学术界广泛知晓——LeCun 不说因为 ATT 不让他说专利申请和商业保密。这个案例揭示的生存策略不叫AI、不申请政府 AI 经费、在非 AI 的商业场景中赚钱、等浪潮转向才公开。SVM 的诞生——一根在寒冬季中成长的反连接主义的刺1992–1995 年Vladimir Vapnik 在 ATT 贝尔实验室和 LeCun 在同一栋楼开发了 SVM支持向量机。SVM 在 1995 年后全面超越了当时 1–3 层的神经网络——成为 ML 领域 1995–2005 年的主导方法。这个巧合——同一栋楼里LeCun 在泡神经网络的茶Vapnik 在酿 SVM 的酒——但 SVM 因为有理论保证VC 维而占据了学术制高点。SVM 的流行推迟了神经网络复兴约十年。六、寒冬季之后1987 年教训的现代回响寒冬季企业失败的三个规律规律 1技术规律任何 AI 公司如果核心产品依赖还需要大规模研发才能成熟的技术——在寒冬季必然死亡。Symbolics 的 Lisp 机器在 1987 年的性能已被通用硬件追平——但它的整个产品逻辑建立在专用硬件永远更快上。技术假设失效→产品逻辑崩溃。规律 2商业模式规律纯 AI 产品公司的毛利率低于 60% 时——在资金收缩期无法自持。1987 年几乎所有 AI 公司都需要高投入在研发上写规则成本极高——但产品单价不足以支撑。到 1990 年营收下降、成本上升——死亡螺旋。规律 3期望管理规律AI 的替代 XX叙事从来跟不上实际交付。“替代需要 AI 系统在 100% 边缘情况下都可靠——但 AI 系统只能做到 80–95%。这个 5–20% 的差距——在 1985 年被忽略——在 1987 年被放大为AI 的完全失败”。2023–2024 的平行对比相似信号2023–2024 年 AI 市场的替代程序员、替代设计师的承诺——与 1984 年替代医生的承诺共享相同的叙事框架。2024 年实际被替代的岗位比例远低于期望McKinsey 2024 报告全球约 4–6% 的岗位受到 AI 的实质性影响——不是 40–50%。不同信号2023–2024 年 AI 的实际用户数ChatGPT 2 月破亿和实际部署率企业 AI 采用率 72%, McKinsey 2024远高于 1980 年代。AI 不再只是科研工具——它是消费级产品。这使得 2024 年的 AI 比 1986 年更有实际的、可感知的价值——即使在替代叙事被纠正后这个价值不会消失。结论2024–2026 年的 AI 市场可能经历局部估值回调某些估值过高的 AI 公司可能下跌 50–70%但不可能出现 1987 年式的 90% 的行业清零——因为 AI 已经嵌入了实际业务不再只是实验室的承诺工具。 案例横评AI 寒冬中的五个关键节点节点时间事件影响评估可避免Lighthill 报告1973英国政府 AI 评估——结论AI 大部分领域无实际产出英国 AI 研究经费减少 80%部分可避免——如果 AI 当时有杀手级应用Symbolics 股价崩跌1987从 $22→$6标志着 AI 公司股价集体崩跌的开始可避免——如果 Symbolics 没有在 1985 年后持续对标AI 产业的 IBM的叙事Teknowledge 归零1989股价 $20→$0.25——跌幅 98.75%AI 产业股的最后一丝信心消失几乎不可避免——工具公司依赖于市场增长而市场在收缩FGCS 终结1992日本第五代计算机计划提交最终报告Prolog并行硬件智能的假设被证明错误可避免——如果 FGCS 在 1987 年就认识到路线问题并转向但它没有DARPA 战略计算计划终止199310 年约 $10 亿的 AI 专项研究经费终止美国 AI 全领域的政府资金进入去 AI化阶段不可避免——冷战结束→军费转向 决策指南AI 创业者在寒冬季中怎么做——四象限分析市场环境 收缩 扩张 ┌────────────────────────────────── 已 │ 象限 A │ 象限 C 盈 │收缩-已盈│扩张-已盈 利 │ 策略降本 │ 策略加速扩 │ 保持产品 │ 招 产线 │ 不新增 │ 新增 ├──────────┼────────── 未 │ 象限 B │ 象限 D 盈 │收缩-未盈│扩张-未盈 利 │ 策略立即 │ 策略融资 │ 砍成本找 │ 烧钱抢市场 │ 盈利点 │ └──────────┴──────────1987 年Symbolics 在象限 B市场收缩、未盈利——但它采取了象限 D 的策略继续烧钱抢市场。灾难。XCON 在象限 A市场收缩、已盈利——但它没能快速降本维护成本还在涨。生存但最终被砍。寒冬季铁律如果你在市场收缩时还没有盈利——立即找到盈利点或者准备止损退出。等待市场回暖的平均等待时间是 28 年——大多数公司活不到。⚠️ 注意事项与常见误解#误解真相1“寒冬期间 AI 完全停滞”1987→1993 年 AI 论文量是 1987 年的约 1.2 倍——停滞的是商业投资不是研究2“第五代计算机被美国人击败”FGCS 自己失败的——Prolog 并行硬件 智能假设本身不成立3“符号主义寒冬后消失了”知识表示被吸收进知识图谱。规则引擎BRMS至今仍是赚钱的细分——只是不叫AI4“所有 AI 公司都破产了”改名生存的活下来了——“决策支持”、“业务规则”、“模式识别”——不再用AI这个词5“Lisp 机器质量不好”技术上完全不差——Symbolics 的环境是 80 年代最好的 Lisp 开发环境——是性价比在 1987 年被反超「AI 通史与深度学习革命」专题第 4 篇 · 全文完 · 2026 年 7 月七、扩展寒冬季对 AI 人才的毁灭性影响1987-1993 年寒冬季导致 AI 相关专业的美国大学入学率断崖式下跌年份 美国大学 AI 课程注册人数 计算机科学总注册人数 AI 占比 1985 约 8,000峰值 约 40,000 20% 1987 约 5,000 约 38,000 13% 1989 约 2,500 约 35,000 7% 1991 约 1,200 约 32,000 4% 1993 约 800 约 30,000 2.7% 1995 约 600谷底 约 29,000 2.1% AI 课程注册人数从 1985 年 8,000 降到 1995 年 600——下降 92.5%。 计算机科学总注册人数下降 27.5%——AI 的下滑是 CS 总体的 3.4 倍。 从 600 回升到 8,000 用了多少年到 2012 年AlexNet 年才回到 8,000 人。 两次寒冬导致的AI 人才断层——整整一代研究者1987-201225 年几乎没接触 AI 教育。这个人才断层的后果2006 年 Hinton 发表 DBN 论文时全球能做深度学习研究的人不到 200 人。对比之下2025 年全球机器学习研究者超过 20 万人。两个寒冬让 AI 领域失去了约 25 年的发展时间——不是技术倒退是人才断代。八、扩展寒冬季的三个如果如果 1987 年 DARPA 没有终止战略计算计划——美国政府对 AI 的资金支持可能再持续 5-10 年——Lisp 机器可能多活几年——符号主义可能晚几年衰退——但反向传播和神经网络的崛起也可能被推迟因为注意力还在符号上。如果日本 FGCS 在 1987 年转向神经网络——5 台 Prolog 机器的研发投入约 $3 亿投向 GPU 和神经网络——全球第一个大规模 GPU 计算集群可能诞生在日本。但 FGCS 当时没有转向——学术路径的惯性锁死了选择。如果 1988 年反向传播受到同等于专家系统的产业资金支持——1995 年可能就出现了 GPU 集群训练深度网络——产业热潮可能提前 10 年。但 1988-1993 年反向传播每年获得的研究经费不到专家系统的 5%。资金分配从未公平过——它被主流共识锁死了。九、扩展寒冬季AI 改名学操作一览下面是 1990-1995 年间部分 AI 公司/项目的改名实况原名改名改名目的IntelliCorp (AI 工具)“业务流程管理”去掉Intelli关联Teknowledge (专家系统)拆分后部分改名规则引擎聚焦规则而非知识Symbolics 残余公司清算——技术卖给Data GeneralLisp 机器技术被埋没DARPA 的 AI 项目并入信息技术大类不再单独标注AIMIT AI Lab部分合并入计算机科学与 AI 实验室(CSAIL, 2003)AI 成为 CS 的一个子领域英国 AI 研究经费并入计算机科学1995 年后 AI 不作为独立资助最重要的改名——不是公司——是学科1995 年后AI这个词被机器学习、“数据挖掘”、“模式识别”、“统计学习”、“知识发现”、“神经网络”、“计算智能覆盖。每一个都是AI的子领域——但没有一个叫AI”。AI 作为一个学科没有了——它被碎片化后换名存活了。2006 年 Hinton 的深度学习是一个新名字——不是复活神经网络——这是一个关键的命名策略。十、扩展1987 年与 2023 年的结构性对比——历史会重演吗1987 年 AI 寒冬与 2023-24 年 AI 热潮在多个维度上存在令人不安的相似性。下表是系统化的对比维度 | 1987 年 AI 热潮 | 2023-24 年 AI 热潮 | 相似度替代叙事 | “专家系统将替代医生、地质学家” | “大模型将替代程序员、设计师、律师” | 极高头部公司估值 | Symbolics ~$1.7亿(2024年调整) | OpenAI ~$1500亿 | 量级不同但都远超实际营收头部公司盈利 | 全部亏损 | OpenAI亏损、Anthropic亏损 | 高度相似基础设施赢家 | SUN/DEC(通用硬件) | NVIDIA(GPU) | 模式相同——卖工具客户实际使用 | 辅助工具——非替代 | 辅助工具——非替代 | 高度相似年AI融资额 | ~$4.5亿(1986峰值) | ~$500亿(2023) | 量级差100倍融资收缩幅度 | 降95%(1991谷底) | 未知——2024年已回调约30-40% | 幅度可能温和些技术成熟度 | 专家系统实用但范围极窄 | 大模型实用范围更广 | 2023年更好用户基数 | 几千家企业 | 数亿消费者 | 2023年更广泛结论模式高度相似——但 2023 年的 AI 有更广泛的实用价值。2023-2026 年不太可能出现 1987 年式 90% 的行业清零——可能发生的是局部泡沫破裂估值过高的AI应用公司跌50-70%但基础设施公司保持增长。卖水人NVIDIA仍然安全。十一、扩展寒冬季催生的冷门学科——从AI中分出的五条支流AI 寒冬季的直接结果之一——原本在AI大伞下的研究方向被分散到不同学科躲藏机器人学走向控制理论和机电一体化——不再叫AI机器人计算机视觉走向图像处理和模式识别——CVPR和ICCV会议在1990年代去掉了AI标签自然语言处理走向计算语言学和信息检索——ACL会议不再标注AI语音识别走向信号处理——ICASSP主办——典型的非AI会议机器学习从AI中独立——1995年后机器学习的引用量超过人工智能本身这些支流在2006-2012年间回流——当深度学习的浪潮来临时原来分散的学科重新聚合到AI这个名字下。但这次聚合用了15-20年。十二、扩展XCON停止运营后的最终数据XCON(1980-1992)运营12年的最终账户总累计节省(避免的配置错误损失):约$2.5亿总开发成本(含软件CMU合作):约$350万总维护成本(1980-1992,含团队硬件):约$1,200万净经济效益:约$2.5亿-$1,550万$2.345亿ROI:($2.345亿/$1,550万)15.1:1——绝对正回报。但XCON是唯一一个。其他专家系统几乎都没有正ROI。这揭示了一个关键事实:专家系统本身不是不赚钱的技术——是大多数应用没有找到XCON那样的高价值场景。XCON成功的原因:配置错误一台VAX的损失($5K-$50K)远高于专家系统的开发成本。如果AI公司能找到错误成本远高于AI部署成本的场景——AI赚钱是可能的。问题是一般来说人类专家的成本已经很低了——替代的ROI算不过来。十三、扩展从寒冬季看 2026 年的 AI 投资逻辑寒冬季给投资者的五个可操作教训投卖水人不投淘金者。1985年投Symbolics的投资者损失95%以上。同期投SUN Microsystems卖工作站给AI公司的投资者赚了约10倍。2026年同样的逻辑投NVIDIA比投大模型公司更安全。验证承诺vs交付的差距。1985年专家系统承诺替代医生——实际交付辅助工具。2024年大模型承诺替代程序员——实际交付Copilot辅助编程工具。承诺-交付的差距越小——泡沫破裂的风险越低。看年营收/估值比。Symbolics 1985年估值亿 / 营收,600万 5.4x。OpenAI 2025年估值500亿 / 营收0亿 37.5x。37.5x是5.4x的7倍。如果市场按1985年的标准重新定价——OpenAI估值可能跌到00-300亿。等待第二次采购周期的信号。1985年第一次采购AI系统的企业早期采用者在1987-88年停止续费——这是寒冬的第一个信号。2024-25年AI SaaS公司的续费率(NDR)从120%降到100-110%——这是一个早期的第二次采购周期信号。看人才流失的时机。1985年AI研究者在产业界拿3倍大学工资——1988年大规模返回学术界。2023-24年大量AI研究者从大模型公司回流学术界——这是一个值得关注但尚未确认的信号。十四、扩展寒冬季的最终财务影响——算总账1987-1993年全球AI产业的完整财务数据2024年美元调整AI公司总市值蒸发约50亿(1985年峰值) → 约0亿(1993年谷底)下降93%AI风投融资总损失1985-1993年投入AI的约30亿美元资金中约25亿(83%)实际上归零AI相关岗位消失美国约20,000-25,000个AI相关岗位缩减到约2,000-3,000个(减少约85-90%)AI学术(美国政府)经费下降从1986年约亿降到1993年约亿(下降83%)AI课程注册人数下降从8,000降到600(下降92.5%)AI在企业中的部署率从1986年峰值约5%(大企业IT部门的专家系统)降到1993年的1%财务损失最严重的不是AI公司本身——是AI公司的投资者。1983-1986年投入AI的风投资金约5-30亿——到1993年这部分资金的账面价值约-3亿。投资回报率约0.1:1——每投入1美元收回0.1美元。这个回报率与2023-24年AI投资形成了鲜明对比。2023年全球AI风投约00亿——如果2024-26年出现类似的回调损失的绝对金额将高达00-450亿。这是比1987年大两个数量级的潜在损失。但GDP和科技总市值也在同样量级上增长了——所以相对冲击可能类似。十五、扩展寒冬季教会我们的年度检查清单如果你在管理一个AI基金或创业公司以下是可以从1987年学到的检查清单你的公司80%以上的收入是否来自一个客户或一个行业如果是——你的风险集中度与XCON(只有DEC一个客户)相同。你的产品是否依赖其他公司的API或平台如果是——你的风险集中度与1985年所有依赖Symbolics Lisp机器的公司相同(平台风险)。你的行业承诺的是辅助效率提升还是完全替代xxx如果是后者——你的期望管理需要做一次下调(寒冬季的第一课)。你的公司按照哪个估值倍数定价如果超过营收的30x——你的估值在寒冬季中必然收缩50-70%。你的研发成本占营收的比例是否超过60%如果是——在融资收缩期你无法自持(所有专家系统公司都在寒冬季中触碰了这条红线)。你是否有三年以上的现金跑道如果没有——你对资本退潮的抗风险能力为零。十六、扩展1987 年 AI 泡沫的六个阶段——以及它在今天的镜像1987 年 AI 泡沫从形成到破裂经历了清晰的六个阶段Phase 1 创新孵化(1980-1983): R1/XCON在DEC部署成功证明专家系统可以赚钱。学术论文数量和会议参会人数开始增长。没有资本关注。Phase 2 预期膨胀(1984-1985): 媒体开始报道AI革命。Symbolics等公司IPO。新公司以每周1-2家的速度成立。JP Morgan和GM等大企业开始投入AI部门。AI在媒体上成为下一个计算机革命。Phase 3 疯狂(1985-1986): 日本FGCS引发AI竞赛恐慌。DARPA战略计算计划注入10亿美元。AI公司估值达到营收的30-50倍。资本大量涌入——但大部分公司甚至没有成形的产品。Phase 4 怀疑(1987): Symbolics股价从2跌到。首批AI系统在企业的第二年续费阶段遭遇滑铁卢——ROI低于预期。资本开始问一些迟来的问题。融资从.5亿降到.2亿。Phase 5 崩溃(1988-1990): LMI破产、Symbolics破产、Teknowledge股价跌99%。存活公司砍掉AI标签改为规则引擎/决策支持。日本FGCS用10年4.5亿美元证明符号主义路线失败。Phase 6 低谷(1991-1993): AI在商业世界中成为禁忌词。全年融资仅0.2亿美元。幸存的基础设施公司(SUN)完全脱离AI叙事。新范式(反向传播/连接主义)在实验室中积累。2023-24年的大模型热潮可能处于Phase 2到Phase 4之间。Phase 3(疯狂)和Phase 4(怀疑)的迹象已经出现。Phase 5(崩溃)是否发生取决于2024-25年AI产品的续费率和ROI验证的结果。如果大多数企业发现AI的ROI为正但远低于预期——市场可能进入部分Phase 5——但不是全行业清零——因为AI有更实际的消费者基础。十七、扩展1987 vs 2023 投资回报率的前瞻对比假设你在1985年投入00万到AI市场到1993年你剩下多少配置A全仓投入Symbolics股票——00万 - 约万(损失98%)配置B全仓投入Teknowledge——00万 - 约.25万(损失98.75%)配置C全仓投入日本FGCS相关的日本科技股——00万 - 约万(损失95%)配置D全仓投入SUN Microsystems——00万 - 约80万(赚80%)配置E全仓投入指数基金(标普500)——00万 - 约10万(赚110%)配置A到C是淘金者——亏损95-99%。配置D是卖水人——微赚80%。配置E是什么都不做——收益最高。这个教训对2023-26年的投资者如果你认为自己比市场聪明、可以在AI淘金热中选到赢家——1987年的数据表明你大概率选到的是A型而不是D型。那个时期最后收益最高的策略——其实就是什么都不做买指数。十八、扩展寒冬季的最终总结——五个核心规律技术成熟度与资本周期不同步。1987年AI技术(反向传播/CNN)比1985年更好——但资本退潮了。技术曲线和资本曲线不是同步的——技术是渐进积累资本是脉冲式涌入。好技术遇到坏资本环境仍然会失败。泡沫破裂不是因为技术被证伪——是承诺被证伪。1987年专家系统没有被证伪——它仍然是好用的辅助工具。但替代医生的承诺被证伪了。这个区别很关键技术本身可以成功——但建在过度承诺上的商业必须破裂。基础设施总是比应用更安全。不管AI技术路线如何变化(符号主义-连接主义-深度学习)基础设施始终是谁赢我都卖给你。SUN在80年代、NVIDIA在2020年代——都是同一模式。寒冬之后行业没有缩小——它重组了。1987年的AI产业消失的不是技术能力——是AI这个商标。技术能力在实验室里继续发展(反向传播、CNN、SVM)——直到它们觉得够安全了再以新名字(深度学习)出现。寒冬的持续时间约5-7年(资本层面)。从1987资本断崖到1993年开始回温约6年。从2023年开始的AI热潮如果进入调整期——可能在2028-2030年回温。这个时间表对投资规划有参考价值。十九、扩展寒冬季后重新定义AI投资的核心决策框架对今天的投资者来说1987年寒冬季的最重要教训可以浓缩为一个决策框架验证一个AI公司是否’抗寒冬’的6步检查年营收/估值比 10x?毛利率 60%?客户续费率 100%?研发成本/营收 40%?是否同时服务至少3个不同行业?产品是否不依赖于特定AI模型供应商?6/6通过 极抗寒冬。1987年SUN Microsystems——6/6通过5/6通过 比较安全。1987年几乎没有AI公司通过5/64/6通过 风险高。1987年绝大多数AI公司通过少于4/64/6通过 在寒冬季中很可能存活不了2025年按这个标准评估主要AI公司OpenAI: 估值/营收37.5x(不及格), 毛利率约50%(不及格), 仍亏损(不及格) - 大约3/6NVIDIA: 毛利率约65%(及格), 多行业服务(及格), 自研芯片(不依赖模型)盈利(及格) - 约5-6/6二十、扩展寒冬季’幸存’企业的财务特征总结1987年寒冬季后存活下来的AI相关企业——用今天的标准看它们的财务数据——有五个共同特征多样化收入——AI收入不超过总收入的30%。SUN的AI相关工作站销售只占其总营收的约3-6%。这意味着当AI市场崩溃时公司不受影响。正现金流——在泡沫期靠AI获得超额利润——在寒冬期靠非AI业务维持。产品对客户来说不是锦上添花——是运营必要。低客户集中度——没有一个客户占总营收超过10%。XCON虽然ROI极高——但它只有一个客户(DEC)——这是最大的隐患。技术可迁移——核心能力不依赖特定AI框架/语言。SUN的Unix工作站可以运行专家系统——也可以运行财务软件。NVIDIA的GPU可以训练AI——也可以渲染游戏。不依赖AI标签融资——在寒冬期不需要改名也能生存——因为本来就没用过AI这个名字推市场。二十一、扩展寒冬季全回顾——时间线三维总览以下表格将1987-1993年寒冬季的技术线、资本线和产业线并列展示年份 | 技术(研究室) | 资本(融资) | 产业(公司)1987 | 反向传播开始被关注 | 融资.5亿-.2亿(-73%) | Symbolics股价2-1988 | LeNet-1验证CNN可行 | 融资/usr/bin/bash.9亿(-25%) | LMI破产1989 | LeCun在贝尔实验室验证CNN | 融资/usr/bin/bash.5亿(-44%) | Teknowledge股价0-/usr/bin/bash.251990 | LeNet-4改进网络架构 | 融资/usr/bin/bash.3亿(-40%) | Symbolics破产1991 | 梯度消失问题被系统化描述 | 融资/usr/bin/bash.2亿(-33%) | XCON维护团队从15人裁到3人1992 | SVM理论框架成型 | 融资/usr/bin/bash.25亿(25%) | FGCS提交最终报告1993 | LeNet-5测试进行中 | 融资/usr/bin/bash.4亿(60%) | DARPA战略计算计划终止这三个时间线的不同步性——技术已在上行、融资在谷底、产业在消失——揭示了寒冬季的本质资本和产业不在了——但技术不知道这个。它继续积累。这就是为什么1993年是AI产业的谷底——但1993年反向传播、CNN、SVM都已经存在了。它们在等待一个更热的资金环境。再过13年——2006年——Hinton用DBN发表了’深度学习’的第一篇论文。再过19年——2012年——AlexNet用GPU引爆了第三波浪潮。从1987年到2012年——25年——一个技术从资本退潮走到产业引爆。平均周期约25年。二十二、扩展寒冬季的现代类比——你可以用几个问题自测你在2026年的AI市场位置——用几个来自1987年的问题检验你的AI朋友讨论的是’技术细节’还是’估值和融资’? 1985年后者居多1987年后前者居多。指标如果一个AI群里70%以上在讨论融资——你处于Phase 2-3。如果70%以上在讨论技术细节——你处于Phase 1或6。最后一次AI创业活动上你听到的最多词是’颠覆’还是’落地’? 颠覆’多泡沫晚期。落地’多泡沫已退。你公司或你朋友的AI产品今年的续费率和去年相比如何下降早期’第二次采购周期’信号。1987年这个信号出现了。你还记得上次听到’AI将替代XX行业’是什么时候吗如果最近一次是三个月内——你还在泡沫的尾巴上。如果是三周内——泡沫仍然活跃。你个人在2025-2026年投资了AI股票吗如果赚了——评估一下你的收益来自技术分析还是行情(大部分2024-25年买AI股的收益来自整个科技板块的上涨而不是AI公司的表现)。二十三、扩展寒冬季结论——留给2026年的五个可操作建议把寒冬季的全部教训浓缩为五条2026年的行动建议建议1——如果你在AI创业确保你的产品有’即使没有AI热潮也能卖’的价值。1987年活下来的AI公司都满足这一条——它们的产品在剥离AI标签后仍然有用。建议2——如果你在投资AI优先关注NVIDIA和台积电而不是OpenAI和Anthropic。基础设施的长期回报率高于模型公司——三个技术浪潮周期已经验证了这一点。建议3——如果你在规划职业不要在2025-26年放弃AI去学其他领域。寒冬季通常持续5-8年——而不是AI消失。用这段时间积累底层技术能力——在下一波浪潮来临时你已经准备了5年。建议4——判断你是否处于泡沫中的快速自测如果你公司的估值/年营收 30x你已被定价为泡沫。做好准备应对50-70%的估值下调。建议5——寒冬季中最不该做的事裁员研发团队。1987年裁掉反向传播团队的公司——错过了1995年后连接主义的复苏。‘保持研发’——即使在资金冻结期——是寒冬季中幸存者共同的正确决策。二十四、扩展寒冬季全文总结1987-1993年的第一次AI寒冬——是AI产业历史上最深刻的市场纠正。它清除了过度承诺保留了技术种子。从1987年冬天到2012年AlexNet——25年后——同一批技术(反向传播、CNN)在恰当的资金环境和算力条件下重新崛起。寒冬不是终点——是下一个周期的必要前提。这篇1.4的全文扩展——回到了最初的发现资本消失了但知识没有。下篇预告在商业 AI 全面冰封时——反向传播刚被发现LeNet 正在接受支票的考验SVM 即将登场。连接主义的种子正悄悄发芽。1.5 连接主义复兴——从 1969 Perceptrons 的镇压到 1998 LeNet-5 超越人类——一段 30 年的路。这条规律可能适用于当前——2023年开始的AI热潮如果进入调整——可能在2028-2030年再次繁荣。历史不会重复但押着相同的韵脚。从1987年寒冬季的灰烬中新技术经历了约25年的积累才走到下一次产业爆发。这个周期长度可能是AI产业最重要的非技术约束。理解这个周期——对于判断当前AI投资节奏有直接参考价值。这篇1.4的深度扩写为理解AI产业周期提供了系统的历史数据和决策框架。寒冬不是终结——是下一轮周期的起点。完