概述
第二次AI寒冬（大约1987年至1993年）的到来，并非源于雄心的缺乏，而是整个过度高估自身技术可扩展性的行业的崩塌。1980年代初专家系统的繁荣，以一系列商业失败、政府项目中止和持续数年的AI撤退告终。
与第一次AI寒冬由理论失望驱动不同，第二次是一场市场崩盘。真实的资金被投入，真实的公司被建立，真实的产品未能兑现承诺。后果更深重，也更令人幻灭。
LISP机器的崩溃
专家系统行业围绕自身构建了一套硬件生态系统。LISP机器——专为运行LISP语言优化的计算机，LISP是当时主流的AI编程语言——到1983年已形成4亿美元的市场。Symbolics、Lisp Machines Inc.等公司向急于构建内部专家系统的企业出售价格在5万到10万美元之间的工作站。
然后，1987年，LISP机器市场几乎在一夜之间崩溃。原因是：通用台式计算机——Sun工作站，后来是PC——以低得多的成本达到了可比的运行速度。Symbolics曾是拥有数百名员工的蓬勃企业，此后开始了缓慢的衰落，最终破产。专用硬件的优势消失了。
这是AI领域首次经历后来被称为算力商品化的现象——一种将在数十年间定义这个领域经济逻辑的动态。
专家系统的反噬
更深层的问题来自专家系统本身。企业投入数百万美元构建和维护它们，却发现了规模化的知识获取瓶颈：
- 规则很脆弱：为一家医院患者群体设计的系统在另一家医院失效
- 维护成本高昂：每当领域发生变化，人类专家就必须手动更新规则
- 边缘案例不断涌现：现实世界持续产生规则编写者未曾预料的情况
- 集成困难重重：专家系统无法从新数据中学习——只能由人手动更新
到1980年代末，许多企业AI部门悄然解散。承诺的生产力提升未能实现。DEC的XCON——那个标志性成功案例——仍需要80名全职员工来维护其10,000条规则。
DARPA战略计算计划终止
美国国防高级研究计划局曾于1983年启动战略计算计划，这是一个为期五年、耗资6亿美元的项目，旨在创建智能自主系统：飞行员助手、战场管理系统、自主地面车辆。到1988年，面对未能达成的里程碑和国会的质疑，资金被大幅削减。
标志性时刻：DARPA的自主地面车辆项目原本要展示一辆自动驾驶军用卡车，在良好条件下勉强以3英里时速行驶。项目雄心与成果之间的差距过于悬殊，无法回避。
幸存者与地下研究
第二次AI寒冬并没有消灭AI研究——而是将其驱入地下。三个群体在寒冷岁月中坚持工作：
联结主义者：Geoffrey Hinton、Yann LeCun等人继续发展神经网络，尤其是在Rumelhart、Hinton和Williams于1986年发表反向传播论文之后。他们在主流视野之外工作，依靠大学中有限的资金。
统计学家：研究者开始将机器学习定义为统计学的一个分支，而非"AI"——部分是为了回避AI品牌的毒性，部分是因为统计基础提供了符号AI所缺乏的数学严谨性。支持向量机在这一时期诞生。
机器人学者：MIT的Rodney Brooks发展了基于行为的机器人学——一种完全不同的方法，放弃了中央世界模型，转而采用分布式、反应式系统。他1990年的论文《大象不下象棋》在根本上挑战了符号AI范式。他的机器人——简单、物理、具身——能做到那些占据整个房间的专家系统所不能做的事。
寒冬厘清的问题
回望历史，第二次AI寒冬是一次必要的修正。它迫使这个领域区分：
- 窄任务性能 vs. 真正的理解
- 规则编码 vs. 从数据中学习
- 脆弱的优化 vs. 健壮的泛化
Max Bennett在《智能简史》中的框架在这里很有启发：专家系统没有动作模拟（对动作后果建模）或世界建模（构建灵活的内部表征）的机制。它们编码了人类知识，却无法生成新知识——而世界过于复杂，无法被完整编码。
在寒冬中幸存的研究者——Hinton、LeCun、Bengio——正是那些构建具有真正学习机制的系统的人。他们的时代将在2006年到来，彼时Hinton创造了"深度学习"一词，这个领域开始了现代复兴。
历史遗产
第二次AI寒冬在这个领域的文化中留下了持久的印记：
- AI研究者学会了少承诺、多兑现——或者至少，更谨慎地表达承诺
- 在某些企业语境中，“AI"成为负面词汇；研究者改称自己的工作为"机器学习”、“统计学习"或"知识工程”
- 这个领域认识到硬件与软件必须协同演化：LISP机器的教训是，专用硬件制造了脆弱性
- 政府和企业投资者学会了在追加投资前要求看到实证结果
寒冬缓慢结束。神经网络在1990年代中期悄然复苏。到2000年代初，随着互联网规模的数据开始可得，现代时代的基础被奠定。但伤痛依然——整整一代研究者经历了两次寒冬，这种机构记忆塑造了多年后AI进展被宣布时的谨慎措辞。