今天我们接续昨日的话题，继续来聊聊AI发展史上的第二次寒冬。

前面提到，AI在1956年达特茅斯会议之後，关注度来到了高峰，然後到了70年代後，许多的瓶颈仍然无法突破，再加上先前过份乐观的预测，导致了大众对於AI发展极度的失望，也因此在1974年开始进入了第一次的AI寒冬期。

复苏 (1980-1987)

自1974年AI进入第一次寒冬开始，一直到了1980年，AI才迎来了第二次的突破性发展并重新又回到了世人的关注里。

这个时间点AI再次热门起来的主要原因有几个：

1. 专家系统 (Expert System) 的发展:
   专家系统是一种程序，而它的特别之处在於能够从专门的知识中去推演出逻辑规则并且在此特定领域能够回答或解决问题。可以理解成第一次的AI发展时，大家因为过於高估AI所以期待出来的成果能够包山包海，但由於仍有许多突破不了的瓶颈，导致最後什麽都无法达成期待；而在第二次发展时，学者们着重於在特定的领域里去设计AI并让它能够在特定的领域里面从知识去推导出逻辑来解决问题。由於专家系统专注在表较小的知识领域，因此能够避免常识问题，而它的设计也相对的简单且容易实现。此外也有许多的实验证明了专家系统的实用性，从而也带动AI再次开始变得实用。

2. 类神经网路迎来新的突破性理论。

3. 日本第五代电脑系统计画（5th generation computer Systems，FGCS）:
   日本在1981年拨下八亿五千万美元的巨款来支持第五代电脑系统计画。目标是希望能够建造出有能力与人类对话、解释图片与影像、翻译语言并且能够像人类一样推理的机器。而其他的国家也跟着作出回应。英国挹注了三亿五千万英镑开启了Alvey工程。而美国的一个企业协会组织了微电子与计算机技术集团 (Microelectronics and Computer Technology Corporation, MCC），目的是向AI提供资助。
   简单来说，这个阶段就是
   

然後就在大家对着AI再次充满热情与希望时，AI很快的又迎来了第二次的寒冬。

第二次AI寒冬 (1987-1993)

历史总是惊人的相似，第二次的AI寒冬的原因是因为日本第五代电脑系统计画失败；
而类神经网路虽然有趣，但在那个年代并没有比其他统计方法来的更好，反而需要用到更多的资源；
而备受看好的专家系统虽然在许多地方证明了实用性，但因为他能够应用的领域太过专精，且更新与维护的成本过高导致专家系统跌落了神坛；
除此之外，数据的缺乏仍然是这个时代做AI的硬伤，而媒体与大众的过度吹捧也再次导致了AI发展的美好泡泡破裂。

在第二次AI寒冬之时，由於大众对於AI的过度吹捧导致过度的失望，让许多研究学者/实验室不太愿意对外宣称自己的研究领域是AI，转而用自动化系统或是其他类似的文字来取代AI，原因就是在那个寒冬里，大家听到AI的直觉就是会失败，导致AI在第二次寒冬里背负着许多不良的名声。

不小心又把故事说得太长了...
明天让我们来看看AlphaGo是怎麽把AI重新推上巅峰并且让全世界的目光再次转移到AI来。