示意图：研究热度与资金的相对变化，不是精确统计。两个标记标出两次低谷。
1974 — 1980 · 第一次
当承诺跑到能力前面
- 导火索莱特希尔报告发布，机器翻译与语音识别远未达到宣传效果。
- 代价英美研究经费大幅收缩，大量项目停摆，研究者转向更保守的方向。
- 留下专家系统的种子，以及对“承诺管理”的第一次教训。
1987 — 1993 · 第二次
规则能赚钱，但养不起
- 导火索LISP 机器被通用工作站取代，专家系统的维护成本高企。
- 代价AI 公司批量倒闭，“AI”一词再度贬值。
- 留下统计学习方法、贝叶斯网络，以及更务实的评估文化。
每一次寒冬，都不是因为机器变笨了，而是因为承诺跑得比能力快。
解剖学 · Anatomy
一次寒冬，通常分五步
它不是某一天突然发生的。承诺、演示、资本、落差、退潮，每一步都有迹可循。
第一步：承诺超出能力
研究者或公司给出一个宏大目标：通用翻译、通用助手、通用智能。目标本身没有错，错的是它被包装成“几年内就能实现”。
第二步：演示被当成部署
受控环境里的 demo 成功，媒体放大成“已经改变世界”。真实世界的长尾、噪声和责任，被留在镜头之外。
第三步：资本按叙事定价
钱涌入，评价标准从“能不能用”变成“增长多快”。公司开始用融资额、参数量、榜单排名，替代收入和留存。
第四步：落差暴露
维护成本、错误率、合规问题逐渐显形。第一批客户发现，系统在 80% 的场景里好用，剩下 20% 需要昂贵的人工兜底。
第五步：退潮与沉淀
经费和估值收缩，人才流向别处，媒体宣布“AI 又失败了”。但代码、数据、论文和一批受过训练的人留了下来，成为下一次浪潮的起点。
对照 · The 2026 Question
我们站在第三次寒冬的入口吗？
没有人能给出确定答案。但可以用三个镜头，把“泡沫”与“基础设施”区分开。
镜头一：资本开支 vs 收入
数据中心、GPU 和电力的投入以千亿美元计，收入增长很快，但高度集中在少数公司。只要资本开支的增速持续高于收入，压力就会累积。
镜头二：采用率 vs 付费
消费者采用速度前所未有，企业部署却慢得多：可靠性、合规、数据边界、责任归属，每一项都需要时间。试用很多，稳定付费较少。
镜头三：成本曲线
单位推理成本在快速下降，但需求增长更快。结果是总支出继续上升。成本下降不一定带来利润，取决于谁捕获了效率红利。
镜头四：循环交易
芯片公司投资模型公司，模型公司购买芯片；云厂商投资客户，客户购买云。循环能让收入曲线好看，也会放大下行时的脆弱性。
与 2000 年的互联网泡沫相比，今天有真实收入、真实用户和真实效率提升；与 1987 年的专家系统相比，今天的系统泛化能力更强、边际复制成本更低。但相似之处也很明显：估值跑在单位经济之前，叙事跑在可靠性之前。
所以更准确的说法不是“会不会崩”，而是“以什么价格、在多长时间内，收入能追上资本开支”。这个问题没有宏观答案，只能一家公司一家公司地看。
遗产 · What Survives
寒冬留下的四件东西
一、方法
反向传播、统计学习、贝叶斯网络、强化学习，都不是在浪潮最高点成熟的，而是在退潮后的安静年代被打磨出来的。
二、评估文化
基准、误差分析、可复现实验，是寒冬留给 AI 最被低估的资产。没有它们，下一次突破无法被识别，也无法被信任。
三、基础设施
LISP 机器倒了，但符号计算留下了；专家系统公司倒了，但知识表示与规则引擎进入了后来的系统。基础设施比公司活得久。
四、人
每一次退潮，都会留下一批仍然相信、并且学会了更务实做法的人。下一次浪潮的起点，往往就是他们。
每一次寒冬，都不是因为机器变笨了，而是因为承诺跑得比能力快。