这次发展期主要集中在 20 世纪 80 年代至 90 年代中期，有时也被称为 AI 的复兴或专家系统时代

第一次 AI 寒冬

在讨论第二次发展之前,必须提到之前的低谷，70年代中期，由于早期过于乐观的预测（如机器翻译、通用问题求解）未能实现，研究遭遇计算能力不足、数据稀缺、算法局限等根本性瓶颈，政府和大机构（如DARPA、英国政府）大幅削减经费，导致了“第一次 AI 寒冬”。

第二次发展期的核心驱动力与特点

知识革命与专家系统的崛起

这是本期最突出的标志,研究者们认识到，智能行为不仅需要通用的推理能力，更需要大量领域特定的知识。

• 理念：“知识就是力量”，通过将人类专家的知识和经验规则（“那么”规则）编码到计算机中，构建能解决特定领域复杂问题的系统。
• 代表系统：
  • MYCIN：早期著名系统，用于诊断血液传染病并推荐抗生素。
  • DENDRAL：分析化学分子结构。
  • XCON：DEC公司用于配置计算机系统的商用专家系统，取得了巨大的商业成功，节省了数千万美元。
• 影响：专家系统证明了AI技术可以带来实际的经济价值，吸引了企业（特别是石油、金融、制造业）的大量投资，推动了AI从实验室走向商业应用。

关键技术的支撑

• Lisp机和工作站：专门为运行Lisp语言（AI研究的主流语言）设计的计算机，提供了更好的开发环境。
• 知识表示与推理：研究如何形式化地表示知识（如框架、语义网、本体论）并进行有效推理。
• 商业化软件工具：出现了如CLIPS、OPS5等专家系统外壳，降低了开发门槛。

日本“第五代计算机”项目的刺激

1982年,日本通产省启动了雄心勃勃的“第五代计算机系统”项目，目标是制造能进行知识推理的并行计算机，挑战美国在高科技领域的领导地位，这引起了欧美（特别是美国和英国）的警觉和回应，纷纷启动自己的大规模研究计划（如美国的MCC，英国的Alvey计划），向AI领域注入了大量资金，形成了全球性的研发竞赛，进一步推高了热潮。

连接主义（神经网络）的复苏

虽然本期主流是符号主义的专家系统,但连接主义也开始悄然复兴。

• 关键突破：1986年，辛顿等人成功推广了反向传播算法，为训练多层神经网络提供了有效方法。
• 标志事件：1989年，杨立昆等人利用BP算法训练卷积神经网络成功应用于手写邮政编码识别。
• 意义：这为神经网络和深度学习在21世纪的爆发埋下了最重要的伏笔，但在当时，其能力尚未完全展现，仍处于主流AI的边缘。

第二次发展期的终结与寒冬

到了80年代末90年代初,热潮再次消退，进入“第二次AI寒冬”，原因包括：

1. 专家系统的局限性：
   • 知识获取瓶颈：从人类专家那里提取和形式化知识极其困难、耗时且昂贵。
   • 脆弱性：系统只能处理规则明确范围内的知识，对规则外的情况束手无策，缺乏常识。
   • 维护困难：随着规则库膨胀（成千上万条规则），系统变得难以维护和更新，且规则间容易产生矛盾。
2. 商业化挫折：许多公司开发的专家系统项目成本超支、难以维护，未能达到预期效果，投资回报率低。
3. 技术瓶颈：Lisp机等专用硬件昂贵且被新兴的廉价通用工作站（如Sun工作站）击败。
4. 目标过高：日本第五代计算机项目未能实现其宏伟目标，到90年代初被公认失败，导致全球对类似宏大AI项目的信心崩溃。
5. 替代技术兴起：更灵活、更易集成的商业软件（如关系型数据库、企业资源计划ERP系统）和统计学方法开始解决一些原本寄希望于专家系统的问题。

第二次AI发展期留下了深刻的印记：

• 正面遗产：
  • 证明了特定领域AI应用具有巨大的商业价值，为AI产业化开辟了道路。
  • 推动了知识工程作为一个学科的发展。
  • 催生了早期成功的AI商业模式。
  • 神经网络在此期间完成了关键的理论储备。
• 核心教训：
  • 揭示了“狭义AI”（专用系统）与“通用AI” 之间的巨大鸿沟。
  • 表明仅依靠手工编码的知识难以构建鲁棒、可扩展的智能系统。
  • 为下一次（即当前）以数据驱动、机器学习为核心的AI浪潮提供了反面镜鉴。

第二次AI发展期是一场由“知识”和“商业化”驱动的浪潮，它成功地将AI从实验室推向市场，但也因知识获取的根本性难题而触及天花板，它的兴衰为当今的AI研究者提供了宝贵的历史经验：既要追求实用性，也要对技术的根本局限保持清醒。 随后的90年代，研究重心逐渐转向了基于概率的机器学习、数据挖掘和智能代理，为21世纪的第三次（当前）AI革命铺平了道路。

标签： AI复兴 专家系统