如果你问身边的人"AI会什么"，或许有人会提到和AI聊天、用AI写文章、用AI画图、用AI写方案查资料......
但，AI不是生来就会这些的。那AI是从什么时候开始会的呢？
时间往回拨，好多人或许还记得AlphaGo碾压围棋世界冠军的新闻。年纪大一些的人，可能还会想起DeepBlue击败国际象棋冠军的往事。
AI的开始，离我们很近，又似乎离我们很远。而这个开始，要从七十年前的那个夏天说起......
第一幕：纸上谈兵到第一次试水（1956-1974）
1956年的夏天，一个平常的夏天，达特茅斯学院，十几位科学家关起门来开了个会。
会议的议题只有一个：能不能让机器像人一样思考？
是不是很科幻？然后，他们又给这个议题取了个更加科幻的名字，人工智能（AI）。
参会的都是当时顶尖的大脑。信息论之父香农，AI概念奠基人马文·明斯基，后来的图灵奖得主约翰·麦卡锡。他们信心满满，乐观地认为，人工智能只是一行行代码的问题，用不了几年就能实现。
这是AI的第一天。所有人都觉得，曙光就在眼前。
达特茅斯会议之后，AI迎来了第一个春天。科学家们信心爆棚，一位名叫司马贺的学者，后来拿了1978年诺贝尔经济学奖的那位，甚至公开预言：十年内，机器就能在国际象棋上击败人类，机器将解决一半的数学问题。
他的预言后来实现了一半。只是那已经是41年后的1997年，IBM的"深蓝"击败了国际象棋世界冠军卡斯帕罗夫。另一半呢？至今还没完全实现。
这将近二十年，AI都在做什么？主要做两件事。
第一件：推理程序。 写程序让机器做逻辑推理，比如解数学题、证明几何定理。1956年诞生的"逻辑理论家"程序，能证明《数学原理》里38条定理，在当时确实惊艳了不少人。但它暴露了早期AI一个很明显的问题：只能做范围很窄的一类题，题目稍微一变，就不会了。 就像一个学生背熟了十道例题，换了个数字就傻眼。
第二件：感知实验。 让机器"看"和"听"。比如用摄像头拍下手写数字的照片，让机器识别分别是0到9哪个数字。这个方向后来演变成了今天的人脸识别、车牌识别等技术。但当时的准确率惨不忍睹，十个能认对一个就相当不错了。
此时的AI，本质上只是在特定条件下做了一些聪明事。 一旦遇到真实世界的复杂性，比如一句有歧义的话、一张有遮挡的图片，就完全不知所措。
这十几年，钱投进去了无数，成果屈指可数，效果更是感人。
1973年，英国政府发布了一份报告，结论很直接：AI在解决实际问题上的能力非常有限，继续砸钱是浪费。
美国政府一看英国政府都这么说了，再结合自己这边也没看到什么像样的成果，果断撤资。
没了政府支持，没了资本加持，AI第一次走进了寒冬，陷入了沉寂。
这一沉寂，就是将近十年。
第二幕：专家系统的黄金与崩塌（1980-1987）
第一次寒冬，AI的发展停了，但研究没有停。
科学家们复盘了之前的失败，决定换个思路：与其让机器自己学（事实证明学不会），不如把人类专家的知识直接搬进机器里。比如医疗领域的诊断经验、法律领域的判例知识、金融领域的分析逻辑，把这些整理成一条条规则，写入计算机。
这就是专家系统。
比如一个医疗专家系统，把几百个医生的诊断经验整理成"如果发烧超过38度且咳嗽超过三天，可能是肺炎"这样的规则，通过代码写入计算机。然后医生只要输入病人症状，系统就能自动匹配诊断结果，输出建议。
1980年，DEC公司用AI系统帮自己配置大型计算机订单，每年因此节省了4000万美元。
实际案例一出，整个行业都沸腾了。 AI相关公司股价飙升，大企业纷纷跟进，专家系统成了那个年代最炙手可热的"高科技"。
但繁荣的表象之下，问题也在快速累积。
专家系统有一个致命的缺陷：所有知识都需要靠专家一行一行输入。 一个成熟的系统，往往需要几十个专家花好几年才能建好，成本高到离谱。更麻烦的是，现实世界千变万化，专业知识也在不断更新，系统永远赶不上变化的速度。这就导致系统给出的结果，要么与现实脱节，要么根本回答不了新的问题。
而在所有问题之上，还有一个更致命的打击悄然到来：个人电脑（PC）崛起了。
1980年代中期，英特尔8086处理器和Windows系统相继成熟，个人电脑性能越来越强，价格却越来越便宜。企业算了一笔账：我花几百万买一套专家系统，还不如买几台电脑、装几个软件，让懂业务的人自己分析来得快。
又贵、又难用、又不够准、还跟不上时代。 市场用脚投票，AI第二次寒冬就此降临。
两次寒冬，同一个问题
回过头来看，1956到1987这三十一年，AI经历了两次大起大落。
第一次，科学家以为写几条规则就能搞定智能，结果发现真实世界远比预设的规则复杂。
第二次，把人类专家的知识搬进机器，确实有了商业价值，但成本太高、灵活性太差，最终输给了便宜且通用的个人电脑。
两次失败的背后，其实是同一个核心问题：AI太"专用"了。 它只能在极其狭窄的领域里工作，换一个场景就傻眼。那个年代的技术水平，不足以支撑一个"什么都能做一点的通用智能"。
但这两次寒冬并非毫无意义。每一次沉寂，都在迫使学界反思方向，也在为下一次突破积累理论基础。比如正是在第一次寒冬的间隙里，斯坦福大学的费根鲍姆提出了"知识工程"的概念，为后来的专家系统奠定了方法论基础。又比如在第二次寒冬之后，一些研究者开始转向从数据中学习的新方向，而不是靠人工编写规则。
这些在寒冬里种下的种子，将在二十年后破土而出。
而AI真正从"专家的玩具"变成"大众的工具"，还需要等待三样东西的到来：足够多的数据、足够强的算力、以及一个能把所有能力串联起来的新架构。
这三样东西，会在1990年代之后陆续登场。