1.2.5 智能技术的瓶颈：人工智能的幻觉破灭谷底期
在人工智能发展的浪潮中，研究者们对于未来充满期待，从不怜惜赞许的词汇，甚至有些人被胜利冲昏了头脑，盲目地乐观起来。
赫伯特·西蒙在1957年曾说过：“我的目的不是使你惊奇或者震惊，但是我能概括的最简单的方式是说现在世界上就有能思考、学习和创造的机器，而且，它们做这些事情的能力将快速增长直到——在可见的未来，它们能处理的问题范围将与人脑已经应用到的范围共同扩张”。甚至在1958年，他与纽厄尔自信满满地说：“不出10年，计算机就可以战胜世界象棋的冠军，证明一个重要的数学定理，谱写出优美的音乐。”[30]
然而，历史告诉我们：这些预言经过了40年甚至更长的时间，才得以实现。当年人工智能科学家们之所以过于自信，是因为早期人工智能系统在简单实例上发挥了极强的性能，但是，在解决更加复杂更加宽泛的问题上却屡遭失败。
1．早期机器翻译
人工智能技术遭受打击最明显的领域是早期的机器翻译[31]，当时的研究者认为机器翻译依靠简单的句法处理和电子词典的单词替换即可实现双语翻译，美国国家研究委员会为此还资助了2000万美元。但经过近十年的研究仍未达到需求，甚至表现极其让人失望。著名的实验例子是the spirit is willing but the flesh is weak（心有余而力不足）由机器翻译成俄文，再由机器翻译译回英文，结果是the vodka is good but the meat is rotten（伏特加酒是好的而肉是烂的），含义完全是风马牛不相及。早期的机器翻译并没有考虑结合背景知识来消除歧义并重构句子内容，因此，1966年美国咨询委员会最终认为“尚不存在通用科学文本的机器翻译，近期也不会有”，随后美国国家研究委员会取消了对所有的机器翻译项目的资助。然而，如今的机器翻译已取得了大幅的改进，具体内容可参见1.3.2节。
2．莱特希尔报告
1973年，著名数学家莱特希尔向英国政府提交了一份关于人工智能的研究报告，对当时的机器人技术、语言处理技术和图像识别技术进行了严厉批判，尖锐地批评了人工智能那些看上去高大上却根本无法实现的理念，认为人工智能研究已经完全失败。该报告引发了人们对人工智能的深入思考，各国政府和机构在人工智能领域的投资变得更为谨慎，纷纷减少或停止了资金投入，这将人工智能领域带入了寒冬期。
人工智能的寒冬并非偶然的。在人工智能的期望膨胀期，虽然创造了各种软件程序或硬件机器人，但这些都没有考虑与实际的工业产品相结合，看起来都只是研究者们的科学设想、实验室里的理想模型。当真正面向实用的工业产品时，科学家们就遇到了一些前所未有、不可战胜的挑战。
1）硬件设备局限
当时计算机的计算能力有限，1976年世界最快的计算机Cray-1造价数百万美元，但处理速度还不到1亿次，普通计算机的计算速度还不到一百万次。如果要运行某个包含2100的计算程序，当时的计算机就要计算数万亿年。如果用计算机模拟人类视网膜视觉，至少需要执行10亿次指令。这些都决定了人工智能技术应用于实际产品之中时，无法发挥其真实的作用。
2）缺乏数据量
人工智能技术的研究需要大量的人类经验和真实世界的数据，但由于当时计算机和互联网都没有普及，根本无法获取到庞大的数据用于算法训练。要想人工智能机器达到一个3岁婴儿的智力水平，也要观看过数亿张图像、听过数万小时的声音之后才能形成。
3）莫拉维克悖论
汉斯·莫拉维克是卡耐基·梅隆机器人系的教授，他和很多人工智能科学家都发现：数学推理、代数几何这样的人类智能，计算机可以用很少的计算力轻松完成，而对于图像识别、声音识别和情感分析这些任务，人类几乎无须动脑，靠本能和直觉就能完成，但计算机却需要巨大的运算量才可能实现。这个论调一方面让人怀疑早期神经网络算法的有效性和实用性，另一方面也导致人工智能技术向更加功利化、实用化方向发展，不再像人工智能黄金时代那样理想化，几乎放弃了对模拟通用人类智能的追求。