研究者们在私下的交流和公开发表的论文中表达出了相当乐观的情绪。1965年，赫伯特·西蒙称，用不了20年，机器就能够完成人类能做的任何工作。不久以后，马文·明斯基补充道：“我们这一代人能够大体上解决创造人工智能的问题。”
伴随着初期的显著成果和乐观情绪的弥漫，在麻省理工学院、卡内基梅隆大学、斯坦福大学、爱丁堡大学建立的人工智能项目都获得了来自ARPA（即后来的DARPA，美国国防高等研究计划署）等政府机构的大笔资金。然而，这些投入却并没有让当时的乐观预言得以实现，从20世纪70年代开始，人工智能的发展开始出现问题。人们发现，即使是最杰出的人工智能程序也只能解决它们尝试解决的问题中最简单的一部分，稍微超出范围就无法应对。这里面主要存在几方面的局限。一是当时的计算机有限的内存和处理速度不足以解决任何实际的人工智能问题；二是有很多计算复杂度以指数程度增加，这些问题的解决需要近乎无限长的时间，所以成为不可能完成的计算任务；三是数据量的缺失，很多重要的人工智能应用（例如机器视觉和自然语言处理）都需要大量对世界的认识信息，在那个年代，没有人能够做出如此巨大的数据库，也没人知道一个程序怎样才能学到如此丰富的信息。人工智能项目的停滞，使人们对该领域的热情渐渐冷却下来，大幅缩减的资助使其首次进入了“人工智能的冬天”。
在通用问题求解机制遭到失败之后，人们开始尝试针对特定领域，使用更强有力的领域相关的知识，以允许更加深入的推理步骤，对付该领域中出现的特殊情况。科学家们认为，70年代的教训是智能行为与知识处理关系非常密切，有时还需要特定任务领域非常细致的知识。例如，一台应用于神经系统科学的电脑必须像合格的神经系统科学家一样，了解该学科的相关概念、事实、表述、研究方法、模型、隐喻和其他方面。要创造出能够解决现实问题的人工智能，需要一台能够将推理和知识相结合的机器，一类名为“专家系统”的人工智能程序应运而生。专家系统的能力来源于它们存储的专业知识，能够根据某领域一个或多个专家提供的知识和经验进行推理和判断，模拟人类专家的决策过程，回答或解决该领域的问题。由爱德华·费根鲍姆创造的DENDRAL是世界上第一个专家系统，它可以推断化学分子结构。另一个类似的项目名为MYCIN，能够诊断血液传染病，表现的甚至比初级医生要好。DENDRAL和MYCIN都只是实验室的实验，并没有真正应用到现实世界。1980年，卡内基梅隆大学为数字设备公司DEC设计了一个名为XCON的专家系统，其目的是按照客户的需求，帮助DEC的销售人员为客户配置适合他们的计算机组件。在使用XCON之前，由于销售人员不都是技术专家，DEC经常发生客户购买的硬件与硬件、硬件与软件不适配的情况，以致引起客户不满甚至进行法律诉讼。到1986年，XCON一共处理了80000条指令，准确率达到95%\~98%，每年为DEC节约2500万美元。其他企业很快也开始研发和应用专家系统，到1985年，约有150家公司投资10亿美元开展人工智能业务。受此鼓励，日本政府投入巨资开发所谓的第5代计算机，其目标是造出能够与人对话、翻译语言、解释图像，并且像人一样推理的机器。其他国家纷纷响应，向人工智能项目提供资助。
有趣的是，像马文·明斯基这样经验丰富的研究者却在回避对专家系统热烈的追捧，预计不久后，人们将转向失望。事实被他们不幸言中，从1987年开始，苹果和IBM生产的个人电脑性能不断提升，这些计算机没有用到AI技术，但性能上却超过了专家系统所使用的价格昂贵的机器。相比于现代个人电脑，XCON等最初大获成功的专家系统维护费用居高不下，难以升级，实用性仅局限于某些特定的场景，专家系统风光不再。资本又一次迅速蒸发，政府补助消失得无影无踪，人工智能的第二个冬天到来了。
人工智能与大数据技术导论
20