很多人以為 AI 泡沫是今天才有的事。

其實，AI 歷史上已經出現過一次非常典型的資本狂熱。
那就是 1980 年代的「專家系統」泡沫。
那一輪 AI 熱潮的背景，是第一次 AI 寒冬之後，行業終於找到了一條看起來能商業化的路線。
早期 AI 研究者曾經想直接做出通用智能，但機器翻譯、通用推理、機器人等方向遲遲達不到預期，資金和信心一度迅速冷卻。
於是到了 1980 年代，AI 行業換了一種思路：
既然通用智能太難，那就先做垂直智能。
把醫生、工程師、化學家、金融專家、設備維修專家的經驗，拆成一條條規則，寫進電腦裡。
如果 A 和 B 同時發生，那麼判斷為 C。
如果出現某個症狀組合，那麼推薦某種診斷。
如果訂單裡有某種配置衝突，那麼系統自動修正。
這就是專家系統。
它不是今天這種透過海量數據訓練出來的大模型，而是一個由人工整理出來的知識庫，加上推理引擎。
當時它真的不是純概念。
DEC 的 XCON/R1 系統，是最經典的商業案例之一。它幫助 DEC 自動配置複雜的小型機訂單，減少配置錯誤，提高交付效率，後來被視為專家系統商業化成功的標誌性案例。
這個案例一出來，市場的想像力被徹底點燃。
企業開始相信：
如果一個專家系統可以替代一部分工程師判斷，那是不是也可以替代醫生判斷？
如果可以配置電腦，那是不是也可以配置工廠、管理供應鏈、做金融決策、做法律推理？
於是資本開始湧入。
大型企業紛紛建立 AI 部門，IBM、DEC、GE、GM 等公司都在投入專家系統。
創業公司也開始湧現，做知識工程、專家系統軟體、推理引擎和行業解決方案。
更有意思的是，AI 泡沫很快蔓延到了硬體。
因為當時很多 AI 軟體使用 Lisp 語言，而 Lisp 對計算資源和開發環境要求較高，於是出現了一批專門為 AI 優化的 Lisp 機器公司。
Symbolics、Lisp Machines Inc.、Texas Instruments 等公司，都參與了這輪專用 AI 硬體浪潮。
這就很像今天的一個歷史倒影：
當年是專家系統帶動 Lisp 機器。
今天是大模型帶動 GPU、HBM、光模組、交換機、數據中心、電力和液冷。
每一輪 AI 熱潮裡，最先賺到錢的，往往不是應用，而是賣鏟子的人。
但問題也正是在大規模落地後暴露的。
專家系統最核心的瓶頸，是知識獲取。
真正的專家知識並不是一本說明書。
很多判斷來自經驗、直覺、邊界條件和多年試錯。
專家自己也未必能把所有隱性知識清楚表達出來。
就算表達出來，也很難完整寫成規則。
於是企業發現，構建一個專家系統，比想像中慢得多，也貴得多。
第二個問題，是維護成本。
企業流程不是靜態的。
產品會變，客戶會變，法規會變，供應鏈會變，市場環境會變。
每一次現實世界發生變化，規則庫都要跟著改。
規則一多，系統內部還會出現衝突、遺漏和互相覆蓋。
最後，很多企業買到的不是一個自動賺錢機器，而是一個永遠修不完的規則迷宮。
第三個問題，是脆弱性。
專家系統在規則覆蓋範圍內可以表現很好。
但一旦遇到邊界情況、模糊資訊、不完整資訊，系統就容易失效。
它沒有真正的常識。
它不會主動學習。
它也很難像人一樣理解場景變化。
一個 Demo 可以很驚豔，但企業級系統要面對的是每天都在變化的真實世界。
這就是從實驗室到生產環境的巨大裂縫。
第四個問題，是硬體經濟性崩塌。
Lisp 機器一開始是 AI 的基礎設施。
但到了 1980 年代後期，通用工作站和個人電腦快速變強，價格更低，生態更大。
當更便宜的通用電腦也能執行相關軟體時，昂貴的專用 Lisp 機器就失去了商業合理性。
於是，Lisp 機器市場迅速崩潰。
硬體鏈先被重定價，隨後軟體公司和 AI 顧問公司也開始承壓。
大量專家系統公司倒閉、被收購、轉型，AI 重新變成一個資本市場不願意聽到的詞。
這就是第二次 AI 寒冬。
但這裡有一個非常重要的細節：
專家系統並不是完全沒用。
它沒有消失，而是被吸收到企業軟體、規則引擎、風控系統、知識管理系統、客服腳本、流程自動化系統裡。
技術活了下來。
泡沫死了。
這才是最值得今天 AI 投資者反覆咀嚼的地方。
今天的大模型當然不是專家系統。
LLM 不是手工規則庫，它來自大規模數據、神經網路、Transformer、算力和強化學習。
它的通用性、語言能力、程式碼能力、多模態能力，遠遠超過當年的專家系統。
所以，把今天的大模型簡單等同於專家系統，是不嚴謹的。
但歷史真正相似的地方，不是技術路線，而是資本市場的心理結構。
每一輪 AI 熱潮都會經歷類似的三步：
第一步，技術出現真實突破。
第二步，資本相信它可以改造所有行業。
第三步，企業發現，把技術變成穩定、可控、可審計、可賺錢的系統，比想像中難得多。
今天的大模型也正在進入第三步。
C 端有使用量，但流量格局還沒有被徹底改寫。
B 端有試點項目，但很多還停留在 pilot，沒有進入真正的大規模生產系統。
Agent 很吸引人，但長流程任務裡，單步錯誤會不斷累積。
即便單步準確率看起來很高，只要流程足夠長，整體成功率也會明顯下降。
工業、金融、醫療、法律、供應鏈這些領域，要的不是一次漂亮回答，而是端到端可靠性、異常處理、權限控制、責任歸屬、審計記錄和人工兜底。
這些不是模型發佈會能解決的。
所以今天 AI 最大的風險，不是技術沒有價值。
恰恰相反，AI 很有價值。
真正的問題是：
它創造的現金流，是否足以支撐當前這輪資本開支和估值？
如果企業發現 AI ROI 仍然模糊，預算收縮的速度可能會非常快。
如果雲廠商發現推理收入覆蓋不了折舊、電力和數據中心成本，資本開支指引就可能被下修。
如果應用層沒有出現足夠強的付費閉環，硬體鏈就會開始交易需求預期的下修。
歷史不會簡單重複。
但資本市場經常用相似的方式，把一個真實技術突破，推到過高的盈利預期裡。
1980 年代的教訓不是「AI 是騙局」。
真正的教訓是：
技術革命可以是真的。
商業化節奏可以是慢的。
基礎設施投資可以是超前的。
股票估值可以是錯的。
這四件事，可以同時成立。
專家系統最後沒有消失，但專家系統泡沫破了。
今天的大模型大概率也不會消失。
真正的問題是：
這一輪 AI 基礎設施狂歡裡，哪些公司會變成未來的基礎設施，哪些公司只是這一輪週期裡的 Lisp 機器？