很多人以为 AI 泡沫是今天才有的事。

其实，AI 历史上已经出现过一次非常典型的资本狂热。
那就是 1980 年代的「专家系统」泡沫。
那一轮 AI 热潮的背景，是第一次 AI 寒冬之后，行业终于找到了一条看起来能商业化的路线。
早期 AI 研究者曾经想直接做出通用智能，但机器翻译、通用推理、机器人等方向迟迟达不到预期，资金和信心一度迅速冷却。
于是到了 1980 年代，AI 行业换了一种思路：
既然通用智能太难，那就先做垂直智能。
把医生、工程师、化学家、金融专家、设备维修专家的经验，拆成一条条规则，写进计算机里。
如果 A 和 B 同时发生，那么判断为 C。
如果出现某个症状组合，那么推荐某种诊断。
如果订单里有某种配置冲突，那么系统自动修正。
这就是专家系统。
它不是今天这种通过海量数据训练出来的大模型，而是一个由人工整理出来的知识库，加上推理引擎。
当时它真的不是纯概念。
DEC 的 XCON/R1 系统，是最经典的商业案例之一。它帮助 DEC 自动配置复杂的小型机订单，减少配置错误，提高交付效率，后来被视为专家系统商业化成功的标志性案例。
这个案例一出来，市场的想象力被彻底点燃。
企业开始相信：
如果一个专家系统可以替代一部分工程师判断，那是不是也可以替代医生判断？
如果可以配置计算机，那是不是也可以配置工厂、管理供应链、做金融决策、做法律推理？
于是资本开始涌入。
大型企业纷纷建立 AI 部门，IBM、DEC、GE、GM 等公司都在投入专家系统。
创业公司也开始涌现，做知识工程、专家系统软件、推理引擎和行业解决方案。
更有意思的是，AI 泡沫很快蔓延到了硬件。
因为当时很多 AI 软件使用 Lisp 语言，而 Lisp 对计算资源和开发环境要求较高，于是出现了一批专门为 AI 优化的 Lisp 机器公司。
Symbolics、Lisp Machines Inc.、Texas Instruments 等公司，都参与了这轮专用 AI 硬件浪潮。
这就很像今天的一个历史倒影：
当年是专家系统带动 Lisp 机器。
今天是大模型带动 GPU、HBM、光模块、交换机、数据中心、电力和液冷。
每一轮 AI 热潮里，最先赚到钱的，往往不是应用，而是卖铲子的人。
但问题也正是在大规模落地后暴露的。
专家系统最核心的瓶颈，是知识获取。
真正的专家知识并不是一本说明书。
很多判断来自经验、直觉、边界条件和多年试错。
专家自己也未必能把所有隐性知识清楚表达出来。
就算表达出来，也很难完整写成规则。
于是企业发现，构建一个专家系统，比想象中慢得多，也贵得多。
第二个问题，是维护成本。
企业流程不是静态的。
产品会变，客户会变，法规会变，供应链会变，市场环境会变。
每一次现实世界发生变化，规则库都要跟着改。
规则一多，系统内部还会出现冲突、遗漏和互相覆盖。
最后，很多企业买到的不是一个自动赚钱机器，而是一个永远修不完的规则迷宫。
第三个问题，是脆弱性。
专家系统在规则覆盖范围内可以表现很好。
但一旦遇到边界情况、模糊信息、不完整信息，系统就容易失效。
它没有真正的常识。
它不会主动学习。
它也很难像人一样理解场景变化。
一个 Demo 可以很惊艳，但企业级系统要面对的是每天都在变化的真实世界。
这就是从实验室到生产环境的巨大裂缝。
第四个问题，是硬件经济性崩塌。
Lisp 机器一开始是 AI 的基础设施。
但到了 1980 年代后期，通用工作站和个人计算机快速变强，价格更低，生态更大。
当更便宜的通用计算机也能运行相关软件时，昂贵的专用 Lisp 机器就失去了商业合理性。
于是，Lisp 机器市场迅速崩溃。
硬件链先被重定价，随后软件公司和 AI 顾问公司也开始承压。
大量专家系统公司倒闭、被收购、转型，AI 重新变成一个资本市场不愿意听到的词。
这就是第二次 AI 寒冬。
但这里有一个非常重要的细节：
专家系统并不是完全没用。
它没有消失，而是被吸收到企业软件、规则引擎、风控系统、知识管理系统、客服脚本、流程自动化系统里。
技术活了下来。
泡沫死了。
这才是最值得今天 AI 投资者反复咀嚼的地方。
今天的大模型当然不是专家系统。
LLM 不是手工规则库，它来自大规模数据、神经网络、Transformer、算力和强化学习。
它的通用性、语言能力、代码能力、多模态能力，远远超过当年的专家系统。
所以，把今天的大模型简单等同于专家系统，是不严谨的。
但历史真正相似的地方，不是技术路线，而是资本市场的心理结构。
每一轮 AI 热潮都会经历类似的三步：
第一步，技术出现真实突破。
第二步，资本相信它可以改造所有行业。
第三步，企业发现，把技术变成稳定、可控、可审计、可赚钱的系统，比想象中难得多。
今天的大模型也正在进入第三步。
C 端有使用量，但流量格局还没有被彻底改写。
B 端有试点项目，但很多还停留在 pilot，没有进入真正的大规模生产系统。
Agent 很吸引人，但长流程任务里，单步错误会不断累积。
即便单步准确率看起来很高，只要流程足够长，整体成功率也会明显下降。
工业、金融、医疗、法律、供应链这些领域，要的不是一次漂亮回答，而是端到端可靠性、异常处理、权限控制、责任归属、审计记录和人工兜底。
这些不是模型发布会能解决的。
所以今天 AI 最大的风险，不是技术没有价值。
恰恰相反，AI 很有价值。
真正的问题是：
它创造的现金流，是否足以支撑当前这轮资本开支和估值？
如果企业发现 AI ROI 仍然模糊，预算收缩的速度可能会非常快。
如果云厂商发现推理收入覆盖不了折旧、电力和数据中心成本，资本开支指引就可能被下修。
如果应用层没有出现足够强的付费闭环，硬件链就会开始交易需求预期的下修。
历史不会简单重复。
但资本市场经常用相似的方式，把一个真实技术突破，推到过高的盈利预期里。
1980 年代的教训不是「AI 是骗局」。
真正的教训是：
技术革命可以是真的。
商业化节奏可以是慢的。
基础设施投资可以是超前的。
股票估值可以是错的。
这四件事，可以同时成立。
专家系统最后没有消失，但专家系统泡沫破了。
今天的大模型大概率也不会消失。
真正的问题是：
这一轮 AI 基础设施狂欢里，哪些公司会变成未来的基础设施，哪些公司只是这一轮周期里的 Lisp 机器？