从嘲笑的愿景到现实：人工智能和服务机器人为何超越批评者

欣喜与轻蔑之间——穿越时空的科技之旅

技术创新的历史往往遵循着一种可预测的模式：一段过度的兴奋期之后，必然会经历一段失望和蔑视的时期，最终技术会悄然征服日常生活。这种现象在如今被视为21世纪关键技术的两个领域尤为明显：人工智能和服务机器人。

20世纪80年代末，人工智能研究陷入了其历史上最严重的危机之一。所谓的“第二次人工智能寒冬”到来，研究经费被削减，许多专家宣称“思考机器”的愿景失败了。二十年后，服务机器人也遭遇了类似的命运：虽然在千禧之际，技术工人的短缺尚未成为一个社会问题，但服务行业的机器人却被视为昂贵的噱头和不切实际的科幻小说。

本分析考察了两种技术的平行发展路径，揭示了导致系统性低估革命性创新的机制。它表明，最初的兴奋和随后的蔑视同样存在缺陷——以及我们可以从中汲取哪些教训来评估未来的技术。

适合：

• 转型中的平台经济：2018 年 9 月至 2025 年 9 月的发展

回顾昨天：一场被误解的革命的故事

现代人工智能研究的根源可以追溯到20世纪50年代，当时艾伦·图灵和约翰·麦卡锡等先驱为思维机器奠定了理论基础。1956年著名的达特茅斯会议通常被认为是人工智能作为一门研究学科的诞生。早期的研究人员受到无限乐观的鼓舞：他们坚信机器将在几年内达到人类智能的水平。

20世纪60年代，人工智能迎来了第一批辉煌的成功。像“逻辑理论家”这样的程序能够证明数学定理。1966年，约瑟夫·魏泽鲍姆开发了历史上第一个聊天机器人——ELIZA。ELIZA模拟了一位心理治疗师，能够逼真地模仿人类对话，甚至连魏泽鲍姆的秘书都要求单独与它交谈。然而，魏泽鲍姆却对这一成功感到震惊——他原本想证明人类不会被机器愚弄。

但第一次重大的幻灭在20世纪70年代初开始。臭名昭著的1973年莱特希尔报告宣称人工智能研究彻底失败，并导致英国大幅削减研究经费。美国国防部高级研究计划局（DARPA）也采取了类似措施。人工智能的第一个寒冬就此拉开帷幕。

一个关键的转折点是1969年马文·明斯基和西摩·帕普特对感知器（早期神经网络）的批判。他们从数学上证明了简单的感知器甚至无法学习异或函数，因此无法用于实际应用。这一批判导致神经网络研究停滞了近二十年。

20世纪80年代，随着专家系统的兴起，人工智能迎来了复兴。这些基于规则的系统，例如用于诊断传染病的MYCIN，似乎终于带来了突破。各大公司投入了数百万美元，用于专门设计用于运行人工智能程序的Lisp机器。

但这种兴奋并没有持续多久。到了20世纪80年代末，人们逐渐意识到专家系统存在着根本性的局限性：它们只能在狭窄的领域发挥作用，维护成本极高，一旦遇到不可预见的情况就会彻底失效。Lisp机器行业轰然倒塌——像LMI这样的公司早在1986年就破产了。第二次人工智能寒冬开始了，比第一次更加严酷，持续时间也更长。

与此同时，机器人技术最初几乎完全在工业领域发展。早在20世纪80年代，日本就在机器人技术领域占据领先地位，但也专注于工业应用。本田于1986年开始研发人形机器人，但对这项研究严格保密。

隐藏的基金会：暗中突破的出现

尽管人工智能研究在 20 世纪 80 年代末被公认为失败，但与此同时，一些突破性的发展也悄然兴起，尽管鲜为人知。其中最重要的突破是 1986 年 Geoffrey Hinton、David Rumelhart 和 Ronald Williams 对反向传播算法的重新发现和完善。

这项技术解决了多层神经网络学习的根本问题，从而驳斥了明斯基和帕普特的批评。然而，人工智能界最初对这场革命几乎没有做出回应。当时的计算机速度太慢，训练数据太稀缺，而且人们对神经网络的普遍兴趣也因 20 世纪 60 年代的毁灭性批评而遭到了永久性的破坏。

只有少数像 Yann LeCun 这样富有远见的研究人员认识到反向传播的变革潜力。他们在成熟的符号人工智能的阴影下工作多年，为后来征服世界的深度学习奠定了基础。这种并行发展展现了技术创新的一个典型模式：突破往往恰恰发生在一项技术被公众视为失败的时候。

类似的现象在机器人领域也能看到。20世纪90年代，公众的注意力集中在一些虽然惊艳却最终流于表面的成功上，比如1997年深蓝战胜加里·卡斯帕罗夫。与此同时，本田和索尼等日本公司却在悄悄地为现代服务机器人奠定基础。

虽然“深蓝”是计算能力的里程碑，但它仍然完全基于传统的编程技术，缺乏真正的学习能力。卡斯帕罗夫后来意识到，真正的突破不在于原始的计算能力，而在于开发能够自我提升的自学系统。

日本机器人技术的发展得益于其文化差异，即对自动化和机器人持有不同的态度。在西方国家，机器人主要被视为对就业的威胁，而日本则将其视为老龄化社会的必要伙伴。这种文化认同使得日本企业能够持续投资机器人技术，即使短期商业效益尚不明显。

基础技术的逐步改进也至关重要：传感器变得更小巧、更精确，处理器更强大、更节能，软件算法也更加复杂。多年来，这些渐进式的进步积累成质的飞跃，然而局外人却难以察觉。

现在与突破：当不可能成为日常

人们对人工智能和服务机器人的认知发生巨大转变，而这两项技术恰恰面临着最严厉的批评，这似乎有些矛盾。20世纪90年代初的人工智能寒冬，随着一系列突破性进展的出现而戛然而止，而这些突破性的进展，其根源在于20世纪80年代那些被认为失败的方法。

第一个转折点是1997年“深蓝”战胜卡斯帕罗夫，尽管这场比赛仍然基于传统编程，但却永久地改变了公众对计算能力的看法。然而，更重要的是，自21世纪初开始，神经网络的复兴，这得益于计算能力的指数级增长和海量数据的可用性。

杰弗里·辛顿数十年在神经网络领域的耕耘终于结出了硕果。深度学习系统在图像识别、自然语言处理以及其他几年前还被认为不可能实现的领域取得了成就。AlphaGo 在 2016 年击败了围棋世界冠军，ChatGPT 在 2022 年彻底改变了人机交互——这两项技术都基于起源于 20 世纪 80 年代的技术。

与此同时，服务机器人也从科幻小说的设想演变成解决现实问题的实用解决方案。人口结构的变化和日益严重的技术工人短缺，突然催生了对自动化辅助服务的迫切需求。像Pepper这样的机器人被用于养老院，而物流机器人则彻底改变了仓库。

至关重要的不仅是技术进步，还有社会框架的变革。技术工人短缺在千禧之交还不是问题，如今却成为发达经济体面临的核心挑战之一。突然之间，机器人不再被视为就业杀手，而是不可或缺的助手。

新冠疫情进一步加速了这一发展。非接触式服务和自动化流程的重要性日益凸显，与此同时，医疗保健等关键领域的人员短缺问题也愈发凸显。几十年来被认为不切实际的技术突然变得不可或缺。

如今，人工智能和服务机器人都已成为日常生活的一部分。Siri 和 Alexa 等语音助手的技术直接源自 ELIZA，但现代人工智能技术已使其性能得到显著提升。护理机器人已在日本养老院为员工提供常规支持，而人形机器人也即将在其他服务领域取得突破。

实际例子：当理论遇到现实

从被嘲笑的概念到不可或缺的工具的转变最好通过追溯从实验室好奇心到市场准备的具体例子来说明。

第一个令人印象深刻的例子是软银机器人公司（SoftBank Robotics）研发的Pepper机器人。Pepper机器人基于数十年的人机交互研究，最初被设想为一个销售机器人。如今，Pepper已成功应用于德国养老院，帮助痴呆症患者进行交流。该机器人可以进行简单的对话，进行记忆训练，并通过其存在促进社交互动。在21世纪初，它被认为是一种昂贵的噱头，如今却被证明是对过度劳累的护理人员的宝贵支持。

尤其值得注意的是人们的耐心接受：即使是从小没有接触过电脑的老年人，也能自然而然地与人形机器人互动，毫无保留。这证实了几十年来备受争议的理论：人类天生倾向于将机器拟人化——这一现象早在20世纪60年代的ELIZA机器人身上就已得到证实。

第二个例子来自物流领域：在仓库和配送中心使用自主机器人。像亚马逊这样的公司现在雇佣了数以万计的机器人来分类、运输和包装货物。这些机器人能够处理几年前还被认为过于复杂的机器无法完成的任务：它们能够在动态环境中自主导航，识别和操纵各种物体，并与人类同事协调行动。

这一突破并非源于单一的技术飞跃，而是多种技术的融合：传感器技术的改进实现了精准的环境感知，强大的处理器实现了实时决策，人工智能算法优化了数百台机器人之间的协调。与此同时，人员短缺、劳动力成本上升以及质量要求提高等经济因素突然使得投资机器人技术变得有利可图。

第三个例子是医疗诊断，人工智能系统如今正在协助医生检测疾病。现代图像识别算法可以诊断皮肤癌、眼部疾病或乳腺癌，其准确率与医学专家相当甚至更高。这些系统直接基于神经网络，而神经网络开发于20世纪80年代，但几十年来一直被认为不切实际。

其发展的连续性尤其令人印象深刻：如今的深度学习算法本质上与1986年的反向传播算法使用的数学原理相同。关键的区别在于可用的计算能力和数据量。Hinton和他的同事们用小型问题演示的方法，如今已能应用于数百万像素的医学图像和包含数十万个样本的训练数据集。

这些例子展现了一个典型的模式：赋能技术往往在实际应用之前几十年就已出现。从科学可行性研究到市场成熟，通常有一个漫长的渐进式改进阶段，在此期间，技术在外人看来似乎停滞不前。然后，当技术成熟度、经济必要性、社会接受度等多个因素同时发挥作用时，突破往往会突然出现。

我们在业务开发、销售和营销方面的全球行业和业务专业知识 - 图片：Xpert.Digital

行业重点：B2B、数字化（从AI到XR）、机械工程、物流、可再生能源和工业

更多相关信息请点击这里：

• Xpert 商业中心

具有见解和专业知识的主题中心：

• 全球和区域经济、创新和行业特定趋势的知识平台
• 收集我们重点领域的分析、推动力和背景信息
• 提供有关当前商业和技术发展的专业知识和信息的地方
• 为想要了解市场、数字化和行业创新的公司提供主题中心

阴影与矛盾：进步的弊端

然而，人工智能和服务机器人的成功并非没有阴暗面和尚未解决的矛盾。最初对这些技术的蔑视，在某种程度上，是完全合理的，并且至今仍然适用。

现代人工智能系统的一个核心问题是所谓的“黑匣子”问题。20世纪80年代的专家系统至少在理论上拥有可理解的决策过程，而如今的深度学习系统却完全不透明。即使是它们的开发者也无法解释神经网络为何做出特定的决策。这在医学或自动驾驶等关键应用领域带来了重大问题，因为在这些领域，可追溯性和可追溯性至关重要。

ELIZA 的创造者 Joseph Weizenbaum 之所以成为人工智能发展最严厉的批评者之一，并非没有道理。他警告说，人们倾向于将人类的特征赋予机器，并对其抱有过度的信任，这一警告已被证明是具有预见性的。ELIZA 效应——人们倾向于误以为原始的聊天机器人比它们本身更聪明——在当今时代比以往任何时候都更加重要，因为每天都有数百万人与语音助手和聊天机器人互动。

机器人技术也面临着类似的挑战。研究表明，2012年至2017年间，欧洲对机器人的质疑声显著增加，尤其是在其在工作场所的应用方面。这种质疑并非毫无道理：自动化确实正在导致某些工作岗位的流失，尽管也创造了新的工作岗位。机器人只承担“肮脏、危险和无聊”任务的说法具有误导性——它们也越来越多地接管技术性工作。

护理行业的发展尤其成问题。虽然护理机器人被誉为解决人员短缺问题的良方，但它却有可能进一步削弱这个本已捉襟见肘的行业。即使机器人能够执行某些功能性任务，与机器人的互动也无法取代人类的护理。人们很容易将效率提升置于人类需求之上。

另一个根本问题是权力集中。开发先进的人工智能系统需要巨大的资源——计算能力、数据和资本——而这些资源只有少数几家全球性企业才能调配。这导致权力空前地集中在少数几家科技公司手中，给民主和社会参与带来了难以预料的后果。

20世纪80年代Lisp机器的历史提供了一个颇具启发性的类比。这些高度专业化的计算机在技术上非常出色，但在商业上却注定失败，因为它们仅由少数精英控制，并且与标准技术不兼容。如今，人工智能领域也存在类似的孤立解决方案出现的风险——不同的是，这一次权力掌握在少数跨国公司手中，而不是专业的利基公司手中。

最后，长期社会影响的问题依然存在。20世纪50年代人们乐观地预测自动化将为所有人带来更多休闲时间和繁荣，但这并未成真。相反，技术进步往往导致更大的不平等和新的剥削形式。除非采取深思熟虑的应对措施，否则几乎没有理由相信人工智能和机器人技术这次会产生不同的影响。

适合：

• 机器人技术的进步：全面概述

未来视野：过去揭示的未来

人工智能和服务机器人的平行发展史为评估未来技术趋势提供了宝贵的见解。我们可以发现一些未来创新中极有可能出现的模式。

最重要的模式是典型的炒作周期：新技术通常会经历一段预期膨胀的阶段，随后是一段令人失望的时期，最终达到实用成熟。这个周期并非随机，而是反映了科学突破、技术发展和社会应用的不同时间尺度。

至关重要的是，我们必须认识到，突破性的创新往往恰恰在一项技术被公众视为失败之时涌现。反向传播算法诞生于1986年，正值第二次人工智能寒冬。现代服务机器人的基础出现于20世纪90年代和21世纪初，当时机器人还被认为是科幻小说。这是因为耐心的基础研究远离公众的关注，需要多年才能取得成果。

对于未来而言，这意味着特别有前景的技术往往会出现在目前被认为存在问题或失败的领域。量子计算就像20世纪80年代的人工智能：理论上前景光明，但尚未实现实际可行性。聚变能也面临类似的情况——距离市场化还有20年的时间，但其背后仍在持续进步。

第二个重要模式是经济和社会条件的作用。技术之所以盛行，不仅是因为其技术优势，还因为它们能够解决具体问题。人口结构变化催生了对服务机器人的需求，熟练工人的短缺使得自动化成为必需，数字化则产生了海量数据，这首先使得深度学习成为可能。

如今，类似的未来驱动因素已显而易见：气候变化将推动脱碳技术的发展。老龄化社会将推动医疗保健创新。全球系统日益复杂，需要更强大的分析和控制工具。

第三种模式涉及不同技术链的融合。无论是人工智能还是服务机器人，突破并非源于单一创新，而是多条发展路线的融合。在人工智能领域，改进的算法、更强大的计算能力和更丰富的数据集汇聚在一起。在服务机器人领域，传感器技术、机械、储能和软件的进步融合在一起。

未来的突破很可能出现在不同学科的交叉领域。人工智能与生物技术的结合可能会彻底改变个性化医疗。机器人技术与纳米技术的结合可能会开辟全新的应用领域。量子计算与机器学习的结合可以解决目前被认为难以解决的优化问题。

与此同时，历史经验告诫我们，不要抱有过高的短期期望。大多数革命性技术从科学发现到社会广泛应用，都需要20到30年的时间。这段时间对于克服技术初期问题、降低成本、建设基础设施以及获得社会认可至关重要。

一个尤为重要的教训是，技术的发展往往与最初的预测完全不同。ELIZA 的设计初衷是为了展示计算机通信的局限性，但它却成为了现代聊天机器人的典范。深蓝凭借原始的计算能力击败了卡斯帕罗夫，但真正的革命来自于自学系统。服务机器人最初旨在取代人类工人，但在人员短缺的情况下，它们被证明是一种宝贵的补充。

这种不可预测性应该提醒我们在评估新兴技术时保持谦逊。过度的兴奋和一概的蔑视都不能体现技术发展的复杂性。相反，我们需要采取一种细致入微的方法，认真对待新技术的潜力和风险，并愿意根据新的见解调整评估。

被误解的时代的教训：还剩下什么知识

人工智能和服务机器人的平行发展历程揭示了技术变革本质的根本真相，其影响远远超出了这些特定领域。它们表明，盲目的技术狂热和一概而论的技术恐惧都同样具有误导性。

最重要的洞见在于认识到科学突破与实际应用之间的时间差距。如今看似革命性的创新，往往源于数十年的基础研究。杰弗里·辛顿 (Geoffrey Hinton) 于 1986 年发明的反向传播算法塑造了如今的 ChatGPT 和自动驾驶汽车。约瑟夫·魏泽鲍姆 (Joseph Weizenbaum) 于 1966 年发明的 ELIZA 至今仍在现代语音助手中运行。发明与应用之间的这种漫长延迟解释了技术评估为何常常失败。

所谓的“失望谷”在这里扮演着至关重要的角色。每一项重要的技术都会经历一个阶段，在这个阶段，它最初的承诺无法兑现，最终被视为失败。这个阶段不仅不可避免，甚至是必要的：它过滤掉了那些可疑的方法，迫使人们专注于真正可行的概念。20世纪70年代和80年代的两次人工智能寒冬消除了不切实际的期望，为耐心的基础工作创造了空间，这些基础工作后来促成了真正的突破。

另一个关键洞察涉及社会条件的作用。技术之所以盛行，并非仅仅因为其技术优势，还因为它们响应了具体的社会需求。人口结构的变化使服务机器人从新奇事物变成了必需品。熟练工人的短缺使自动化从威胁变成了救援力量。这种情境依赖性解释了为什么同一项技术在不同时期的评价截然不同。

文化因素的重要性尤为值得关注。日本对机器人的积极态度使得其能够持续投资这项技术，即使在西方国家认为机器人不切实际的时候。当机器人在全球范围内突然变得炙手可热时，这种文化开放性得到了回报。相反，欧洲对自动化日益增长的怀疑态度导致其在未来关键技术领域落后。

历史也警告了技术单一化的危险。20世纪80年代的Lisp机器在技术上非常出色，但却失败了，因为它们代表了互不兼容的孤立解决方案。如今，存在着相反的危险：少数全球科技公司在人工智能和机器人技术领域的主导地位，可能导致权力集中，从而抑制创新，并使民主控制复杂化。

最后，分析表明，对技术的批评往往合情合理，但却是出于错误的理由。约瑟夫·魏森鲍姆对计算机人性化的警告颇具预见性，但他认为不应因此而开发人工智能的结论被证明是错误的。对服务机器人的怀疑基于对就业的合理担忧，但却忽视了它们解决劳动力短缺问题的潜力。

这一洞见对于评估新兴技术尤为重要。批评不应针对技术本身，而应针对存在问题的应用或监管不力。关键在于充分利用新技术的潜力，同时将其风险降至最低。

人工智能和服务机器人的历史教会我们谦逊：无论是20世纪50年代的热情预言，还是20世纪80年代的悲观预测，都没有实现。现实比预期的更复杂、更缓慢、更令人惊讶。在评估当今的未来技术——从量子计算到基因工程再到聚变能——时，应该始终牢记这一教训。

与此同时，历史表明，即使在逆境中，耐心持续的研究也能带来革命性的突破。杰弗里·辛顿数十年来在神经网络方面的研究曾一度饱受嘲讽，但如今却影响着我们所有人的生活。这应该激励我们，即使在看似无望的研究领域也不要放弃。

但或许最大的教训是：技术进步既不会自动带来好处，也不会自动带来坏处。它是一种工具，其效果取决于我们如何使用它。我们的任务不是妖魔化技术或将其偶像化，而是有意识地、负责任地塑造它。只有这样，我们才能确保下一代被低估的技术真正为人类的福祉做出贡献。

☑️我们的业务语言是英语或德语

☑️ 新：用您的国家语言进行通信！

Konrad Wolfenstein

我很乐意作为个人顾问为您和我的团队提供服务。

您可以通过填写此处的联系表，或者直接致电+49 89 89 674 804 （慕尼黑）。我的电子邮件地址是： wolfenstein ∂ xpert.digital

我很期待我们的联合项目。

☑️ 为中小企业提供战略、咨询、规划和实施方面的支持

☑️ 创建或调整数字战略和数字化

☑️国际销售流程的扩展和优化

☑️ 全球数字 B2B 交易平台

☑️ 先锋业务发展/营销/公关/贸易展览会

受益于 Xpert.Digital 全面的五重专业知识和全面的服务包 | 研发、XR、PR 和数字可视性优化 - 图片：Xpert.Digital

Xpert.Digital 对各个行业都有深入的了解。 这使我们能够制定量身定制的策略，专门针对您特定细分市场的要求和挑战。 通过不断分析市场趋势并跟踪行业发展，我们可以前瞻性地采取行动并提供创新的解决方案。 通过经验和知识的结合，我们创造附加值并为客户提供决定性的竞争优势。

更多相关信息请点击这里：

• 在一个软件包中使用 Xpert.Digital 的 5 倍专业知识 - 每月仅需 500 欧元起