Appearance
1988-1997：统计学习与连接主义复兴
这一段 AI 的重心从手写规则逐步转向数据、概率和学习。反向传播重新点燃神经网络研究，贝叶斯网络、强化学习、支持向量机等方法让“从数据中学习”成为更可靠的工程路线。
核心变化
| 变化 | 说明 |
|---|---|
| 反向传播推动多层网络训练 | 多层神经网络有了更实用的训练方式 |
| 概率图模型兴起 | 不确定性被纳入推理框架，贝叶斯网络影响广泛 |
| 强化学习走向系统化 | TD learning、Q-learning 等方法让智能体能从反馈中学习 |
| 统计学习取代纯规则幻想 | 特征、数据集、泛化能力和评测开始成为核心话题 |
| AI 在封闭复杂任务中击败人类冠军 | Deep Blue 战胜 Kasparov，证明专用搜索和计算资源可以达到顶尖水平 |
代表作品与节点
| 年份 | 代表作品 / 方法 | 价值 |
|---|---|---|
| 1986 | Backpropagation | 让多层神经网络训练重新变得可行 |
| 1988 | Probabilistic Reasoning in Intelligent Systems | 系统化推动贝叶斯网络和概率推理 |
| 1989-1992 | Q-learning | 成为强化学习中的重要基础方法 |
| 1995 | Support Vector Machines | 统计学习时代的重要分类方法 |
| 1997 | LSTM | 为长序列建模提供关键结构 |
| 1997 | IBM Deep Blue | 在国际象棋中击败 Kasparov，展示搜索、评估函数和硬件结合的力量 |
这一段对工程的影响
统计学习把 AI 工程从“写规则”转向“定义任务、收集数据、设计特征、训练模型、评估泛化”。这套思路延续到今天，只是很多手工特征后来被深度模型的表示学习替代。
Deep Blue 也说明了一件事：代表性突破不一定来自通用智能。它可以来自特定任务、强搜索、专用工程和高强度优化。