2016 年炒得火热的几个话题中，直播、虚拟现实、共享经济逐渐在媒体版面上消失，而人工智能、自动驾驶泽「坚强」活了下来，并在互联网巨头与资本的共同作用下迎来新的爆发点，然而在 2016 年 8 月 Gartner 一年一度的炒作曲线里，你却看不到「人工智能」的字眼，这其实也是过去一年甚至几年时间里，公众对于人工智能的误解。
有个很俗的说法：「当我们在谈论XX 时在谈论什么」，这个句式同样适用于人工智能。无论国内外，现在几乎所有的科技媒体都在报道「人工智能（AI）」领域的突破，但真实的情况则是：当下的所谓「人工智能」进步，准确的说是机器学习快速发展后的体现，与真正的「人工智能」没有必然的关系。
如果仔细去看，过去几年中文互联网三大巨头 BAT 的进化路径会非常有趣：
这三家公司里，百度、腾讯的路径或者说公司口号几乎和硅谷目前的舆论和资本关注点一样：现在没有一家公司不在谈人工智能、也没有一家公司不在谈论社交或社交平台。 （更多…）
这是「I/O」会员通讯春节假期前的最后一期内容，感谢各位朋友这么多时间以来的支持和帮助，祝大家春节愉快！我们金鸡之年再见。
法国摄影师 Catherine Balet 用以下这组照片展示当下社会的现状：
这组照片的名字叫「Strangers in the Light」，LensCulture 这样评价：
Strangers in the Light explores the dominance of media screens in contemporary life, from a connected family gathering to a online confessional. Landscapes or interiors, her images also refer to the narcissistic self-awareness expressed on social networks and the new approach to quick, light mobile photography that affects our visual culture. All scenes are lit exclusively with the technological devices generating a mysterious beauty. Balet casts a fascinated, sometimes ironic, eye on the intricate relationship between man and technology, providing a captivating portrait of our society that hovers between fictional and documentary.
这俨然也是一种全新的人机关系，我们打开手机的一刹那，屏幕光照亮了你我的脸庞，当我们盯着屏幕光时，我们的脸庞也在「异化」——这真是一个有趣的角度，假如你喜欢一个姑娘，请一定一定要注意她在屏幕光之前的样子…..
再来看几张照片： （更多…）
我曾在过去几期会员通讯里多次指出，当下不同领域的人对于人工智能的理解是有偏差的，这种偏差并非简单意义上的对与错，而是缺乏一个对话频道，导致多数人自说自话。而在本期的会员通讯里，我会提供一系列围绕人工智能的多角度观点和思考，有从业者的反思、智能机器行业年度总结报告以及一篇颇具含金量的演讲。
华盛顿大学人工智能博士徐宥曾在 Fitbit 负责机器学习，去年离职后参与到人工智能创业大潮中，他在 2016 年年底写了篇反思人工智能创业和投资的文章，他直言这个行业已经开始浮躁：
这一波的 “AI” 创业热潮，准确的说应该是“深度学习算法”创业潮…….而大量的创业公司都纷纷采用 .ai 做为域名后缀，实质上只是在“深度学习”这个子领域，解决一些特定的，以前只能靠人的智慧才能解决的问题。
就和 .com 时代一样，域名后缀的符号意义远大于实际意义。媒体，投资人和创业者都默默接受了 .ai 这个集体幻觉。总的来说，目前 AI 公司的井喷，是深度学习这项技术完成其技术扩散 (diffusion of innovations) 的体现。在 Google, Facebook 等技术领先企业的示范和大笔收购下，风险投资大量向 AI 倾斜。许多掌握机器学习和深度学习的人才，认识到深度学习可以用来解决一个具体的问题，也流动到创业公司开始创业。因为 AI 入门门槛很高，目前还是很容易从创业者的教育和工作经历来甄选到底一个公司做的是不是深度学习，还是挂羊头卖狗肉的。
其次，创业公司的真正机会在哪里？很多投资人在人工智能领域投资时会关注创始人的价值，比如早前蓝驰创投就在一篇分析报告中认为：
现在来看美国比中国还是领先不少，美国有4大名校：MIT、斯坦福、卡内基梅隆、纽约大学，还有Google、Facebook、MS这些大牛公司，培养了很多人才。在语音识别，图像处理等领域国际很多顶级专家都是华人。国内也有很多专家，行业薪资待遇越来越好，会吸引更多的优秀人才进来。这批人目前可能在百度、腾讯和阿里，将来可能加入创业大军（已经出现）。
然而摆在创业公司创始人面前的，还有产品方向的问题，徐宥提出他的思考：
AI 创业，还是要落实在深入解决一个非标准（不能拿标准的深度学习模型一套就能用）的问题上。只有在非标准的问题上，切实的了解用户需求才变成可能。标准的问题，如图像识别，自动驾驶，可以说，最终产品的亮点大家都差不多，因此人工智能也就不自动成为一个亮点。在非标准的问题上深耕，无形中就构建了两个护城河：1，竞争对手需要花时间了解这个问题之后才能提出解决方案和产品；2，你比竞争对手先收集许多解决这个领域特定问题的数据，因此在同一时间节点上，你的模型永远领先对手几个月。这就像微软的搜索引擎或许使用的模型很先进，但因为没有足够的数据因此质量永远落后 Google 几个月一样。
从语义的角度来说，物联网、人工智能、机器学习、自动化其实没有任何真正含义，常将这些用于挂在嘴边的人也大多是外行人（比如，投资人），但在过去的 2016 年，上述四个领域还有一些值得关注的现象，尤其是一些可能会在 2017 年影响到技术行业发展的重要因素。
比如亚马逊的 Echo 和 Google Home；紧接着，VR、AR 以及 MR （Mix Reality）的持续火爆，尤其是 PokemonGo 引发的 AR 游戏热潮，而当 Google 的 AlphaGo 一举击败人类选手之后，人工智能、机器学习的热潮开始席卷全球；另一个战场上，Uber、百度、Google 又紧锣密鼓地争夺无人驾驶的未来话语权。
事实上，「物联网」这个词的外延也很大，从字面的角度来说，所谓物联网，是一些从前没有连接的物体被连接起来，比如过去我们会在书桌上使用笔记本，尽管笔记本是可以联网的，但书桌并没有联网，而物联网要做的，则是将这些传统意义上不具备智能属性、联网属性的物体连上互联网。
在 2016 年，物联网领域最有代表性的突破就是新一代交互模式的成熟，这就是基于声音的交互模式；但另一方面，物联网所遇到的挑战也非常大：Dyn 服务器被攻击导致 Twitter、Netflix 下线，再次引发了人们对于大量物联网设备接入网络后所面临安全风险的担忧；Google Nest 团队新产品难产，部分意义上也说明了这笔高达 32 亿美元的收购或许就是一个败笔；在可穿戴设备市场，Pebble 卖身 Fitbit，Android Wear 出货大户 Moto 360 无限期推迟新产品计划，只剩下 Apple Watch 苦苦支撑…..
下面这幅图以时间线的方式非常直观地展现了 2016 物联网领域的发展状况：
从硬件领域，以下这些事件影响深远：
软件层面，语音交互之争还在另一个战场继续，三星买下了曾经一手缔造了苹果 Siri 的 Viv 团队；目前来看，语音交互呈现一超多强的局面，Alexa 继续领先，而 Google、Apple 与三星将争夺接下来的市场，这也会成为 2017 年最值得关注和期待的领域。
机器学习在过去的 2016 年迎来重大发展，这不仅包括 AlphaGo 历史性胜利，也还包括创纪录参会人数的 NIPS （神经网络研究大会），更重要的则是，围绕机器学习的大量创业公司的出现，也进一步推动了整个行业的发展。fnn这其中，深度学习毫无疑问赢得了几乎所有人的主力一，下面是 CB Insights 针对创业公司的梳理：
下面不妨来看看巨头们的动向：
Maciej Cegłowski 的名声并不大，他的影响力更多的还是局限在程序员、极客的小圈子。从履历上说，他曾在雅虎做过程序员，同时开发了一款书签产品 Pinboard，同时也是一位画家和作家。在他的个人网站 idleword 上，有很多对科技发展睿智的思考，包括文章和演讲。比如这篇以人工智能为主旨的演讲。
Maciej Cegłowski 这篇演讲更多地站在技术伦理的层面，去探寻人工智能、智能机器所带来的各种影响——这并非杞人忧天，而是现实境况倒逼的选择。
1945 年的时候，随着一群美国物理学家准备测试原子弹，一些关于原子弹的疑问也开始增多，比如有人就质疑：「原子弹真的能在大气层里爆炸吗？」
这个问题并不愚蠢，因为构成大气的主要成分是氮，而氮是一种非常不稳定的元素。这就意味着物理学家们需要精确计算原子弹爆炸时的各种环境参数，既要保证能够完成爆炸，又要避免原子弹点火前出现任何偏差。
而在一系列精密计算之后，物理学家们给出一个答案——这个答案的公式对我们来说并无真正意义，但你我都清楚一件事：那就是人类能够活到现在，就是因为这一次的计算非常准确。
现在，人类遇到了另一个需要计算的「武器」——机器智能或人工智能。其实名字并不重要，重要的是这些技术将给人类的生活、工作带来重要影响。比如提升生产效率、比如让驾驶变得更安全，但另一方面也带来一系列隐患和担忧，就像当时人们对于原子弹的担忧一样——我们如何让新技术的发展不影响到人类生存？
英国牛津大学学者 Nick Bostrom 提出了一个思考框架，在他的畅销书《超级智能》[1]里，Nick Bostrom 进一步阐释了这个逻辑，用 Nick Bostrom「迷妹」Elon Musk 的话来总结：人工智能就是被召唤的恶魔。
仔细去看 Nick Bostrom 的分析框架，其实是有以下几个前提：
如果你认同六个前提，那么一定程度上也可以接受 Bostrom 的观点，但更多的问题和争论也就此开始了……结合这几年不同行业、领域的疯狂反应，Cegłowski 特别指出了一点，也是我觉得最具洞察的一点：当下对人工智能的某种狂热就像一门新的宗教。他这样写道：
What it really is is a form of religion. People have called a belief in a technological Singularity the “nerd Apocalypse”, and it’s true.
It’s a clever hack, because instead of believing in God at the outset, you imagine yourself building an entity that is functionally identical with God. This way even committed atheists can rationalize their way into the comforts of faith.
The AI has all the attributes of God: it’s omnipotent, omniscient, and either benevolent (if you did your array bounds-checking right), or it is the Devil and you are at its mercy.
Like in any religion, there’s even a feeling of urgency. You have to act now! The fate of the world is in the balance!
And of course, they need money!
最后，让我们好好听听 Cegłowski 的这个精彩演讲吧：
本文选自第 31 期「I/O」会员通讯存档，原文发表于 2016 年 12 月 19 日。欢迎加入「I/O」会员服务获取最新内容，每周你还会收到三封专属会员邮件，包括独家的科技书评，科技新闻、趋势的独家解读以及别处看不到的文章、图书、视频推荐 。
如果流行文化能在某种程度上反映公众的态度，那么一个显而易见的事实是：人类非常恐惧智能机器。比如去年以来的一系列涉及到机器人、机器的电影，人类在其中的地位显得岌岌可危。类似的情况还出现在很多打着「经济学」名义的畅销书里，这些图书不管从什么角度切入，其最后的落脚地往往都是机器取代人类。
然而在 MIT Sloan 与美国众多企业家的对话中发现，这些企业家对于所谓机器取代人类的倡议（或者未来）并不感冒，对他们而言，企业的发展需要借助人类员工，尤其是知识型员工以及机器的通力合作。但现状是，各种公共媒体上充满了机器即将代替人类的不切实际的意淫与想象 ，几乎或者根本没有媒体围绕一个当下最急迫解决的问题：究竟哪些领域或职业会在技术的辅助下得到大幅增强[1]。
为了解决这个难题，MIT Sloan 提出了一个简单的分析框架，将现有的人工智能、认知科学等技术分成两个维度来思考——找出现有技术可以做和不能做的领域（如下图所示）。同时为了更便于探索，这个分析框架会把所有的智能技术、机器统称为「智能机器」，以此来思考机器智能面临的困境、挑战以及创新者接下来需要努力的方向。
围绕这张图，我们首先来看看所谓「智能」的四个阶段。
总体上看，机器智能的水准正在不断提升，过去，计算机可能处理高度结构化的数据，而现在，计算机对不同数据类型都有很好的兼容甚至「适应」能力。
阶段1：人类支持
数十年来，人类对于计算机智能的追求都建立在一个假设之上：计算机可以辅助人类决策。因为人类在决策方面天然缺乏理性、不稳定。但到目前为止，这个阶段还无法完全实现，更多时候，包括 IBM Watson 在内的认知产品，都是为人类工作者提供决策建议，最终由人类完成决策。
阶段2：重复性的自动化任务
较上一阶段而言，这个阶段的机器可以在某些特定场合做出「决策」。机器自动化的决策方式最近几年发展迅速，并在某些领域，如保险销售与股票交易方面取得很不错的成绩。但这些领域都有一些共同的特点，比如确定的交易规则或算法，所以人类只需要提前写好算法，然后监控算法执行就可以了。
阶段3：情景感知和学习
目前复杂的认知技术能在某种程度实现对于复杂情景的实时感知。随着人类社会对于互联网、物联网的依赖性增强，数据也在源源不断地产生，海量数据的实时处理要求变得非常急迫，企业需要从这些数据中发现客户的潜在需求，比如大量互联网公司，不仅包括电商，甚至很多内容网站，也会根据用户的浏览习惯来形成推荐机制，为了更精确地推荐内容，还需要包括用户位置、时间以及用户其他行为记录作为辅助信息。
目前认知计算的一个特点就是其拥有学习的能力。这种学习过程绝大多数是利用对实时数据、用户反馈的持续分析。这种可学习的系统对于类似股票交易的决策非常有帮助，能够不断提升决策的准确度。
阶段4：自我意识
截止到现在，2016 年年末，拥有自我意识的机器有且仅存在于科幻小说中。如果计算机具有自我意识，计算机需要像人类或超越人类智能水准，才能够应对纷繁复杂的现实生活环境。即便是最乐观的专家也认为，出现能够具有自我意识的机器，至少还需要 30 到 40 年。
观察机器处理任务的智能程度，一定程度上可以根据机器都能处理哪些任务，比如有些任务实际上是由文本、数字或图片组成，这些要素不过是数字世界的基本要素，而另一些任务则包括数字世界和物理世界的多个要素。
分析数字
事实上，如果要追根溯源，认知技术来自于计算机在处理结构化数据[2]方面的超强能力。过去很长时间内，计算机都通过对数字的分析来支持人类决策。如今，越来越多的公司将数字分析技术嵌入到公司运营体系或流程中，从而实现重复性自动化决策，这也使得该技术兼具了处理速度和处理规模。尤其是机器学习开始大规模使用后，改变了过去人为设计处理数字模型的方法，机器可以实现自动化生成分析模型。
分析文字和图片
人类智能中的一个关键部分是可以读懂文字和图片里信息，同时能思考其背后的含义。但现在，一系列你可能「耳熟能详」的技术，比如机器学习、自然语言处理、神经网络、深度学习等等，已经具备了分类、解释和生成文字的能力，其中的一些技术还可以分析和识别图片。
早期的智能程序，通过分析文字、图片以及语音，能够让人类和计算机实现浅层次的交流。这些技术发展到今天，已经越来越多地出现在我们的智能手机上，智能手机能够理解人类语音和文字，还可以识别图片，尽管在某些方面不太完美，但至少，已经非常广泛地应用到我们日常生活中。
有三种大规模文字、图片处理的需求。其一，多种语言的翻译；其二，像人类一样回答问题；其三，从大量文本中获取有效信息或者生产新的文本信息。
图像识别和分类并非什么新概念。基于对几何进行匹配的「机器视觉」技术已经使用了很多年。现在，图像识别延伸到互联网上海量图片的分类和识别，尤其是人脸识别。要应对这些需求，现在的公司们则借助机器学习和神经网络来识别图片。更重要的一点在于，这些系统能够通过学习应对海量图片处理需求，事实上，机器「吃」越多的数据，其决策的准确性越高。
执行数字化任务
认知技术最近几年发展的一个方向是实现行政工作和决策的自动化过程。为了实现自动化，需要两个技术能力。首先，你需要能够按照业务规定来描述完成这些工作需要的逻辑；其次，你需要可以一步一步完成这些工作的技术。过去几十年内，自动化决策工具的应用场景非常广泛，从保险政策审批到信息技术运维以及高频交易等等。
最近，科技公司开始使用「自动控制流程自动化」，这项技术基于工作流和业务规则，通过接入公司里的多个信息渠道来实现，这与普通人类用户的做法很相似。自动控制流程技术广泛应用在银行（比如帮助客户替换丢失的银行卡服务，能够极大地省去人力客服）、保险行业、IT业（如监控系统错误信息、修复某些简单错误）和供应链管理（比如订单处理和回应客户、供应商的日常需求）等领域。
流程自动化的好处显而易见。2015 年 4 月份 的一个案例中，英国第二大移动运营商 Telefónica O2 发现，在该公司将 160 个业务流程软件化、自动化之后，其未来三年在这些领域的投资回报率将达到 650%——800%。
处理物理任务
我们一般将能够处理物理任务的计算机称之为机器人（Rebot），根据英文韦氏词典的解释，所谓 robot：
a machine that can do the work of a person and that works automatically or is controlled by a computer.
2014 年，全球范围内有 22 万台机器人上台，大约三分之一集中在汽车制造行业。不过，机器人短期内还无法真正满足需求。2011 年的时候，富士康曾信誓旦旦地表示，要在三年之内通过一百万机器人替代人类工人，但很快富士康就发现，让机器人代替人类制造手机真不是一件轻松的事情。到了 2015 年，当富士康开始代工新一代 iPhone 的时候，该公司招聘了超过 10 万人类工人，并配备了 10 万台新机器人。
过去很长一段时间内，那些可以替代人类的机器人都是通过编程，从而能够高效完成大量重复性的工作。同时，出于安全的考虑，机器人工人往往也和人类工人分开工作。但现在，一种新型的机器人，也就是所谓「协作型机器人」正在出现在工作场所，这种机器人可以和人类协同工作。
在看完本季前六集《黑镜》后我曾这样感叹：如何处理人与机器的关系会成为接下来很长一段时间内的重要课题。而第一步则是正确认识机器或者智能机器或者人工智能当下的处境，过去一年，我们听到太多关于人工智能如何如何的耸人听闻的报道，但真实的一面往往平淡无奇，正如上文所言，机器在某些层面的确超越了人类，但在绝大多数场景下，尤其是需要情感、意识加入其中的场景中，人类终究还是胜者。
然而不可否认的一个事实，当机器继续进化的同时，人类进化几乎已经停止…..
2016 年对人工智能行业来说是个颇有特殊意义的一年。这是人工智能的第一个甲子之年，这一年，历经起伏的人工智能再次成为媒体热议的焦点，从投资人、创业者到行业巨头，每一场会议的 PPT 上都写着「人工智能」、「AI」的字眼，以人工智能为修饰词的企业、产品，一次次登上媒体头条；这一年，Google 用 AlphaGo 成功塑造了人工智能即将超越人类的假象，而披着人工智能外衣的《西部世界》又让公众产生了无尽的恐慌；这一年，人工智能市场继续呈现「大鱼吃小鱼」的基本规律，巨头野蛮地收割创业公司并继续在各大科研院校挖人，李飞飞加盟 Google 成为整个业界关注的焦点。这一年，人工智能突然间成为众多公司，包括英特尔、百度、英伟达翻身的救民稻草……
然而同样是在这一年，我们失去马文·明斯基，见证了人工智能从无到有，从高峰到万丈深渊，从一次次跌落到一次次重新崛起的每一个过程……
尽管吴恩达日前在 MIT Technology Review 的访谈中明确表示，与前两次不同，这一次人工智能的驱动力量非常强劲，AI的冬天不会再次来临。但事实上，人工智能行业的泡沫依然不容忽视，类似的话题我曾在第 11 期会员通讯中做过深度分析，同时我还专门整理了一份了解人工智能行业的资源库，而在这周的会员通讯里，我将梳理上一次「人工智能寒冬」时的景象。
我曾多次推荐过约翰·马尔科夫的《与机器人共舞》，在这本书里，有一个篇章专门介绍了上世纪八十年代的人工智能寒冬，以下文字摘录自《与机器人共舞》，有删减。
在20世纪七八十年代，人工智能的魅力吸引来了一代杰出的工程师，不过它最终还是难免让人失望。人工智能一旦未能兑现承诺，这些工程师中有不少人就转向了对立的智能增强的阵营。
谢尔顿·布雷纳（Sheldon Breiner）出生于美国圣路易斯一个犹太中产阶级家庭，很小的时候，他便对自己接触到的一切感到好奇。20世纪50年代，他选择到斯坦福大学读书，一部分原因也是为了离自家的面包店尽可能远。他想看看这个世界，他在高中时便意识到，如果自己选择留在圣路易斯，那么父亲很可能会强迫他接管家族生意。
毕业之后，布雷纳到欧洲旅行了一段时间，然后又服了一阵兵役，再后来回到斯坦福大学成了一名地球物理学家。他很早就开始痴迷于「磁力可能会造成或预测地震」这一想法。1962年，他加入Varian Associates，这是硅谷发展早期一家主营磁力仪的公司。他的任务是为这些能够检测到地球磁场微小变化的设备找到新的用途。Varian和布雷纳的360度智能算得上绝配，这些高灵敏度的磁力仪第一次变成了便携式设备，从勘探原油到机场安检，将有大量市场成为这一技术的新秀场。
几年后，布雷纳会成为高科技行业的印第安纳·琼斯（Indiana Jones），用这项技术探索考古现场。在布雷纳手中，Varian磁力仪能够发现雪崩遇难者、被埋藏的宝藏、失踪的核潜艇甚至被淹没的城市。早些时候，他在斯坦福大学附近的一片场地进行了野外试验，在那里，他对距地球表面402公里、1.4万吨当量的核爆炸产生的电磁脉冲（EMP）进行了测量。这种代号为「Starfish Prime」的分类测试，让人们对核爆炸、对地球上的电子产品的影响有了新的认识。
…..
最终，布雷纳能够证明断层的磁场变化与地震存在关联，但这些数据被地磁活动蒙上了阴影，这导致他的假说并没能获得广泛认可。不过缺乏科学的确定性并没有让他打退堂鼓。在Varian时，布雷纳的工作是为磁力仪找到更多的商业应用机会，1969年，他和Varian的5个同事一起创建了一家名为Geometrics的公司，这家公司使用机载磁力计来勘探石油矿藏。
7年之后，布雷纳将石油勘探公司卖给了EG&G。又过了7年，他在1983年选择离开。在这一时期，由约翰·麦卡锡的斯坦福大学人工智能实验室率先推出的人工智能技术，以及费根鲍姆和莱德伯格所做的捕捉与存储人类专业知识的工作，开始逐渐泄露到硅谷周围的环境之中。1985年7月，美国《商业周刊》的封面故事是《人工智能——就在这里！》（Artificial Intelligence—It’s Here！）；两个月之后，在CBS的晚间新闻中，丹·拉瑟（Dan Rather）大篇幅报道了斯坦福研究所用于寻找矿藏的专家系统的研发工作。在这种热情的影响下，布雷纳也成为一波以技术为导向的企业家中的一员，他们开始相信这一领域已经足够成熟，可以进行商业化。
1977年，Dendral的早期工作引发了无数类似系统的诞生。斯坦福大学的另一个项目Mycin同样采用了基于「if then」逻辑的「推理引擎」（inference engine），以及一个包含了约600项规则的「知识库」，它的任务是推理血液感染。20世纪70年代，匹兹堡也开展了一个名为「内科医生-I」（Internist-I）的计划，这也是针对解决疾病诊断和治疗难题的早期努力。1977年，斯坦福研究所的人工智能研究员彼得·哈特和理查德·杜达（Richard Duda）开发了Prospector，用于探测矿藏，这一工作后来获得了CBS的热切关注。1982年，日本宣布了自己的第五代计算机项目，将注意力高度集中在人工智能领域上并掀起了一场竞争热潮，这最终带来了一个新市场，这个领域里刚刚从学校毕业的博士生就能获得3万美元的年薪。
魔鬼已经跑出了瓶子。开发专家系统已经形成一个叫作「知识工程」的新学科。它提倡的是，你可以将科学家、工程师或经理人的专业知识打包汇总，并将它应用到企业数据中。计算机将有效地成为权威。虽然采纳了技术可以增强人类的原则，但在20世纪80年代，软件企业在向企业推销产品时，给出的仍然是节约成本的承诺。作为一种生产力工具，这些软件的目的要尽可能规避替代工人的说辞。
布雷纳仔细思考着各种各样的行业，努力筛选着最容易将人类专家的知识打包的行业，很快，他将目光对准了商业贷款和保险承保。当时，世界还没有充斥着针对自动化的警告，他也没有发现关于这些内容的问题。计算机世界正逐渐分化为越来越廉价的个人电脑以及更加昂贵的「工作站」——一般是包含计算机辅助设计应用的机器。两家从麻省理工学院人工智能实验室走出的公司——Symbolics和Lisp Machines，将重点放在了使用采用Lisp编程语言（专为人工智能应用设计）的专业计算机上。
布雷纳创办了自己的公司Syntelligence。后来，这家公司与Teknowledge和Intellicorp并肩成为20世纪80年代硅谷最出名的三大人工智能公司。他四处网罗人工智能专家，并从斯坦福研究所挖来了哈特和杜达。这家公司创造了自己的编程语言Syntel，并将它用在公司软件工程师使用的一种先进的工作站上。Syntelligence还针对IBM个人电脑开发了两款程序——「承保顾问」（Underwriting Advisor）和「贷款顾问」（Lending Advisor）。布雷纳对公司的定义是信息工具提供商，而不是人工智能软件开发商。
在推广这两种贷款和保险软件的时候，布雷纳表示，它们将帮助客户持续、大幅度地节约成本。自动化运用人类专业知识的想法足够引人入胜，这为他从银行和保险公司手中争取到了大量的前期订单，并从风险投资公司处获得了赞助。美国国际集团（AIG）、圣保罗（St.Paul）、消防员基金会（Fireman’s Fund）、富国银行（Wells Fargo）和美联银行（Wachovia）向这款软件投资了600万美元。在大约5年的时间里，布雷纳的公司一直投身于这一项目的研发，最终公司员工人数破百，年营收达1 000万美元。
可问题在于，对布雷纳的投资者来说，这样的发展速度还是不够快。1983年定下的5年计划是，公司年营收超过5 000万美元。由于人工智能软件的商业市场未能达到足够快的增长速度，布雷纳在公司内部也陷入挣扎，他难以满足风险资本家、董事会成员皮埃尔·拉蒙德（Pierre Lamond）的要求——后者出身半导体行业，完全没有软件经验。最终，布雷纳在这场斗争中败北，拉蒙德从别的公司请来了新的经理，这家公司的总部也迁到了得克萨斯州——新经理的家乡。
Syntelligence公司遭遇的正是那场「人工智能的冬天」。20世纪80年代初，人工智能公司一家接一家地走向崩溃，有的是因为资金问题，有些则是因为回归实验研究或重新变回了咨询公司。市场上的失败成了人工智能发展中的一个经久不衰的故事，从炒作到失败反复循环，紧随每次太过野心勃勃的科学断言而来的总是绩效和市场的双重失望。那一代深深沉浸在20世纪60年代技术乐天派人工智能文献中的信徒们，是这场崩溃的早期隐患。从那时开始，同样的繁荣和萧条周期持续了几十年，尽管在此期间人工智能实现了进步。如今，这一周期很可能再次转回原点。在一些人眼中，新一波人工智能技术预示着新「思维机器」（thinking machine）的出现。
在欧洲，人工智能的第一个冬天实际上早到了10年。1973年，英国一位应用数学家迈克尔·詹姆斯·莱特希尔爵士（Sir Michael James Lighthill）领导的一项研究严厉苛责人工智能领域没有兑现承诺、实现预测，例如，早期的斯坦福大学人工智能实验室预测人工智能将在10年后发挥作用。据莱特希尔称，虽然「人工智能的一般调查」（Artificial Intelligence：A General Survey）对美国的影响不大，但它却导致英国的研究资金缩减，研究人员四散。BBC专门以「人工智能的未来」为主题安排了一次电视辩论，莱特希尔批评的对象因此获得了一个作出回应的机会。约翰·麦卡锡乘飞机去参加这次活动，但他却无法为自己的领域作出令人信服的辩护。
10年后，人工智能的第二个冬天在美国降临（1984年开始）。在离开前，布雷纳成功地将Syntelligence的销售额推到了1 000万美元。自1984年起，就已出现「非理性繁荣」的警告，当罗杰·尚克（Roger Shank）和马文·明斯基在一次技术会议上提出这个问题时，他们指出，正在出现的商用专家系统并没有包含任何重要的技术进步，相关研究从20年之前就已开始。1984年，对道格拉斯·恩格尔巴特和艾伦·凯的加强理念来说也是重要的一年。这一年，他们的想法渗透到了每位办公室员工的身边。随着Macintosh的发布，需要一次市场模拟来构建个人计算机的价值，史蒂夫·乔布斯选中了对PC最好的比喻：它是「我们思维的自行车」。
被排挤出自己创立的公司后，布雷纳继续开始自己的下一次探险——一家为苹果Macintosh设计软件的创业公司。从20世纪70年代开始直到80年代，许多硅谷最聪明、最耀眼的人都走过这样的道路。
从20世纪60年代开始，这一项目在麻省理工学院、斯坦福大学人工智能实验室和斯坦福研究所悄悄展开，并逐渐渗透到世界各地。最初，人类对机器人和人工智能技术的观点主要来自布拉格傀儡（Prague Golem）的传说、玛丽·雪莱（Mary Shelly）的《科学怪人》（Frankenstein）以及卡雷尔·恰佩克（KarelČapek）开创性的《罗素姆万能机器人》（Rossum’s Universal Robots），这些著作都提出了关于机器人对人类生活影响的一些基础问题。
然而，当美国计划将人类送上月球，一拨强调科技、总体持乐观主义的科幻小说也随之浮现，这些作品来自艾萨克·阿西莫夫（Issac Asimov）、罗伯特·海因莱因（Robert Heinlein）和亚瑟·克拉克（Arthur Clark）。在克拉克的小说《2001：太空漫游》中，肆意横行的感知计算机HAL不仅对流行文化造成了深刻影响，同时也改变了人们的生活。开始在宾夕法尼亚大学读计算机研究生之前，杰里·卡普兰就已经对自己有了打算。《2001：太空漫游》于1968年春天发布，那年夏天，卡普兰把这本书反反复复看了6次。他和自己的两个朋友反复地诵读它，其中一个朋友说：「我要拍电影。」后来他的确做到了，成了一位好莱坞导演。另一位朋友成了一名牙医，而卡普兰则走进了人工智能的世界。
「我要去创造那个东西。」卡普兰这样告诉自己的朋友，这里所指的「东西」便是HAL。与布雷纳相似，卡普兰也成了第一批试图将人工智能带向商业化的人，而在这一努力因为人工智能的冬天而搁浅的时候，他也选择转投智能增强技术…..
卡普兰选择离开斯坦福并加入了Teknowledge，这主要是因为卡普兰十分敬重的芝加哥大学物理学家、商学院教授李·赫克特（Lee Hecht）也选择加盟Teknowledge并担任CEO，管理起了由20个从斯坦福来的人工智能「难民」组成的Teknowledge突击部队。1982年，赫克特曾向《大众科学杂志》（Popular Science）表示：「我们的创始人创造了比其他人更多的专家系统。」Teknowledge在斯坦福园区附近大学路的尽头开设了一间店铺，不过很快，他们就搬到了帕洛阿尔托市中心一座更华丽的高层建筑中。在20世纪80年代初，这间办公室体现出了一种时尚的现代主义风格，主色调近乎黑色。
这家超一流的公司明确指出，新的人工智能项目售价并不会多便宜。专家系统中每一条规则都需要工作人员与专家进行长达一小时的交流，而一个可行的专家系统往往需要500条甚至更多的规则。一个完整系统的开发费用可能高达400万美元，不过与布雷纳相似，赫克特也相信，通过对人类专业知识进行整理和抽象化，随着时间的推移，企业能够节约大笔开销。
…..
（卡普兰）被邀请参加国王在旧金山波西米亚俱乐部（Bohemian Club）举办的晚宴。卡普兰应邀出席，并与一位美丽的瑞典女性相聊甚欢。他们聊了将近一个小时，卡普兰觉得她也许是王后，而事实上，她只是负责此次皇室与随行人员赴美之旅的瑞典航空公司的一名空姐。其实，这次邂逅的两位主角都犯了一样的错误，在卡普兰觉得面前的女人可能是瑞典王后的同时，这位空姐也以为他就是史蒂夫·乔布斯。这个故事有一个圆满的结局，那次见面后两人开启了8年的恋情。
Teknowledge就没有这样的好运气了。这家公司患上了「房间里最聪明的人」（The Smartest Guys in the Room）综合征。凭借由全球顶尖的人工智能工程师组成的阵容，他们抓住了这一新领域的魔力，针对那些需要高昂咨询费用的业务，他们传授着自己的炼金术。然而，当时的人工智能只不过是把一堆「if-then-else」语句摆在一起，然后封装在一个要价过高的工作站中，并用当时并不常见的大型电脑显示屏，配以诱人的图形界面，呈现在人们的面前。事实上，比起所谓的「罐装」专业知识，它更像是满是烟雾弹的骗术。
卡普兰本人成了这家公司内部的「特洛伊木马」1981年，IBM PC为个人电脑带来了合法地位，并大幅度削减成本，同时扩大了计算的普及范围。道格拉斯·恩格尔巴特和艾伦·凯的智能增强基因几乎无处不在。计算可能被用来扩展或替代人类，成本的下降让软件工程师可以选取其中的任意一条路。这时，计算终于从企业数据中心那些悉心维护的玻璃墙后走向了企业的办公用品预算之中。
…..像布雷纳一样，他（卡普兰）迅速从一个人工智能忍者转变成恩格尔巴特智能增强世界中的一员。当时的个人电脑正在成为史上最强大的智慧工具。越来越明显的是，将人类设计在计算机系统之内或之外，实际上有着同样的可能性。
当人工智能在商业化的道路上步履蹒跚时，个人电脑和智能增强的发展却在突飞猛进。20世纪70年代末80年代初，个人计算机产业在美国爆发。几乎就在一夜之间，计算机能够成为家庭的梦幻放大机、办公室生产力工具的想法取代了将计算机视作政府企业的官方工具的看法。到1982年，个人计算机成为一种文化现象，《时代周刊》甚至将个人计算机作为「年度人物」印在了封面上。
这些设计师自己在人工智能与智能增强的选择中选择了后者。后来，卡普兰创建了Go公司，并设计了世界上第一个笔上计算机，这也预示了十几年之后iPhone和iPad的出现。就像1980年前后那个在人工智能的冬天选择转换阵营的谢尔顿·布雷纳一样，卡普兰在即将到来的后PC时代中也成了以人为核心的设计运动中的一员。