突破半导体技术瓶颈要过几道坎？

经过半个多世纪的发展，半导体已经长成为一个巨人，1美元半导体产品可以撬动100美元GDP。

上个月，美国两党参议院先后提出《为半导体生产建立有效激励措施》《美国晶圆代工业法案》，呼吁投入370亿美元以维护本土半导体战略竞争优势。

资本和研发投入对保持半导体行业的竞争力至关重要。而中国要想爬上这个巨人的肩膀，眼前要迈过的坎不只是钱和研发这么简单。

中科院半导体研究所研究员、半导体超晶格国家重点实验室副主任骆军委和中科院院士李树深曾花了10个月的时间进行调研，摸清了中国半导体科技发展的真实现状，以详实的数据和资料阐述了当下国内半导体科技面临的八大困境。

困境1：历史积累厚、技术更新快

2015年，作为全球手机芯片霸主的高通宣布进军服务器芯片市场，并正式对外展示了其首款服务器芯片，不到3年就遭遇重重挫折而退出；从2010年到2019年，英特尔在移动芯片努力了十年，但始终未能撼动高通的地位，最终先后放弃了移动处理器和手机基带芯片两大业务，告别了移动市场。

这两个例子告诉我们，即使是财大气粗的高通和英特尔，想要在半导体领域拓展新的市场，都是九死一生。半导体并不是有钱就能干的。

半导体产品的特点是性能为王、市场占有率为王。它一方面需要长期的历史积累，另一方面还要应对技术的快速更迭。

常有人把半导体研究与两弹一星作比较，认为中国人能做出两弹一星这样的尖端科技，半导体也理应如此。但人们忽视了，两弹一星技术一旦掌握，自我更新速度较慢。半导体是按照摩尔定律高速发展的，单位芯片晶体管数量每18个月增长一倍。

在半导体领域，落后一年都不行。一步慢，步步慢！

困境2：研发成本大、进入门槛极高

国际半导体大公司的平均研发投入长期保持在营业额的20%。2016年，研发支出大于10亿美元的全球半导体公司有13家，前十名的投入总计353.95亿美元，其中英特尔高达127亿美元，2019年增长为314亿美元。

困境3： 产业链条长，拥有最尖端的制造水平

在过去半个世纪里，以8个诺贝尔物理学奖12项发明为代表的研究成果奠定了半导体科技。要支撑半导体技术顶层应用，从材料、结构、器件到电路、架构、算法、软件，缺一不可。

从沙子到芯片，总共有6000多道工序，前5000道工序是从沙子到硅晶片。目前，中国12英寸硅晶片基本依赖进口，无法自主生产。

有了硅晶片之后，集成电路产线中的芯片制造又有300多道工序，其中100道与光刻机相关。光刻工艺是半导体制程中的核心工艺，也是尖端制造水平的代表。一套最先进的阿斯麦 EUV光刻机售价为1.2亿美元，并且是非卖品。

另外，半导体芯片制造涉及19种必须的材料，大多数材料具有极高的技术壁垒。日本在半导体材料领域长期保持着绝对的优势，硅晶圆、化合物半导体晶圆、光罩、光刻胶、靶材料等14种重要材料占了全球50%以上的份额。像光刻胶这样的材料，有效期仅为三个月，中国企业想囤货都不行。

中国的化学很强，化工却很弱。目前，国内芯片制造领域所有的化学材料、化工产品几乎全部依赖进口。

困境4：受到世界主要发达国家的技术限制

1美元半导体产品可以撬动100美元GDP，任何国家都想牢牢抓住这一产业。根据美国半导体工业协会的预测，增加1美元半导体科研经费，可以使GDP提高16.5美元，这样的投入很“划算”。

1986年，日本超越美国成为世界第一大半导体生产国，美国为了打压日本，一方面出台各种政策鼓励其国内企业研发制造，另一方面在1986年签订了《美日半导体协议》，限制日本半导体对美国的出口，同时要求日本必须进口20%的半导体产品，从而在1992年重新夺回世界第一大半导体生产国的地位。

如今，美国面对竞争者同样是步步紧逼。

2017年，白宫出台《确保美国在半导体行业长期领先地位》的报告，包括美国总统科技和政策办公室主任以及各大半导体企业、投资机构、咨询公司CEO和科研机构顶级专家组成的工作组，提出了一系列建议和措施。

其中就包括：建立新的机制，让企业的专家参与半导体政策和挑战；成倍增加政府投入半导体相关领域的研究经费；实施企业税收政策改革；实施包括通用量子计算机、全球天气预测网、实时生化恐怖袭击探测网等一些列“登月”挑战计划来促使半导体技术的创新。

尤其值得注意的是，报告还提到，要动用国家安全工具应对中国的企业政策；加强全球出口控制和内部投资安全（防止中国产生独有技术）。

困境5：人才短缺严重、学科发展不平衡

迄今为止，半导体领域的8个诺贝尔物理学奖12项发明绝大部分来自美国。美国半导体研发的特点是自下而上，从半导体物理、材料、结构、器件逐步上升到应用层面，专业设置和人才队伍非常完整。

中国则恰恰相反，是自上而下。优先关注应用层面，比如集成电路、人工智能，然后才开始局部往下延伸。它带来的根本问题是，投资和研发经费层层截留，越往底层的基础研究越拿不到经费，人才蓄水池很小，于是造成了严重的学科发展不平衡。

我们通过中美高校专业设置对比便可以清楚地看到这一深层问题。

1997年，教育部取消了半导体物理专业。在美国，材料与器件专业是整个半导体领域的核心专业，而我国甚至没有设置该专业。目前，国内只有少量研究组在从事半导体材料与器件相关研究。

再看高校人才培养数量的比较。

我国微电子专业的本科生、硕士生、博士生与美国电子工程专业的学生数量完全不在一个量级。值得注意的是，2015年，美国电子工程专业有52940名硕士生入学，拿到硕士学位的只有15763名，也就是说它淘汰了大量“低水平”学生。而在中国，入学人数本就少，淘汰也少。

总体来看，高校培养半导体学科人才的中美对比是1比6。美国经过半个多世纪的发展，已经积累起了上百万的半导体人才，而我们可以说是人才凋零，仅有的人才大部分集中在集成电路设计领域，真正能够从事半导体材料和器件研究的是稀缺品。

困境6：科研评价机制不利于半导体等核心技术的发展

半导体基础研究尤其独特的地方在于，半导体虽然离应用近，能支撑人类社会和国家安全，但是课题繁多、研究分散，设备依赖大、研究成本高、进入门槛极高，研发周期长，得坐上十年甚至二十年的冷板凳。以至于在中国很少有人愿意投身这个领域。

半导体研究还有一个隐蔽性。目前国内工业界普遍以为，不需要基础研究也能发展半导体产业，这是因为以铜替换铝、高K绝缘层、绝缘衬底SOI、应变硅技术、鳍式3D晶体管、环绕栅级晶体管等延续摩尔定律的重大发明为代表的大量基础研究成果，全部汇集在美国公司提供的EDA软件和工艺设计套件（PDK）里。然而，会设计根本不代表掌握了核心技术。一旦受到设备、软件、材料等封锁，就立刻陷入被动。

我们从来没有建立起独立的半导体专业体系，如今却有很多新兴学科声称与半导体相关，实际上无法支撑半导体基础研究。

在新型热门材料领域，研究论文可以在、及其子刊、AM（IF>25）发表，但在传统半导体领域，一台800万的必备研发设备MBE，一年的运行费用就高达150万，相应的论文产出也许只是每年一篇APL（IF=3.5）。

如果没有国家的引导、激励，任由科研人员做选择，结果是显而易见的。

困境7：研发投入不足、创新链条断裂

美国长期以来在半导体研发中投入了巨额资金。1978年，美国政府投入半导体研发经费是10亿美元，企业投入4亿美元，现在每年联邦政府投入17亿美元，而企业投入则高达400亿美元。

美国半导体企业协会（SIA）目前仍在积极游说政府加大半导体研发投入。它建议：联邦政府对半导体研发的资助将在未来五年内增加2倍达到51亿美元，联邦政府对半导体相关研究的资助将在未来五年内增加一倍达到86亿美元。如此，便可以增加1610亿美元的GDP，创造近50万个新就业岗位，加强美国半导体行业全球领导地位。

通过中美半导体研发投入的比较，差距十分显著。2015年，仅美国企业在半导体领域的研发投入（554亿美元）就超过了我国中央财政全部的科技研发支出（2899.2亿元，其中基础研究经费670.6亿元）。

以中国自然基金委的资助为例，其信息科学部2019年面上项目、青年科学基金项目、重点基金项目、优青基金项目中，半导体科学、光学和光电子学资助占比在2~4.6%之间，半导体总计投入5亿元左右，占整个基金委经费投入的2~3%。

由于国内半导体企业普遍比较弱小，因此研发支出也是捉襟见肘。

令人担忧的是，一直以来我国大型企业投入研发的意愿是非常薄弱的。据欧盟统计，2014年世界2500强企业，研发投入总计5385亿欧元，美国占比是36%，欧盟是30.1%，日本是15.9%，而我国企业只占3.7%。在2014年，中国有100家企业入围世界500强，研发投入占比应该达到20%。

目前，我国半导体研发投入不及美国的5%，这一现状背后还要谨防一个陷进。

美国政府在非国防研发的投入从上世纪60年代占GDP1.8%，下降到2008年的0.8%，2012年的0.7%。一方面，美国政府的大量半导体研发投入不在这一比例之内，另一方面，美国已经完成了从高校和科研机构到企业的研发转移，前者以前沿基础探索研究为主。因此，在我国企业研发还非常薄弱的阶段，就不能对照美国政府的科技支出进行分配。

困境8：缺乏知识产权保护

除了产品山寨，半导体行业离职创业进行同质化竞争的现象普遍存在，以至于谁都得不到利润，更没有机会向高端技术领域拓展。

有些大企业看重科研机构的研发技术，就通过招聘毕业生的方式“得到”技术。这种竭泽而渔的做法，无法反哺基础研究，实际上也阻碍了真正的成果转化。

上世纪，美国半导体物理研究占凝聚态研究50%以上的课题，美国物理学会期刊 B四个大类中一半是半导体方向，到了2019年则取消了半导体方向，半导体论文大幅削减，因为半导体研究已经十分成熟，该领域论文很难再获得较高的引用。

如果中国照样模仿，以为半导体基础研究不再重要，那就大错特错了。

我们在2019年以前，数理学部几十个研究方向中没有“半导体”三个字，2020年开始才把半导体基础物理纳入了聚凝态物理学部的14个方向之一。

中国要发展半导体，没有捷径可走。必须把历史的欠账还上，逆世界科技潮流，发展半导体基础研究。这需要各行各业的理解和支持，特别是学科设置、人才培养、经费投入和评价机制的改善。

能够支撑未来人工智能、量子计算、先进无线网络这些顶层应用的，是一个完整的半导体技术层级体系。我们只有夯实基础，掌握了半导体现有的技术体系，并在有潜力的环节奋起攻关，形成自己的技术突破，获得一定的技术话语权，才可能在国际竞争中有立足之地。

于此同时，我们可以投入一定比例为将来的技术做储备，但如果我们避重就轻，对准将来的技术和应用蜂拥而上，放弃成熟的技术体系而不顾，这是一种赌博，因为将来的技术通常要经历很多失败。

（本报记者胡珉琦根据骆军委在中科院半导体所“半语-益言”系列讲座中的报告《我国发展半导体科技所面临的困境》整理而成）

中国半导体产业鼻祖被迫远离科研十年，否则芯片也不会被美国卡住。细心的教授，北大是第一所开设半导体物理专业的大学，黄昆就是参与创建的人之一。

黄昆、杨振宁、张守廉被誉为西南联大物理系“三剑客”。杨振宁曾盛赞黄昆：黄昆堪称中国半导体行业的先驱。

苏联与中国决裂后，留在中国的科学家全部撤回。中国只能自力更生，而黄昆就是引领中国半导体行业前进的科学家群体之一。然而，黄昆生在中国的动荡岁月，十年浩劫之后，却被无罪指责，让中国的半导体产业被搁置，远远落后于其他国家。不然芯片也不会被美国卡住。

一次“意外”影响一生

黄昆出生在一个和谐自由、文化氛围浓厚的家庭。黄昆的父母都在银行工作，所以家庭物质条件也算不错。父母都是大学毕业生。黄昆很早就在父母的指导下开始读书和写作。

黄昆原本无意专注于科学领域。小学时他除了看小说、学简单的加减乘法外，几乎没学过其他知识。黄昆家族原本居住在北京，后移居上海。黄昆在上海读到五年级，随后全家搬回北京。随后，黄昆就读于燕京大学附属中学。在燕京大学附属中学读书期间，黄昆暂时寄宿在叔叔黄子潼家中。

在燕京大学附属中学读书时，叔叔的无心之言对黄昆影响很大。黄子彤看到黄昆下课后经常无所事事，就问他作业写完了没有。黄昆已经完成了老师布置的数学作业，所以他说作业完成了。黄子彤立即回复：“做完作业就可以了，数学课本上的题都要认真做。”黄昆听从了叔叔的教诲，从此他做完作业就会做课本练习。

此后黄昆的数学成绩直线上升，其他科目的成绩也紧随其后。黄昆的学习兴趣也变得更加浓厚。黄昆只在燕京大学附属中学学习了半年，但他一直保持着做练习题的习惯，而且黄昆很少看书本上的例题。他用自己的方法解决了问题，这也算是他以后科学研究的发展。独立思考的好习惯。

由于学习成绩优异，黄昆于1937年被保送到燕京大学。从此，黄昆正式学习物理学。

因战火熊熊，清华、北大、南开迁往云南后，组建了著名的西南联大。也是在西南联大期间，黄昆认识了杨振宁。当时，黄昆、杨振宁、张守廉是室友，三人经常因为一些物理问题争吵，脸红脖子粗。三位“物理系三剑客”的名字也由此而来。

黄昆的才华第一次显现是在1941年本科毕业后，当时他在西南联大担任助教。黄昆在西南联大担任助教和研究生。由于助教岗位不多，黄昆更多地从事研究和学习。黄昆最终凭借三篇优秀论文《锂原子能态的函数变分计算》、《纳之负离子吸收光谱》、《日冕光谱线的激起》获得了硕士学位。

有所作为

黄昆研究的第一个高峰是在英国留学期间达到的。

1944年，黄昆作为“庚子赔款”公费学生赴英国布里斯托大学学习。读完英国物理学家莫特的研究文章后，他对莫特非常敬佩。进入英国大学后，他跟随莫特学习固体物理。他是二战后莫特的第一位博士生。

在英国仅仅几个月，黄昆就提出了杂质和缺陷的X射线散射理论模型——“黄散射”。黄昆博士毕业后，在爱丁堡大学工作。这期间，黄昆一边做研究一边写下《晶格动力学》。世界著名的“黄色方程”、“声子偏振”和“黄-里斯理论”都是在爱丁堡工作期间提出的。

英国取得的科学成就让黄昆名声大噪。他在英国有很多机会和财富，但像一位爱国科学家一样，黄昆曾在给杨振宁的信中说：“中国有我们，没有我们，都有所不同”，拯救国家是使命，黄昆没有大言不惭，就默默出发回国了。

1951年黄昆回国，后在北京大学教授物理。当时，我国固体物理和半导体物理的教学是空白。最早提出开设此类课程的是黄昆，并与该校其他几位物理教授一起创办了第一个半导体物理专业。

黄昆在北大任职期间一直致力于教学，希望带领一批科技人才。事实上，黄昆在教学上的成就并不亚于他在英国的研究成就。他撰写的《固体物理学》以及与谢希德合着的《半导体物理学》在该领域具有非常重要的地位。黄昆的学生除了在固体物理、半导体物理领域取得巨大成就外，还参与了“两弹一星”的研究工作，可以说是桃李满天下。

虽然黄昆在北大呆了几十年，很少有空闲时间进行科学研究，但他认为教学本身就是科学研究，为祖国培养人才比单纯做研究更有意义。

灾难过后

除了在北京大学，黄昆回国后还曾在中科院半导体研究所工作。当时苏联撤走了所有专家，黄昆、谢希德、王受武等一批科学人才撑起了天空。当时，中国的半导体技术与美国、日本相当。

但十年浩劫却让中国在半导体领域的进步放缓了。一批曾经带领中国半导体产业在世界站稳脚跟的科学家受到诟病，黄昆也被卷入了这场浩劫。

离开中科院半导体研究所多年，直到1977年浩劫之后，黄昆才被邓公邀请回到中科院半导体研究所，并任命为中科院半导体研究所所长。作为导演。黄昆已经年近60岁了，但他相信自己会继续为祖国而奋斗。20世纪80、90年代，黄昆提出了一项惊天动地的成就——“黄朱模式”。

黄昆认为，如果30年不做研究，“技术已经生锈了”，他就不可能再做出新的成就了。但正如德国固态物理学专家卡多纳所描述的那样：“他就像一只浴火重生的现代凤凰，也被誉为世界顶尖的固态物理学家。”

AI产业互联网

4月26日

第一阶段：人工智能的诞生「1943 –1956」

1943年

图灵被称为计算机科学之父，也是人工智能科学之父。二战期间，他的团队在1943年研制成功了被叫做“巨人”的机器，用于破解德军的密码电报，这一贡献让二战提前2年结束，挽救了数千万人的生命

1946年

1946年，全球第一台通用计算机ENIAC诞生。它最初是为美军作战研制，每秒能完成5000次加法，400次乘法等运算。ENIAC为人工智能的研究提供了物质基础

1950年

1950年，一位名叫马文·明斯基(后被人称为“人工智能之父”)的大四学生与他的同学邓恩·埃德蒙，建造了世界上第一台神经网络计算机。这也被看做是人工智能的一个起点！

1950年，艾伦图灵提出“图灵测试”。如果电脑能在5分钟内回答由人类测试者提出的一些列问题，且其超过30%的回答让测试者误认为是人类所答，则通过测试。这边论文语言了创造出具有真正智能的机器的可能性。

1956年

1956年，计算机专家约翰·麦卡锡提出“人工智能”一词。这被人们看做是人工智能正式诞生的标志。麦卡锡与明斯基两人共同创建了世界上第一座人工智能实验室——MIT AI LAB实验室

第二阶段：人工智能黄金年代「1956 – 1974」

1958年

成立于1958年的国防高级研究计划署对人工智能领域进行了数百万的投资，让计算机科学家们自由的探索人工智能技术新领域！

约翰麦卡锡开发了LISP语音，成为以后几十年来人工智能领域最主要的编程语言！

1959年

1959年，首台工业机器人诞生。美国发明家乔治德沃尔与约瑟夫英格伯格发明了首台工业机器人，该机器人借助计算机读取示教存储程序和信息，发出指令控制一台多自由度的机械。它对外界环境没有感知

1959年，计算机游戏先驱亚瑟塞缪尔在IBM的首台商用计算机IBM 701上编写了西洋跳棋程序，这个程序顺利战胜了当时的西洋棋大师罗伯特尼赖。

1964年

1964年，首台聊天机器人诞生。美国麻省理工学院AI实验室的约瑟夫魏岑鲍姆教授开发了ELIZA聊天机器人，实现了计算机与人通过文本来交流。这是人工智能研究的一个重要方面。不过，它只是用符合语法的方式将问题复述一遍。

1965年

1965年，专家系统首次亮相。美国科学家爱德华费根鲍姆等研制出化学分析专家系统程序。它能够分析实验数据来判断未知化合物的分子结构。

1968年

1968年，首台人工智能机器人诞生。美国斯坦福研究所（SRI）研发的机器人，能够自主感知、分析环境、规划行为并执行任务，可以柑橘人的指令发现并抓取积木。这种机器人拥有类似人的感觉，如触觉、听觉等。

1970年

1970年，能够分析语义、理解语言的系统诞生。美国斯坦福大学计算机教授T·维诺格拉德开发的人机对话系统，能分析指令，比如理解语义、解释不明确的句子、并通过虚拟方块操作来完成任务。由于它能够正确理解语言，被视为人工智能研究的一次巨大成功。

第三阶段：人工智能第一次低谷「1974 – 1980」

1973年

1973年，著名数学拉特希尔家向英国政府提交了一份关于人工智能的研究报告，对当时的机器人技术、语言处理技术和图像识别技术进行了严厉的批评，尖锐的指出人工智能那些看上去宏伟的目标根本无法实现，研究已经完全失败。此后，科学界对人工智能进行了一轮深入的拷问，使AI的遭受到严厉的批评和对其实际价值的质疑。

1976年

1976年，专家系统广泛使用。美国斯坦福大学肖特里夫等人发布的医疗咨询系统MYCIN，可用于对传染性血液病患诊断。这一时期还陆续研制出了用于生产制造、财务会计、金融等个领域的专家系统

1980年

1980年，专家系统商业化。美国卡耐基梅隆大学为DEC公司制造出XCON专家系统，帮助DEC公司每年节约4000万美元左右的费用，特别是在决策方面能提供有价值的内容。

1980年

70年代末，人工智能进入低谷期。科研人员低估了人工智能的难度，美国国防高级研究计划署的合作计划失败，还让大家对人工智能的前景望而兴叹。主要技术瓶颈：计算机性能不足；处理复杂问题的能力不足；数据量严重缺失。

第四阶段：人工智能的繁荣期「1980 – 1987」

1980年

80年代，卡内基梅隆大学为数字设备公司设计了一套名为XCON的“专家系统”。它具有完整专业知识和经验的计算机智能系统。在1986年之前能为公司每年节省下来超过四千美元经费！

在80年代，一类名为“专家系统”的AI程序开始为全世界的公司所采纳，而“知识处理”成为了主流AI研究的焦点。日本政府在同一年代积极投资AI以促进其第五代计算机工程。80年代早期另一个令人振奋的事件是John 和David 使联结主义重获新生。AI再一次获得了成功。

1981年

1981年，日本经济产业省拨款八亿五千万美元支持第五代计算机项目。其目标是造出能够与人对话，翻译语言，解释图像，并且像人一样推理的机器。令“芜杂派”不满的是，他们选用作为该项目的主要编程语言。

其他国家纷纷作出响应。英国开始了耗资三亿五千万英镑的Alvey工程。美国一个企业协会组织了MCC（ and ，微电子与计算机技术集团），向AI和信息技术的大规模项目提供资助。DARPA也行动起来，组织了战略计算促进会（ ），其1988年向AI的投资是1984年的三倍。

1982年

1982年，物理学家John 证明一种新型的神经网络（现被称为“网络”）能够用一种全新的方式学习和处理信息。大约在同时（早于Paul ），David 推广了“反传法（en:）”，一种神经网络训练方法。这些发现使1970年以来一直遭人遗弃的联结主义重获新生。

1984年

1984年，大百科全书（Cyc）项目。Cyc项目试图将人类拥有的所有一般性知识都输入计算机，建立一个巨型数据库，并在此基础上实现知识推理，它的目标是让人工智能的应用能够以类似人类推理的方式工作，成为人工智能领域的一个全新研发方向。

1986年

一个四节点的网络.

1986年由和心理学家James 主编的两卷本论文集“分布式并行处理”问世，这一新领域从此得到了统一和促进。90年代神经网络获得了商业上的成功，它们被应用于光字符识别和语音识别软件。

1987年

1987年，苹果和IBM公司生产的台式机性超过了等厂商生产的通用计算机。从此，专家系统风光不再。80年代末，美国国防先进研究项目局高层认为人工智能并不是“下一个浪潮”。

至此，人工智能再一次成为浩瀚太平洋中那一抹夕阳红

第五阶段：人工智能第二次低谷「1987 – 1993」

1987年

80年代中商业机构对AI的追捧与冷落符合经济泡沫的经典模式，泡沫的破裂也在政府机构和投资者对AI的观察之中。尽管遇到各种批评，这一领域仍在不断前进。来自机器人学这一相关研究领域的

和Hans 提出了一种全新的人工智能方案

变天的最早征兆是1987年AI硬件市场需求的突然下跌。Apple和IBM生产的台式机性能不断提升，到1987年时其性能已经超过了和其他厂家生产的昂贵的Lisp机。老产品失去了存在的理由：一夜之间这个价值五亿美元的产业土崩瓦解。

1989年

到了80年代晚期，战略计算促进会大幅削减对AI的资助。DARPA的新任领导认为AI并非“下一个浪潮”，拨款将倾向于那些看起来更容易出成果的项目。

1990年

在发表于1990年的论文“大象不玩象棋（ Don’t Play Chess）”中，机器人研究者 提出了“物理符号系统假设”，认为符号是可有可无的，因为“这个世界就是描述它自己最好的模型。它总是最新的。它总是包括了需要研究的所有细节。诀窍在于正确地，足够频繁地感知它。” 在80年代和90年代也有许多认知科学家反对基于符号处理的智能模型，认为身体是推理的必要条件，这一理论被称为“具身的心灵/理性/ 认知”论题。

1991年

1991年人们发现十年前日本人宏伟的“第五代工程”并没有实现。事实上其中一些目标，比如“与人展开交谈”，直到2010年也没有实现。与其他AI项目一样，期望比真正可能实现的要高得多。

1993年

人们开始对于专家系统和人工智能的信任都产生了危机，一股强烈的声音开始对当前人工智能发展方向提出质疑，他们认为使用人类设定的规则进行编程，这种自上而下的方法是错误的。大象不玩象棋，但大象可以从现实中学会识别环境并作出判断，人工智能技术也应该拥有身体感知能力，从下而上才能实现真正的智能。这种观点是超前的，但也推动了后续神经网络技术的壮大和发展

第六阶段：人工智能的平稳过渡「1993-2011」

1995年

1995年，理查德华莱士收到60年代聊天程序ELIZA的启发，开发了新的聊天机器人程序Alice，它能够利用互联网不断增加自身的数据集，优化内容。

虽然Alice也并不能真的通过图灵测试，但它的设计思想影响深远，2013年奥斯卡获奖影片《her（她）》就是以Alice为原型创作的。

1997年

1997年，“深蓝”战胜国际象棋世界冠军。IBM公司的国际象棋电脑深蓝战胜了国际象棋世界冠军卡斯帕罗夫。它的运算速度为每秒2亿步棋，并存有70万份大师对战的棋局数据，可搜寻并估计随后的12步棋！

1997年，两位德国科学霍克赖特和施米德赫伯 提出了长期短期记忆（LSTM） 这是一种今天仍用于手写识别和语音识别的递归神经网络，对后来人工智能的研究有着深远影响。

1998年

1998年，美国公司创造了第一个宠物机器人Furby。

而热衷于机器人技术的日本，2000年，本田公司发布了机器人产品ASIMO，经过十多年的升级改进，目前已经是全世界最先进的机器人之一。

2001年

2001年，由斯皮尔伯格导演的电影《AI》上映，影片描述了未来人与机器人共生世界的种种悖论，人工智能一度引发社会关注，但关于技术的主题很快就被淡忘，数年后的观众只记得关于人性、关于爱与被爱的悲情故事。

2002年

2002年，美国先进的机器人技术公司面向市场推出了扫地机器人，大获成功。至今仍然是扫地机器最好品牌之一

2004年

2004年，美国神经科学家杰夫·霍金斯出版了《人工智能的未来》一书，深入讨论了全新的大脑记忆预测理论，指出了依照此理论如何去建造真正的智能机器，这本书对后来神经科学的深入研究产生了深刻的影响。

2006年

2006年，杰弗里辛顿出版了《 of 》奠定了后来神经网络的全新的架构，至今仍然是人工智能深度学习的核心技术。

2007年

2007年，在斯坦福任教的华裔科学家李飞飞，发起创建了项目。

为了向人工智能研究机构提供足够数量可靠地图像资料，号召民众上传图像并标注图像内容。

目前已经包含了1400万张图片数据，超过2万个类别。

2010年

自2010年开始，每年举行大规模视觉识别挑战赛，全球开发者和研究机构都会参与贡献最好的人工智能图像识别算法进行评比。尤其是2012年由多伦多大学在挑战赛上设计的深度卷积神经网络算法，被业内认为是深度学习革命的开始。

2011年

2011年，参加智力问答节目。IBM开发的人工智能程序“沃森”（）参加了一档智力问答节目并战胜了两位人类冠军。沃森存储了2亿页数据，能够将于问题相关的关键词从看似相关的答案中抽取出来。这一人工智能程序已被IBM广泛应用于医疗诊断领域。

第七阶段：人工智能的ABC新时代「2012-至今」

2012年

华裔科学家吴恩达及其团队在2009年开始研究使用图形处理器（GPU而不是CPU）进行大规模无监督式机器学习工作，尝试让人工智能程序完全自主的识别图形中的内容。

2012年，吴恩达取得了惊人的成就，向世人展示了一个超强的神经网络，它能够在自主观看数千万张图片之后，识别那些包含有小猫的图像内容。这是历史上在没有人工干预下，机器自主强化学习的里程碑式事件。

2014年

2009年，谷歌开始秘密测试无人驾驶汽车技术；至2014年，谷歌就成为第一个在通过美国州自驾车测试的公司

2016-2017年

2016~2017年，战胜围棋冠军。是由 开发的人工智能围棋程序，具有自我学习能力。它能够搜集大量围棋对弈数据和名人棋谱，学习并模仿人类下棋。已进军医疗保健等领域。

2017年，深度学习大热。（第四代）在无任何数据输入的情况下，开始自学围棋3天后便以100:0横扫了第二版本的“旧狗”，学习40天后又战胜了在人类高手看来不可企及的第三个版本“大师

2018年

2010年亚马逊公司就开始研发语音控制的智能音箱，2014年正式发布了产品Echo，这是一款可以通过语音控制家庭电器和提供资讯信息的音箱产品。

随后谷歌、苹果都推出类似产品，国内厂商如阿里、小米、百度、腾讯等也都纷纷效仿，一时间智能音箱产品遍地开花，都试图抢占用户家庭客厅的入口。

智能音箱的背后技术是语音助手，而目前最强技术都掌握在微软、谷歌、亚马逊、苹果和三星等几个巨头手中。

目前来看，常规语音识别技术已经比较成熟，发音技术有待完善。而真正的语义理解技术还都处于比较初级的阶段，对于松散自由的口语表述，语音助手往往无法获得重点，更无法正确回答。

2018年，谷歌发布了语音助手的升级版演示，展示了语音助手自动电话呼叫并完成主人任务的场景。其中包含了多轮对话、语音全双工等新技术，这可能预示着新一轮自然语言处理和语义理解技术的到来。

2008以后，随着移动互联网技术、云计算技术的爆发，积累了历史上超乎想象的数据量，这为人工智能的后续发展提供了足够的素材和动力。

AI人工智能，Big data大数据，Cloud云计算，以及正在深入展开的IoT物联网技术，共同构成了21世纪第二个十年的技术主旋律。