AI寒冬是指人工智能领域的资金、兴趣和研究活动减少的时期，此前该技术曾经历一波过度膨胀的期望，而当时的技术未能满足这些期望。这一术语类比“核冬天”而来，描述了自1956年达特茅斯研讨会该领域创立以来反复出现的繁荣-萧条周期。历史学家通常将AI寒冬划分为两次主要时期：一次在1970年代中期，另一次在1980年代末至1990年代初，此外还发生过一些规模较小的区域性衰退。
每次寒冬都遵循相似的模式：早期的演示引发了媒体炒作以及政府或企业的大规模投资，随后所依赖的技术路线遭遇了其支持者低估的根本性局限，资助方失去耐心，研究预算大幅缩减，迫使许多研究者将工作重新包装，完全避开“AI”这一标签。
第一次AI寒冬（1970年代中期）
第一次寒冬部分由英国1973年的莱特希尔报告引发，该报告由英国政府委托撰写，结论是AI研究未能兑现其早期承诺，导致英国各大学的相关研究经费大幅削减。在美国，DARPA在语音识别和机器翻译项目未达预期后，缩减了对开放式AI研究的资助；机器翻译领域早在1966年就因一份美国政府报告指出其无法达到人类水平而受到重创。另一个加剧因素是马文·明斯基和西摩·帕尔特于1969年出版的著作，该书证明了单层感知器的数学局限性，使神经网络研究在此后十余年间受到严重抑制。
第二次AI寒冬（1980年代末至1990年代初）
第二次寒冬紧随专家系统和专用LISP机器的商业市场崩溃而来，这两类技术最终都被证明维护成本高昂，且无法扩展到其狭窄领域之外的复杂现实知识。日本于1982年启动的第五代计算机项目，作为对符号AI和逻辑编程的一次大规模政府押注，到1992年项目结束时未能产生商业突破，进一步挫伤了全球投资者的信心。在此期间，“AI”这一标签本身在商业上变得不受欢迎，许多研究者转而将自己的工作描述为“机器学习”、“信息学”或“模式识别”。
遗产与当代争论
每次寒冬后的复苏都来自更具体、更可验证的技术，而非对通用智能的新承诺：1990年代的统计机器学习以及2012年之后的深度学习。自2022年ChatGPT发布以来，评论者不时质疑当前的AI热潮--伴随着巨额资本支出和备受争议的规模定律回报--是否会以第三次寒冬告终。另一些人则认为，与早期时代不同，今天的AI已经产生了可观的商业收入和广泛的采用，因此即使估值出现回调，发生全面崩溃的可能性也较低。