一、为什么造成科技寒冬？

造成科技寒冬的原因是

70年代，人工智能进入了第一次低谷期，因为科研人员对于人工智能的研究中对于项目的难度估计出现了误差，不但引起了合作计划的失败，而且还让大家对人工智能的发展产生了阴影。

同时，社会的舆论也在慢慢的施压，这更是损失了多数的研究经费。

　　在那个时候，人工智能面临的技术方面的困境有3个方面。

第一个，计算机的性能达不到要求，这会引起早期很多的程序没有办法在人工智能的领域中进行使用；

第二个，问题比较的复杂，早期的人工智能是针对的特定的问题，由于特定的问题通常较少并且复杂性还很低，但是只要问题的难度增加，程序就将要不堪重负了；

第三个，数据量不够，在那个年代是找不到足以应付大量数据库来支持程序的深度学习的，这将会让机器不能读取足够多的数据进行智能化

二、人工智能的发展面临哪些挑战？

我们说人工智能既是一把双刃剑，就像世界贸易组织的出现一样，同样也是一把双刃剑，但是世界贸易组织带来的经济全球化使得各国经济的快速发展，相对于弊端方面，好处还是胜过于坏处，人工智能一样，它在给我们的生活带来方便舒适的体验之外，另外也给我们的就业压力带来了巨大的冲击，据Gartner公司的预测称，未来将有47%的人的工作将会被人工智能所取代，这又是一个巨大的挑战，难道人类就没有其他工作可做吗，其实不然，想想当初计算机出来的时候，是很多之前由人力代替的繁琐复杂的工作交给了计算机，难道后面就导致很多人失业吗，其实计算机行业也衍生除了各种各样的工作岗位供我们选择，难的是我们需要不断地学习才不至于被人工智能所抛弃，所以我们在认识人工智能上要理性对待，它并不是恶魔，它是历史进化的产物，当历史要向前走一步的时候，必定会有新事物的出现，而人工智能就是其中一个。

未来是人工智能的时代，说这个想法一点也不为过，从AlphaGo战胜世界顶尖的高手围棋手的时候，人工智能已经进入了深度学习的阶段，就是说人工智能开始仿照人类的思维甚至超越人类的思维，会自我学习的能力，从技术上将是可以实现的，只是时间的问题，既然人工智能是未来的趋势，那么我们的教育还是无动于衷吗，不是的，我们的教育培养的人都是未来社会的人才，为社会服务的人才，未来人工智能需要我们的教育来提供这样的人才，我们也需要适应人工智能带来的变化，我们的教育应该从现在起就应该准备好，未来国与国之间的竞争也将是人工智能技术的比拼，说到底还是教育实力的体现。

现在在我国的发达城市，人工智能的观念是比较普及的，毕竟发达城市有资金和人才的储备，学生有更多机会接触到先进的东西和理念，而在欠发达地区，由于自身条件的缺陷，无法提供想大城市一样的资源，不过随着如今各地方通过加大投入建设校园的网络工程，还有就是互联网+的普及，使得山区的孩子也可以获取到和城市孩子一样的资源，所以在应对人工智能浪潮的影响下，硬件条件都是可以实现的，难的在于人们的观念的转变，很多教育者的观念还停在以前传统的观念上，认为上课按照书本就可以了，也可以将知识点将清楚，殊不知，如今的知识的增长呈爆炸式增长，我们无法一个一个知识地去学习，我们需要的是掌握如何获取知识的方法，而不是按部就班的被动汲取，所以转变我们的教育观念很重要，观念转变了，我们的教育现代化才能够真正实现，才能准备好迎接人工智能时代的到来！

人工智能技术的发展是机遇和挑战并存的，我们的教育需要不断地做出改变，转变我们的教育观念，才能未来人工智能的发展！

三、人工智能发展为什么会经历这么多波折？

人工智能的发展经历了一些波折，主要是由于以下几个原因：

1. 技术限制：人工智能的发展受到技术限制，特别是早期的硬件设备和算法的限制。在人工智能的早期阶段，计算机硬件性能和数据处理能力相对较弱，导致人工智能的应用和发展受到限制。

2. 数据和资源不足：人工智能的发展需要大量的数据和资源支持，特别是在机器学习领域。然而，在人工智能发展的早期阶段，数据和资源不足，限制了算法的准确性和性能。

3. 算法不成熟：人工智能算法的发展也经历了多次的尝试和失败。早期的人工智能算法在处理复杂问题和模拟人类智能方面存在局限性，无法达到预期的效果。

4. 社会和伦理问题：人工智能的发展还面临着一些社会和伦理问题，如数据隐私、人工智能的权力滥用等。这些问题需要进行深入的研究和解决，以确保人工智能的发展符合社会的利益和伦理标准。

5. 外部因素干扰：人工智能的发展还受到政治、经济和社会因素的影响。不同国家和地区对人工智能的发展态度和政策可能存在差异，也会对人工智能的发展产生影响。

综上所述，人工智能的发展经历了技术限制、数据和资源不足、算法不成熟、社会和伦理问题以及外部因素干扰等波折。随着技术的不断进步和各方面问题的逐渐解决，人工智能的发展前景仍然广阔。

***

四、人工智能制造主要面临的挑战？

现阶段“人工智能+制造”也面临诸多挑战。

一是人工智能的价值难以被准确衡量。部分细分行业人工智能应用路径尚不明晰，应用风险、收益和成本难以准确核算。

二是部分领域数据资产管理能力有待提升。制造业各场景数据量巨大，各设备数据协议标准尚未统一，数据互联互通存在困难。

三是工业深水区的解决方案仍待探索。目前人工智能应用多集中在质量检测等少数热门场景，更多应用场景还有待挖掘。

四是复合型人才缺口较大。同时掌握人工智能技术和制造业细分行业的生产特点、流程、工艺的复合型人才极其匮乏，企业人力成本较高。