早期AI发展面临计算机硬件性能的严格限制——内存容量小、处理速度慢，无法支撑复杂算法的运行（如1970年代“指数爆炸”问题，许多AI程序的解决时间随输入规模呈指数级增长，难以应用于实际场景）。算法本身的局限性也很突出，比如逻辑推理中的“常识缺失”（程序无法像人类一样具备儿童级别的世界知识）、“莫拉维克悖论”（看似简单的任务如人脸识别比复杂的定理证明更难实现），这些问题导致AI程序多为“玩具”，无法实用化。
专家系统的维护与场景局限
1980年代兴起的“专家系统”虽短暂推动了AI的商业化，但存在致命缺陷：一是维护成本极高，需要人工逐一更新知识库，难以适应动态变化的环境；二是应用场景单一，仅能在特定领域（如医疗诊断、财务分析）发挥作用，无法推广到通用场景；三是鲁棒性差，面对未见过的问题容易出错。这些问题导致企业对专家系统的投入回报低于预期，进而削减资助。
外部资助与政策支持的收缩
当AI研究进展缓慢、无法兑现早期“二十年实现人类级智能”的乐观预言时，资助机构（如美国DARPA、英国、NRC）对无方向的AI研究逐渐失去耐心。例如，1973年Lighthill报告批评英国AI研究“完全失败”，导致英国AI研究进入低潮；DARPA因CMU语音理解项目进展不佳，取消了每年三百万美元的资助。1969年美国《曼斯菲尔德修正案》要求DARPA只能资助“具有明确任务方向的研究”，不再支持自由探索的基础研究，进一步加剧了 *** 。
市场与用户预期的落差
早期AI研究者的过度乐观宣传（如“十年内造出国际象棋世界冠军”“机器将完成人类所有工作”）抬高了公众与市场对AI的预期。当这些承诺无法兑现时，用户对AI的兴趣骤降，市场接受度低迷。例如，ELIZA等聊天机器人虽能模拟人类对话，但无法真正理解语义，被用户批评为“玩具”，导致市场对AI的热情消退。