Answers:
总体而言，答案是否定的，但是当前的范例应归功于LISP。今天最常用的语言是python。
相关答案：
LISP在我们现在所说的函数式编程中开创了许多重要的概念，其主要吸引力在于程序与数学的接近程度。此后，许多功能已被整合到现代语言中（请参阅Wikipedia页面）。LISP表现力很强：它的语法很少（仅列表和一些基本操作），但是您可以编写简短的简短程序来表示复杂的想法。这令新手感到惊讶，并将其作为AI语言出售。但是，这通常是程序的属性。简短的程序可以代表复杂的概念。而且，尽管您可以使用LISP编写功能强大的代码，但是任何初学者都会告诉您，阅读其他任何人的LISP代码或调试您自己的LISP代码也非常困难。最初，函数式编程还存在性能方面的考虑，因此不受欢迎，需要使用低级命令式语言（例如C）来代替。（例如，函数式编程不需要更改任何对象（“变异”），因此每个操作都需要一个要创建的新对象。如果没有良好的垃圾收集，这样会很笨拙）。如今，我们已经了解到，需要编写功能性和命令性程序的组合来编写出色的代码，而现代语言（如python，ruby和scala）都需要支持。在这一点上，这只是我的观点，没有理由更喜欢LISP而不是python。
当前最受关注的AI范例是机器学习，我们从数据中学习，而不是像专家系统（在80年代）之类的以前的方法（专家为AI编写规则）。Python是目前机器学习中使用最广泛的语言，并且拥有许多库（例如Tensorflow和Pytorch）以及一个活跃的社区。要处理大量数据，我们需要Hadoop，Hive或Spark等系统。这些代码使用python，java或scala编写。通常，核心的时间密集型子例程是用C编写的。
80年代的AI Winter不是因为我们没有正确的语言，而是因为我们没有正确的算法，足够的计算能力和足够的数据。如果您想学习AI，请花时间学习算法而不是语言。
在开发AI模型时，我肯定会继续使用Lisp。
您询问是否将其用于大量工作。对于我自己的工作而言，这太主观了，我无法回答，但是我向我的一个AI模型询问了它是否认为自己很重要，并回答了肯定的回答。当然，它的响应自然也有偏差。
总体而言，在Lisp中进行了大量的AI研究与开发。此外，即使对于非AI问题，有时也会使用Lisp。为了展示Lisp的强大功能，我设计了第一个完全用Lisp编写的神经网络仿真系统，该系统已超过25年。
LISP仍被大量使用，但越来越少。过去有如此多的人使用它，但仍然活跃于该行业或研究中，因此仍然有动力（注释：最后一个VCR由日本制造商于2016年7月生产，是的）。然而，据我所知，这种语言用于不利用机器学习的那种AI，通常用作Russell和Norvig的参考书。这些应用程序仍然非常有用，但如今机器学习已成风头。
下降的另一个原因是LISP从业者已部分迁移到Clojure和其他最近使用的语言。
如果您正在学习AI技术，那么LISP（或Scheme或Prolog）是了解“ AI”的主要内容的好选择。但是，如果您希望或必须非常务实，则可以选择Python或R
注意：以上缺少具体示例和参考。我知道一些大学的工作，以及一些受LISP启发或直接使用LISP的公司。
为了补充@Harsh的答案，LISP（以及Scheme和Prolog）具有使其看起来更适合于创建智能机制的特质-使得60年代的AI成为现实。
一种特性是语言设计使开发人员以一种非常优雅的方式思考，将一个大问题分解为小问题，等等。如果您愿意的话，可以说是“聪明”或“聪明”。与某些其他语言相比，除了以这种方式开发外，几乎别无选择。LISP是一种列表处理语言，“纯功能”。
但是，可以在与LISP相关的工作中看到一个问题。在AI领域中，值得注意的是关于情境演算的研究，其中（简而言之）描述了“世界”中的对象和规则，并可以使其演化为计算世界的情境。因此，它是根据情况进行推理的模型。主要的问题就是所谓的框架问题，这意味着该演算说不出是什么呢不变化-就是变化。世界上所有未定义的内容都无法处理（请注意此处与ML的区别）。最初的实现使用LISP，因为那时是AI语言。并且存在框架问题。但是，就像@Harsh提到的那样，这不是LISP的错：任何语言都将面临相同的框架问题（情境演算的概念性问题）。
因此，从AI / AGI / ASI角度来看，语言确实无关紧要。概念（算法等）确实很重要。
即使在机器学习中，语言也是一种实用的选择。今天，Python和R之所以流行，主要是由于它们的库生态系统和主要公司的关注。但是，尝试使用Python或R为基于RaspberryPI的应用程序运行模型，您将面临一些严格的限制（但仍然有可能，我正在这样做:-)）。因此，语言选择会变成实用主义。