上一章我们聊了感知机的陨落。1958年还被《纽约时报》捧为能意识到自身存在的机器到了1969年就被明斯基和帕珀特用300多页数学证明判了死刑。神经网络研究几乎从主流学术圈消失整个领域寒气逼人。但就在神经网络被按下暂停键的同一时期人工智能的另一条路线却悄悄开了花。这条路跟让机器自己学习的思路截然相反——它走的是另一条逻辑机器学不会没关系我们把人类专家的知识直接灌给它。这条路的名字叫专家系统。一个化学家和一个计算机科学家的合作1965年斯坦福大学。计算机科学家爱德华·费根鲍姆和诺贝尔化学奖得主约书亚·莱德伯格坐到了一起。这两个人的组合很有意思。莱德伯格是顶尖的有机化学家他的日常工作是分析未知化合物的分子结构。这活儿特别烧脑你拿到一份化合物的质谱数据——一堆峰、一堆数字——然后要凭经验和直觉推断出这个分子长什么样。难度大概相当于给你一首诗的拼音让你猜出原诗是什么。费根鲍姆听了之后说这事儿能不能让计算机干于是他们开始合作造出了一个叫DENDRAL的系统。DENDRAL做的事情很简单输入质谱数据输出可能的分子结构。它的核心是一套化学知识规则——比如如果质谱上出现某个峰值说明分子里大概率有某个结构——全部编码成如果……那么……的形式。然后系统根据这些规则从所有可能的分子结构中筛选出最匹配的那一个。DENDRAL的表现怎么样在某些任务上它达到了跟专业化学家相当的水平。这在当时是一个巨大的突破——第一次有计算机程序在一个真实的科学问题上表现得像个专家。DENDRAL后来被公认为世界上第一个专家系统。DENDRAL系统的输入输出示意图把专家的脑袋倒进电脑里DENDRAL的成功催生了一个新概念知识工程。这个词是费根鲍姆在1977年正式提出的。他的核心观点是人工智能不应该只盯着通用的推理方法——那种什么都能推理但什么都推不深的玩意儿——而应该把重心放在知识本身上。一个系统在某件事上表现得像个专家不是因为它推理的方法有多高明而是因为它拥有足够多的关于那件事的知识。你可以这样理解假设你要造一个能诊断心脏病的AI。你有两条路。一条路是给它一套通用的推理算法让它自己从数据里学——这是神经网络的路。另一条路是找一堆心脏病专家把他们脑袋里的知识一条条挖出来写成规则塞进电脑——这是专家系统的路。费根鲍姆选的是第二条路。一个典型的专家系统由两部分组成。第一部分是知识库——里面存着大量如果……那么……“的规则。比如如果患者体温高于38度且白细胞计数偏高那么可能存在细菌感染”。第二部分是推理引擎——它负责根据当前输入的信息在知识库中寻找匹配的规则一步步推导出结论。你可以把它想象成一个侦探知识库是所有的办案手册和案例档案推理引擎是侦探本人。侦探拿到一个新案子输入翻档案匹配规则做推理得出结论。这个架构在逻辑上非常干净。而且它有一个神经网络在当时完全不具备的优势可解释性。MYCIN不仅能告诉你该用这个抗生素还能告诉你我是根据哪些规则得出这个结论的。在医疗场景下这个能力太重要了——没有医生敢用一个我不知道它为什么这么说的系统来开药方。专家系统的基本结构图——知识库、推理引擎、用户界面三个模块MYCIN能看病的程序DENDRAL证明了专家系统在化学领域能行。但真正让专家系统名声大噪的是医学领域的一个后来者。1972年斯坦福大学启动了MYCIN项目。目标诊断血液感染并推荐抗生素治疗方案。MYCIN的工作方式是这样的。医生输入患者的症状和检查结果MYCIN开始提问——就像一位经验丰富的医生在问诊一样。它会追问患者有没有发烧“发烧多久了”最近有没有做过手术每一步提问都是根据前面的回答动态生成的。问完之后MYCIN用大约500条规则进行推理。最后给出诊断结论和用药建议。MYCIN的表现相当惊人在处理血液感染方面它的水平跟人类专家差不多甚至比普通全科医生还要好一点。但MYCIN有一个更重要的创新它能解释自己的推理过程。你问它你为什么推荐这个抗生素它会列出一串规则链——“因为患者有A症状根据规则12推出B再根据规则7推出C所以最终推荐D”。这在当时是革命性的——第一次你可以跟一个AI程序对质看它的思考过程。MYCIN的对话界面示意图——左边是医生的输入右边是系统的提问和最终建议繁荣专家系统走进现实世界1980年代专家系统从实验室走向了商业市场。DEC公司就是后来被康柏收购、再后来被惠普收购的那家用了一个叫XCON的专家系统来配置计算机订单。之前这事儿得靠人工工程师干又慢又容易出错。XCON上线之后准确率大幅提升每年给公司省下数百万美元。类似的案例在各个行业冒出来。石油勘探、金融投资、法律咨询、农业病虫害诊断——只要有一个领域存在专家就有人想造一个专家系统来复制这个专家。资本闻风而动。专门的AI公司如雨后春笋风险投资疯狂涌入媒体又开始用革命颠覆这些词了——历史果然是个轮回。费根鲍姆在1977年那篇著名论文里把知识工程称为一门艺术。这个说法在当时有一种浪漫的意味你不仅仅是写代码你是在跟各个领域最顶尖的专家坐在一起把他们毕生积累的智慧蒸馏出来装进电脑里。但正是这个蒸馏过程成了专家系统的死穴。瓶颈把专家脑袋打开之后知识获取很快成了专家系统最大的瓶颈。要建造一个专家系统你得花几个月甚至几年时间跟领域专家坐在一起把他们脑子里的知识一条条挖出来转化成如果……那么……的规则。这个过程慢得让人抓狂。而且专家的很多知识是隐性的。就像你会骑自行车但你说不清楚具体是怎么保持平衡的。一个资深医生看病时的直觉、一个老律师的经验判断这些东西他们自己都很难用语言描述清楚更别说写成精确的规则了。更糟的是即使你成功地把知识挖出来了维护这些规则也是一场噩梦。一个专家系统通常有几千条规则。改一条规则可能让另外十几条规则失效。牵一发而动全身。随着系统越来越大这种规则冲突会呈指数级增长维护成本最终高到难以承受。还有一个问题是脆弱性。专家系统是典型的纸牌屋——在它熟悉的领域内它表现得很漂亮但只要输入稍微超出知识库的范围它就完全不知所措。你问一个医疗诊断系统患者的头被卡车撞了怎么办它可能会因为没有相关规则而给出荒谬的建议。它没有常识不会举一反三不会在知识边界处做合理的猜测。最后一个致命的问题是规模。专家系统在小范围、规则清晰的问题上表现良好。但一旦试图扩展到更大、更复杂的领域——比如整个内科医学——规则的数量会膨胀到天文数字而且规则之间会不可避免地相互矛盾。你不可能把人类所有的知识都写成如果……那么……的规则——这个任务本身就跟造永动机一样不现实。第二次寒冬1987年专家系统的泡沫开始破裂。原因很直接那些花了几百万美元建造的专家系统在实际使用中并没有宣传的那么好用。开发周期长、维护成本高、面对新情况束手无策。企业开始算账花这么多钱养一个电子专家到底值不值答案是不值。更糟的是个人计算机在这几年里迅速普及。那些专门为AI设计的、价值几十万美元的专用硬件突然变得毫无意义——一台普通PC的性能已经足够跑大多数AI应用了。AI公司大量倒闭风险投资全线撤退。连人工智能这个词都成了投资者避之不及的标签。1992年日本政府耗资8.5亿美元、历时十年的第五代计算机项目黯然收场。这个项目的目标极其宏大——造出能用自然语言对话、能理解图像、能做知识推理的计算机——但最终几乎没有实现任何当初承诺的目标。这个失败给整个符号主义路线敲响了最后的丧钟。这就是第二次AI寒冬。比第一次更冷持续时间更长。1980年代AI相关公司股价/投资额的变化曲线图专家系统留下了什么今天回头看专家系统的失败几乎是一种宿命。它输在了把知识灌进机器这个基本策略上。人类的知识太庞杂、太依赖上下文很多时候连专家自己都说不清那些直觉是怎么来的更不可能用一套静态的规则来完整编码。你越试图把所有的可能性都写进规则里系统就越臃肿、越脆弱、越难以维护。但专家系统并不是白忙一场。它证明了AI可以解决真实世界的问题——不是实验室里的玩具而是能帮化学家鉴定分子、帮医生开药方、帮企业省钱的实用工具。这个能落地的信心是后来深度学习时代的重要铺垫。它还留下了一个重要的思想遗产知识本身就是力量。费根鲍姆说的那句话——“智能很大程度上取决于知识处理”——在今天看来仍然是真理。大语言模型为什么那么能说会道不是因为它比以前的系统更聪明而是因为它从海量文本中学到了海量的知识。只不过这些知识不再以如果……那么……的规则形式存在而是被编码在了数十亿个神经连接的权重里。专家系统试图把知识写进电脑。深度学习试图让电脑自己从数据中学出知识。方法不同但目标一致。而当我们今天在跟ChatGPT聊天的时候我们其实是在跟一个庞大的、隐性的、非符号化的知识库对话。那个知识库里没有一条明确的如果……那么……规则但它确实知道很多事情——包括专家系统当年拼命想编码、却始终没能编完的那些事情。费根鲍姆的梦想没有死。它只是换了一种活法。参考文献Feigenbaum, E. A. (1977). The Art of Artificial Intelligence: I. Themes and Case Studies of Knowledge Engineering.Proceedings of the 5th International Joint Conference on Artificial Intelligence, 1014-1029.推荐理由费根鲍姆在1977年IJCAI上的主题演讲正式提出了知识工程这个概念。读这篇文章能感受到一种强烈的使命感——费根鲍姆坚信知识是AI的出路这种信念支撑了整个专家系统时代。Feigenbaum, E. A., Buchanan, B. G. (1993). DENDRAL and Meta-DENDRAL: Roots of Knowledge Systems and Expert System Applications.Artificial Intelligence, 59(1-2), 233-240.推荐理由回顾DENDRAL项目的历史和意义。虽然发表在1993年——专家系统已经走下坡路的时候——但这篇文章清晰地阐述了第一个专家系统是怎么诞生的以及它为什么重要。Britannica. (n.d.). MYCIN | Expert System, Medical Diagnosis Treatment.推荐理由关于MYCIN的简明介绍数据准确、结构清晰。如果你想快速了解MYCIN做了什么、怎么做的、效果如何这是最直接的入口。McCorduck, P. (2004).Machines Who Think: A Personal Inquiry into the History and Prospects of Artificial Intelligence. 2nd Edition. A K Peters.推荐理由前面达特茅斯那章已经推荐过这本书。在专家系统这一章它同样有价值——McCorduck对1980年代专家系统商业化浪潮有大量第一手观察包括对费根鲍姆本人的多次采访。