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

1. 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。

2. 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。

3. 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。

4. 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。