2.5 专家系统的春天

山穷水尽疑无路，柳暗花明又一村。就在符号主义陷入低谷时，一位叫 爱德华·阿尔伯特·费根鲍姆（Edward Albert Feigenbaum） （见图 2-5）的科学家提出了一个新思路：既然通用人工智能太难实现，为什么不先在特定领域做出有用的系统呢？

于是，“专家系统”诞生了。

爱德华·费根鲍姆的指导教授是西蒙，没错，又是赫伯特·西蒙，爱德华·阿尔伯特·费根鲍姆也是 1994 年图灵奖得主之一，被誉为“专家系统之父”，西蒙的含金量还在上升！

图 2-5 爱德华·阿尔伯特·费根鲍姆

2.5.1 从通用到专用

费根鲍姆的想法很朴素：与其试图造出无所不知的通用人工智能，不如先在某个狭小的专业领域把机器训练成“专家”。就像人类一样，一个医生不需要懂修车，一个律师不需要会做饭，但他们在各自的领域都是专家。

专家系统的工作原理其实很简单，包含以下 3 个关键元素：

• 知识库——把某个领域的专家知识整理成规则
• 推理机——根据输入的事实和知识库中的规则进行推理
• 用户界面——让普通人能够与系统交互

例如，医疗诊断专家系统会这样工作：

• 用户输入——病人发烧、咳嗽、头痛。
• 系统推理——发烧+咳嗽+头痛→可能是流感。
• 系统询问——最近有没有接触过流感患者？
• 用户回答——有。
• 系统诊断——患流感的可能性为85%。

2.5.2 商业化的巨大成功

第一个真正成功的专家系统是斯坦福大学开发的 MYCIN，用于诊断血液感染疾病。这个系统包含 600 多条规则，能够达到与人类专家相当甚至更高的诊断准确率。

更令人震惊的是，在一次盲测中，MYCIN 的诊断准确率达到 69%，而人类医生的平均准确率只有 65%！这是 AI 第一次在复杂的现实任务中超越人类专家。

紧接着，成功案例如雨后春笋般涌现：

• XCON —— 计算机配置专家系统，帮助 DEC 公司为客户配置计算机硬件，每年为公司节省近 4000 万美元的成本；
• DENDRAL —— 化学分析专家系统，能够分析质谱数据，确定有机化合物的分子结构。

专家系统的成功引起了商界的巨大关注，产业蓬勃发展。1980 年，专家系统市值达到数十亿美元。几乎每个大公司都在开发自己的专家系统。人工智能又重新成为热门话题，这一次，人们不再谈论遥远的通用人工智能，而是关注能够立即产生经济价值的专用系统。

2.5.3 日本政府的雄心

看到专家系统的成功，日本政府决定大干一票儿。1982 年，日本通商产业省（现经济产业省）启动了雄心勃勃的“第五代计算机项目”，投资 8.5 亿美元，计划用 10 年时间开发出能够进行自然语言对话、图像识别和知识推理的超级计算机。

这是日本在信息技术领域挑战美国主导地位的一次重大尝试，就像他们在汽车和电子产品领域做到的那样。日本人相信，基于逻辑编程和专家系统的第五代计算机将彻底改变计算机产业。

看到日本的挑战，美国和英国也不甘落后，纷纷启动自己的专家系统研究计划，一时间，AI 成为各国竞争的焦点，符号主义似乎重新焕发了青春。

但是，好景不长...