一、从猫识别的废墟出发
上一集说到,你写了五千条规则的猫识别系统,最终被一只三条腿的猫击溃了。规则永远写不完 —— 你站在自己写的那堆 if-then 废墟上,拍了拍身上的灰。
好吧,也许猫太混沌了。但如果换一个更 "规矩" 的领域呢?比如医生诊断、工程师配置设备、地质学家找矿 —— 这些领域的知识是明确的、有章可循的,总该可以写成规则了吧?
二、专家系统的兴起:让机器学习专家的知识
1970 年代,斯坦福的研究者想到了一个新思路:我们不自己手写规则,而是让机器去学专家的知识。
医生、律师、工程师 —— 他们的知识是明确的、有章可循的。比如医生诊断疾病,肯定是在脑子里运行规则:如果发烧,并且咳嗽,并且胸痛,那么可能是肺炎。只要把专家脑子里的规则挖出来,灌进机器,机器不就变成专家了?
于是,专家系统(Expert System)诞生了。明星项目:MYCIN
1970 年代最耀眼的明星是 MYCIN —— 斯坦福开发的血液感染诊断系统。它有约 600 条产生式规则,在封闭测试中诊断准确率达到 65% 左右,被认为超过了大多数住院医生的水平。

一夜之间,MYCIN 成了学术界的摇滚明星。投资人疯了,政府疯了,《纽约时报》写道:我们正在见证人工智能的曙光。接下来是一场疯狂的扩张
- XCON(原名R1):帮 DEC 公司配置 VAX 计算机硬件系统,每年为公司节省数千万美元。
- PROSPECTOR:帮地质学家分析勘探数据,成功预测到了价值上亿美元的钼矿矿床。
- 还有各种更细分的系统,从帮人选葡萄酒到帮人配置保险方案。
1982年,日本宣布启动 "第五代计算机" 计划,投入数十亿美元,目标是打造能进行并行推理、自然语言理解的智能计算机。美国人慌了,欧洲人也慌了,纷纷推出自己的 AI 计划。
那是一个人人都在谈论 AI 的年代,也是一个人人都不知道 AI 到底是什么的年代。
三、知识工程师的地狱
但在狂欢背后,有一群人正在经历地狱——他们叫知识工程师,工作是把专家脑子里的知识"挖"出来,写成机器能执行的规则。
现实是这样的:
- 知识工程师:张医生,您是怎么判断病人有肝硬化的?
- 老医生:嗯…… 我看了一眼就知道了。
- 知识工程师:能具体说说吗?
- 老医生:转氨酶高了一点,白蛋白低了一点,但主要是那个感觉——你懂吗?病人的脸色、眼神、整体状态,坐久了就知道了。
- 知识工程师:那我怎么把"看整体"写成规则?
- 老医生:那是你的工作。
这种对话每天都在发生。知识工程师们发现了一个可怕的事实:专家自己也不知道自己是怎么做判断的。
一个三十年经验的医生,诊断能力确实很强,但问他为什么,他只能说出模糊的原则。那些真正让他厉害的东西——对细微线索的敏感、对病人整体状态的直觉——他自己也说不清。他知道,但他说不出来。
这个现象,哲学家迈克尔·波兰尼(Michael Polanyi)在 1966 年就提出过,叫做"波兰尼悖论"(Polanyi's Paradox):我们能知道的,比我们能说出的多得多。但在 AI 热潮中,没人愿意听哲学家的警告。
四、规则之间的战争
假设你终于挖出了几千条规则——恭喜,新的噩梦开始了:规则之间会打架。想象你的医疗系统有三条规则:
- 规则 A:发烧 + 咳嗽 → 流感,置信度 80%
- 规则 B:发烧 + 咳嗽 + 老年患者 → 肺炎,置信度 75%
- 规则 C:发烧 + 咳嗽 + 近期热带旅行史 → 疟疾,置信度 60%
现在来了一个病人:70 岁,发烧咳嗽,刚从非洲回来。三条规则全部触发,给出三个完全不同的答案。推理引擎需要在它们之间做取舍——但怎么取舍?
当规则达到几千条,它们的相互作用变得完全不可预测。你加一条新规则,可能会在十个你没预料到的地方引发冲突;你修一个 bug,可能会制造三个新 bug。
系统变成了黑盒——讽刺的是,当初选择规则系统,就是因为它"可解释"。
五、常识问题:雪佛兰汽车病例
还有更致命的问题:专家系统没有常识。
有一个著名的早期案例:某个医疗专家系统被问了一个问题——"病人是一辆破旧的雪佛兰汽车,有发烧和头痛症状,可能得了什么病?"
系统认真分析后,给出诊断:可能是脑膜炎,建议使用抗生素。
它不知道雪佛兰是车,车不会发烧,车没有脑子。它只是机械匹配了"发烧 + 头痛 → 脑膜炎"这条规则。
你知道车不会生病 —— 三岁小孩都知道。但你能把它写成规则吗?
你试着写:规则X:如果是车,那么不会生病。那什么是会生病的东西?简单生物。什么是生物?能自我繁殖的实体。火焰能蔓延,算生物吗?必须有细胞结构?病毒没有细胞结构,但能让人生病啊……
为了定义"什么会生病",你需要定义"生物";为了定义"生物",你需要定义"细胞"、"繁殖"……每个定义引出十个新定义。这就是常识问题——人类积累了天文数字的常识,但把它们写成规则,永远完不成。
有一个叫 CYC 的项目,1984 年由道格拉斯·莱纳特(Douglas Lenat)启动,目标就是把所有人类常识编码成规则。做了多久?四十年 —— 到今天还没做完。
六、第二次 AI 寒冬
1980 年代末,现实追上了梦想。
专家系统批量失败:医疗系统给出危险建议,金融系统让投资者亏钱,法律系统在真实案件中表现得像白痴。维护成本高得离谱——一家公司的 IT 主管说:"我们花几百万建专家系统,现在维护它要雇佣一整个团队,比直接雇人还贵。"
日本的第五代计算机计划彻底失败,数十亿美元投入几乎没有产出,1992 年悄然结束,成了过度承诺的经典反面教材。
那些说要用逻辑统治世界的公司,一家接一家倒闭。教授们开始回避"人工智能"这个词,因为它成了"骗子"的同义词。年轻研究者被警告:别碰 AI,那是学术自杀。
人们管这段时期叫 "第二次 AI 寒冬" —— 寒风刺骨,尸横遍野。
评论区