概述
1980年代标志着AI的第一次真正商业成功：专家系统——旨在复制特定狭窄领域中人类专家决策的软件。在经历了第一次AI寒冬的失败之后，这一领域找到了实践立足点——不是去追求通用智能，而是将专业知识进行编码。
专家系统发展成为一个数十亿美元的产业。数百家公司将其用于从医疗诊断到设备配置等各类任务。人工智能第一次不仅仅是大学里的研究项目——它成了一种产品。
专家系统的工作原理
专家系统由两个组件构成：
- 知识库：一个规则数据库，将特定领域专家的知识进行编码（例如：“如果患者有发烧且白血球升高且培养显示革兰氏阴性菌，则考虑拟杆菌感染”）
- 推理引擎：将规则应用于具体案例以得出结论的推理算法
其吸引力显而易见：在专家退休前将其知识封存，或将稀缺的专业知识大规模普及。一家医院无力在每天晚上都请一位世界级细菌学家待命——但它可以运行MYCIN。
里程碑系统
MYCIN（斯坦福，1970年代开发，1980年代广泛部署）：诊断细菌感染并推荐抗生素治疗。在受控试验中，其表现与传染病专家相当——并且优于全科医生。由于责任问题，它从未在临床上正式部署，但证明了概念可行性。
DENDRAL（斯坦福）：通过质谱数据识别化学结构。最早在科学任务上与人类专家表现相当的程序之一。
XCON（数字设备公司，1980年）：为VAX微型计算机系统进行配置。到1986年，它处理了98%的订单，据估计每年为DEC节省约4000万美元——AI系统的第一个大规模商业成功。
R1/XCON证明了一个关键点：AI不需要是通用的。一个足够窄域的系统就能带来非凡的价值。
知识获取问题
专家系统包含一个最终将其拖垮的根本缺陷：知识获取瓶颈。
构建专家系统需要"知识工程师"——他们采访领域专家，并费力地将其知识转化为正式规则。这一过程缓慢、昂贵且脆弱。专家们往往无法言明自己的推理过程（“我就是知道是那种细菌”）。而一旦领域发生变化，整个知识库都必须手动更新。
机器学习——自动从数据中提取模式——最终将解决这个问题。但在1980年代，机器学习还不够强大，无法取代手工编码的规则。
第二次AI寒冬（1987—1993年）
随着1980年代的推进，局限性变得无法回避。专家系统：
- 在其狭窄领域之外全然失效
- 需要持续的人工更新
- 无法优雅地处理模糊或不完整的信息
- 构建和维护成本高昂
为运行专家系统而构建的专用硬件（Lisp机器）随着更便宜的通用计算机迅速发展而淘汰过时。市场随之崩溃。进入1990年代初，专家系统产业基本消亡——触发了第二次AI寒冬。
持久遗产
尽管最终失败，专家系统留下了两个重要遗产：
- 证明窄域AI行之有效：专业化、范围明确的AI能够提供巨大实用价值这一教训没有被遗忘。现代用于医疗诊断、法律审查和金融风险评估的AI系统，正是MYCIN和XCON的精神传承
- 知识获取问题推动了机器学习研究：手动编码专业知识的困难，为学习型系统创造了最具说服力的论据——让机器能够从数据中自行提取知识
参考资料
- [费根鲍姆，E. A.（1977年）。人工智能的艺术。《IJCAI》]
- [肖特利夫，E. H.（1976年）。《基于计算机的医疗咨询：MYCIN》。爱思唯尔出版社]