专家系统是什么？把专家经验写成规则的早期 AI

专家系统（Expert Systems）是一种模拟人类专家的知识和经验、在特定领域内解决复杂问题的计算机程序。它是人工智能历史上第一类真正取得商业成功的技术，在 20 世纪 70 到 80 年代盛极一时。

它的组成

一个专家系统通常由几个部分组成：知识库，存储着领域专家的知识，通常以大量“如果……那么……”的规则形式表示，比如“如果细菌是革兰氏阴性、杆状、厌氧，那么它可能是拟杆菌”；推理引擎，根据用户提供的事实，运用知识库中的规则进行推理，得出结论，推理方式有前向链接和反向链接；用户界面，让用户输入问题和信息，并查看结论；解释模块，告诉用户系统是根据哪些规则和事实得出结论的，这让用户能够理解和信任系统的判断；以及知识获取模块，帮助专家和工程师向知识库中添加和修改知识。专门负责从专家那里获取知识并转化为规则的人，被称为“知识工程师”。

著名的专家系统

DENDRAL：20 世纪 60 年代中期由斯坦福大学的爱德华·费根鲍姆、诺贝尔奖得主乔舒亚·莱德伯格等人开始研发，能够根据质谱数据推断有机化合物的分子结构，被认为是第一个专家系统。费根鲍姆因此被称为“专家系统之父”，并在 1994 年获得了图灵奖。MYCIN：20 世纪 70 年代斯坦福大学开发的医疗诊断系统，用于诊断血液感染并推荐抗生素治疗方案，它引入了“可信度”来处理医学诊断中的不确定性。评估显示它的诊断水平与专科医生相当，但由于法律责任和伦理等问题，从未在临床中正式使用。XCON（又名 R1）：卡内基梅隆大学为美国数字设备公司（DEC）开发的系统，能够根据客户的订单自动配置计算机系统，据报道每年为公司节省数千万美元，是专家系统商业成功的代表。

兴衰

20 世纪 80 年代，专家系统掀起了热潮，大量的公司投入开发，还出现了专门运行人工智能语言的 Lisp 机器。但人们逐渐发现了专家系统的局限：知识获取非常困难，从专家那里提炼出完整准确的规则费时费力，很多经验专家自己也说不清楚；当规则多达数千条时，维护和更新变得极其困难；系统非常“脆弱”，只能处理规则覆盖到的情况，稍微超出范围就会给出荒谬的结果；它不能从数据中学习，也缺乏常识。再加上专用硬件市场的崩溃，到了 80 年代末，专家系统热潮退去，人工智能进入了又一个“寒冬”。

今天的意义

专家系统的思想并没有消失，它演变成了今天广泛使用的业务规则引擎和决策支持系统。它的经验教训也影响深远：手工编写知识难以规模化，这推动了人工智能转向从数据中自动学习的机器学习路线。而今天的大语言模型从海量文本中自动地学到了大量的知识，某种程度上实现了专家系统当年的愿景，只是方式完全不同。