36
0哈喽大家好，欢迎回到《AI有点意思》！我是你们的老朋友小艾。
上一期我们聊了第一次AI寒冬。1970年代，AI大佬们夸下海口说“十年内解决智能问题”，结果被莱特希尔一份报告直接戳穿。政府撤资、媒体翻脸、人才流失——AI从“无所不能”变成了“人人喊打”，整个领域被冻结了整整六年。
但故事没有结束。人类有个特点，就是好了伤疤忘了疼。到了1980年代初，AI找到了一个新的“救命稻草”。这一次，他们学乖了——不再说什么“通用人工智能”这种大话，而是说：“我们不造一个全能大脑，我们只造一个特定领域的专家。这事靠谱多了吧？”
这就是今天我们要聊的主角——专家系统。
专家系统的想法其实很简单：找一个领域里最牛的专家，把他的知识“翻译”成计算机能懂的规则，然后让计算机像专家一样工作。比如一个医学专家系统，里面装着几千条规则——“如果病人发烧且咳嗽，则有80%的概率是流感”“如果病人持续胸痛且血压升高，则可能是心脏病”。
把所有这些规则装进电脑，一个“电子医生”就诞生了。它不会累、不会忘、不会情绪化，而且可以24小时工作。听起来是不是很完美？
这个概念的提出者叫爱德华·费根鲍姆，斯坦福大学的计算机科学家。他在1960年代就提出了“专家系统”的想法，但当时硬件太贵、技术太落后，没能成气候。到了1980年代，个人电脑开始普及，计算成本大幅下降——费根鲍姆的时机终于来了。
费根鲍姆做了一个叫“DENDRAL”的专家系统，用于化学分析，帮助化学家识别有机化合物的分子结构。后来又做了一个叫“MYCIN”的医疗诊断系统，能够识别血液感染并推荐抗生素。虽然MYCIN从未真正用于临床，但它证明了“专家系统”是可行的——它不是科幻小说，是真实可用的软件。
企业界闻风而动。大公司们算了一笔账：一个顶级专家的年薪是几十万美元，而且还会生病、会退休、会被挖走。但一套专家系统，只要花几百万美元开发一次，就可以无限复制，永远“忠诚”地为公司服务。这简直是一笔“印钞机”级别的投资。
于是，专家系统公司如雨后春笋般涌现。1980年代初到中期，AI产业迎来了第二次“春天”——甚至比第一次更热，因为这次是真的有企业在买单，有真金白银在流动。
在这个热潮中，有一个系统被捧上了神坛——它的名字叫 XCON。
XCON是美国数字设备公司部署的专家系统。DEC是当时全球第二大计算机公司，仅次于IBM。它们卖的是大型计算机系统——一个订单可能包含中央处理器、内存、磁盘驱动器、电源、机箱、线缆等上百个零部件。配置这些零部件是一项极其复杂的工作，资深工程师也需要几天才能完成一份配置方案，而且经常出错——一个配错可能导致整个系统无法运行。
1980年，DEC部署了XCON。这个专家系统里装了几千条配置规则，能够自动根据客户需求生成完整的配置方案。结果惊艳了所有人——XCON不仅把配置时间从几天缩短到几分钟，而且正确率远超人类工程师。据DEC官方统计，XCON每年为公司节省了数千万美元的成本。
XCON成了整个专家系统产业的“样板间”。媒体蜂拥报道，《财富》《商业周刊》把专家系统称为“下一次工业革命”。咨询公司告诉每一家CEO：“如果你不部署专家系统，你的竞争对手就会超越你。”几乎所有大公司——通用电气、福特、波音、IBM——都开始上马专家系统项目。风险投资涌入AI创业公司，AI再次成了“最性感”的行业。
但你可能会问：XCON这么成功，它怎么会崩塌呢？
答案很残酷——它太成功了，成功到超出了自己的承载极限。
随着DEC的业务不断扩张，它的产品线越来越丰富，零部件种类从几百种增加到几千种。这意味着XCON的规则也要不断扩充——从最初的几百条，慢慢膨胀到了几千条，最后超过了一万五千条。
一万五千条“如果-那么”规则挤在一个系统里——你可以想象一下那个画面。你改了一条规则，可能影响几百条其他规则的触发条件。你加了一条新规则，可能让整个系统变得比之前还慢。工程师们给这种现象取了个名字，叫“规则爆炸”。
到了1980年代末，DEC的工程师们私下承认：XCON已经变成了一团“意大利面条”。没人敢动它——因为动一条规则可能引发连锁反应，导致系统崩溃。但不动它——它却在不断犯错，因为产品线一直在更新，而规则跟不上。
1987年，DEC做出了一個艰难的决定——放弃XCON。这个曾经被吹捧为“AI史上最成功的商业系统”，就这么退出了历史舞台。
XCON的倒下，就像第一块多米诺骨牌。其他公司的专家系统也面临同样的问题——维护成本越来越高、错误越来越多、收益越来越低。到了1990年代初，企业界对AI的态度从“狂热”变成了“厌恶”。投资人对AI创业公司避之不及，媒体开始把专家系统嘲讽为“砖家系统”——“砖头”的“砖”。
第二次AI寒冬，就这样来了。
而且这一次，比第一次更冷。第一次寒冬时AI至少还保留了一些学术研究的火种。但这一次，连学术界都扛不住了——连做AI研究都拿不到经费了。AI几乎从主流计算机科学中消失了整整五年。大学里AI课程的选修人数跌到了历史最低点，教授们纷纷转行。
这就是第二次AI寒冬。
那么问题来了——专家系统到底做错了什么？为什么这个故事会重演？
小艾觉得，专家系统的失败，从它诞生的第一天起就已经注定了。因为它继承了符号主义AI的所有基因缺陷，只是把这些缺陷放大了。
第一个缺陷：知识获取瓶颈。把专家的知识翻译成规则，这个工作叫“知识工程”。听起来很体面，实际上极其枯燥、极其缓慢。一个知识工程师要和专家聊几个月，才能提炼出几百条可用的规则。而且专家自己都说不清楚自己是怎么做判断的——他有很多“直觉”和“经验”，根本无法用“如果-那么”来表达。费根鲍姆后来承认：知识获取是专家系统最大的瓶颈，而这个瓶颈从来没有被真正解决过。
第二个缺陷：脆弱性。人类专家面对一个新问题时，能够灵活变通——比如“虽然我没有见过这个症状组合，但它看起来有点像……”。但专家系统没有任何变通能力。它只能处理它被“教”过的场景。只要输入的情况和规则里写的不完全一样，它就直接“宕机”——不是给一个错误的答案，而是根本不给答案。
第三个缺陷：维护灾难。一万五千条规则相互依赖、相互影响，变成了一个谁也不敢碰的“定时炸弹”。你为了修复一个bug而加了一条规则，结果制造了三个新的bug。你为了修复那三个bug又加了十条规则，然后发现系统变慢了50%。这就是“意大利面条”式系统的宿命。
所以专家系统的崩塌，不是一次意外——它是符号主义路线的“逻辑终点”。用人工编写的规则来模拟人类智能，这条路，从一开始就走不远。
但小艾想请大家记住一个画面：在第二次AI寒冬最冷的时候，整个世界都在说“AI已死”。但在地球的某个角落，有一个人和他的学生们，还在默默做着一件被所有人嘲笑的事。
他们相信，智能不是靠写规则写出来的，而是靠“学习”学出来的。他们相信，与其告诉AI“这是什么”，不如让它自己“看”大量的数据，让它自己发现规律。
这条路，叫神经网络。那个人，叫杰弗里·辛顿。
在那个“AI已死”的年代，他坚持了四十年。
好了，今天这一期我们聊了第二次AI寒冬——专家系统如何从“印钞机”变成“砖家系统”，又如何把整个AI产业拖入了比第一次更深、更冷的深渊。
下一期，我们终于要讲那个“坐了四十年冷板凳的人”了。他是怎么在所有人都不看好的情况下，把神经网络从“笑话”变成“革命”的？记得订阅《AI有点意思》，我们下期见！
