AI【简史05】:专家系统:AI的第一次商业狂欢,与第二次寒冬(1980-1993)

这是「AI简史」系列的第五篇文章。

上一篇我们讲到，1969年明斯基的《感知机》出版，加上两份官方报告的釜底抽薪，人工智能坠入了长达十余年的第一次寒冬。经费被砍、实验室关门、学者纷纷转行，全世界都放弃了这个曾经被寄予厚望的领域。

可就在这片无人问津的荒漠里，有一群人守住了微弱的火种——他们放弃了「造出通用人工智能」的宏大幻想，转而追求一个更务实的目标：让AI在一个特定的专业领域里，达到人类专家的水平。

这个方向，就是专家系统。

1980年，它带着AI走出了寒冬，开启了人工智能历史上第一次真正的商业狂欢。资本疯狂涌入，企业扎堆入局，各国政府砸下重金豪赌，曾经人人避之不及的人工智能，一夜之间成了全球商业圈最炙手可热的风口。

可这场狂欢仅仅持续了十余年。90年代初，泡沫轰然破裂，专家系统从「商业神话」变成了「昂贵的废品」，AI再次坠入了更深、更冷的至暗时刻——这就是AI历史上的第二次寒冬。

今天，我们就来讲讲这段从狂欢到崩塌的历史，看看AI的第一次商业落地，是如何起飞，又是如何摔得粉身碎骨的；又是什么样的火种，在这场寒冬里被悄悄埋下，最终在二十年后，点燃了深度学习的时代。

一、寒冬里的破局：放弃「通用智能」，拥抱「专家能力」

第一次AI寒冬的根源，其实就一句话：理想太丰满，现实太骨感。

达特茅斯会议之后的十几年里，整个AI行业都在追逐一个终极目标：造出能像人脑一样思考、能解决所有问题的通用人工智能。可最终大家发现，别说通用智能了，连最简单的异或问题、真实场景下的图像识别、自然语言翻译，都搞不定。

当整个行业都在为「造不出全能的大脑」而绝望的时候，有一个人站出来说：

既然我们造不出能解决所有问题的通用大脑，那能不能先造一个只懂一个领域的「专家大脑」？

这个人，就是爱德华·费根鲍姆，后来被称为「专家系统之父」。

早在上一篇里我们提到过，早在1965年，AI的黄金时代还没结束的时候，费根鲍姆就带着斯坦福大学的团队，开始了专家系统的研究。他和顶尖的化学家合作，把化学界顶级专家关于分子结构分析的知识、经验、判断逻辑，一条一条地写成规则，输入到计算机里，做出了世界上第一个专家系统——DENDRAL。

这个系统有多牛？

只要给它输入质谱仪的检测数据，它就能自动分析出化学物质的分子结构，水平和从业十几年的化学专家不相上下。要知道，分子结构分析是化学领域里门槛极高的工作，一个刚毕业的化学博士，都要练好几年才能上手。

1976年，费根鲍姆团队又搞出了一个更震撼的系统——MYCIN。

他们把几百条顶级传染病医生的诊断知识、用药规则写进了计算机，这个系统能根据患者的症状、化验结果，判断是哪种细菌感染，然后精准给出对应的抗生素治疗方案。

测试结果震惊了整个医学界：MYCIN对血液感染的诊断准确率，达到了69%，比医院里年轻的实习医生准确率还要高，甚至在部分场景里，超过了资深的全科医生。

这两个系统，在第一次AI寒冬里，像两道光，让所有人看到了AI的另一种可能：

它不用什么都会，只要在一个窄窄的专业领域里，能像专家一样解决问题，就有巨大的价值。

那到底什么是专家系统？用大白话讲，它的逻辑特别简单，就三步：

1. 找专家：找到一个领域里最顶级的专家，把他几十年的从业经验、判断规则、解决问题的方法，全部抠出来；
2. 写规则：把这些经验，翻译成计算机能看懂的「如果…就…」规则。比如「如果患者发烧+白细胞升高，就判断为细菌感染」；
3. 做推理：把规则喂给计算机，再给它输入新的问题，它就能按照专家的规则，一步步推理，给出和专家一样的答案。

和之前追求「通用智能」的AI完全不同，专家系统不追求什么都会，也不追求自主学习，它只专注于一个特定的领域，只解决一类特定的问题。

也正是这份「不贪多、求落地」的务实，让AI第一次走出了实验室，走进了真实的商业世界，开启了一场席卷全球的商业狂欢。

二、狂欢开启：从实验室到商业世界，AI第一次赚了钱

1980年，是AI历史上一个里程碑式的年份。

这一年，第一个真正商业化落地的专家系统——XCON，在DEC公司大获成功，直接点燃了全球企业对AI的热情。

DEC公司是当时全球第二大计算机公司，主营小型机业务。他们最大的痛点，就是计算机的硬件配置：每一个客户的需求都不一样，CPU、内存、硬盘、外设的组合千变万化，有上万种可能。一个经验丰富的配置专家，要花好几个小时，才能配好一套完整的方案，还经常出错，一旦配错，机器发出去就没法用，要来回返工，成本极高。

为了解决这个问题，DEC公司和卡内基梅隆大学合作，开发了一套专家系统XCON。他们把公司里最顶级的配置专家的所有经验，全部写成了规则，喂给了这套系统。

结果超出了所有人的预期：

XCON只需要十几秒，就能完成一个专家几个小时的工作，配置准确率直接从人工的70%，飙升到了98%以上。仅仅上线第一年，就为DEC公司节省了几千万美元的成本。

这件事，瞬间在全球商业圈炸了锅。

在此之前，AI一直是实验室里的玩具，烧钱、看不到回报，被企业当成不切实际的空想。可XCON的成功，让所有企业都看到了：AI是真的能赚钱、能降本、能解决实际问题的。

就像几十年后互联网、移动互联网、AI大模型的风口一样，一旦有了第一个成功的商业案例，资本和企业就会像疯了一样涌进来。

一夜之间，专家系统成了全球最火的风口。

• 巨头企业纷纷入局：福特、通用、IBM、杜邦、波音，几乎所有的世界500强企业，都砸钱开发自己的专家系统。福特用它做汽车故障诊断，波音用它做飞机零部件设计，杜邦用它做化工生产流程优化，银行用它做贷款风险评估，保险公司用它做理赔审核；

• 无数AI创业公司拔地而起：短短几年里，美国冒出了上千家AI创业公司，全都主打专家系统开发，帮传统企业做AI落地。这些公司的估值一路飙升，哪怕只有一个demo，都能拿到巨额融资；

• 高校的AI专业再次成了香饽饽：十几年前招不到学生的AI专业，瞬间成了最热门的专业，企业抢着给学生开高薪，刚毕业的AI工程师，年薪就能达到十几万美元，是其他行业的好几倍；

• 相关的学术会议、期刊再次火爆：十几年前门可罗雀的AI学术会议，参会人数从几十人暴涨到几千人，相关论文数量翻了几十倍。

而把这场狂欢推向顶峰的，是来自日本的一场豪赌——第五代计算机计划。

1982年，当时的日本正处在经济巅峰，靠着汽车、家电、半导体产业，赚得盆满钵满。他们在传统计算机领域，一直被美国压着一头，于是就想借着AI的风口，实现弯道超车，成为全球计算机和人工智能的领导者。

日本政府直接宣布：启动第五代计算机计划，10年投入4.5亿美元（相当于现在的几十亿美元），打造一套以专家系统为核心、能理解自然语言、能自主推理、能实现人机对话的新一代智能计算机。

他们喊出了一句震撼全球的口号：要靠第五代计算机，实现人工智能的终极突破，让日本在21世纪成为全球科技的领导者！

这个计划，直接给全球的AI狂欢加了一把大火。

美国慌了，立刻启动了对应的战略计划，DARPA再次砸下巨额资金，资助AI研究，企业也纷纷跟进，生怕被日本甩在身后；英国、德国、法国等欧洲国家，也纷纷出台自己的AI国家计划，砸钱入局。

整个80年代，全世界都陷入了对AI的狂热里。

从政府到企业，从资本到学术界，所有人都相信：专家系统就是人工智能的未来，用不了十年，智能计算机就会走进千家万户，AI的时代就要来了。

可他们不知道，这场狂欢的背后，致命的隐患早已埋下。泡沫吹得越大，破裂的时候，就越惨烈。

三、狂欢背后：专家系统的致命死穴

专家系统的逻辑，听起来完美无缺：把专家的知识写成规则，计算机就能像专家一样工作。

可这个逻辑里，藏着一个从根上就解决不了的死穴——人类专家的知识，根本没法完全翻译成一条条的规则。

随着专家系统的大规模应用，它的先天缺陷，一个个暴露了出来，而且一个比一个致命。

第一个死穴：知识获取瓶颈，越复杂越难搞

专家系统的核心，是专家的规则。可一个领域的专家，从业几十年的经验，根本不是几百条、几千条规则就能写完的。

就拿医生看病来说，一个顶级的内科医生，能根据患者的脸色、语气、一个不起眼的化验指标，甚至患者的生活习惯，综合判断病情。这些经验，很多时候是「只可意会不可言传」的，他自己都没法精准地写成「如果…就…」的规则。

更要命的是，领域越复杂，需要的规则就越多。

一个简单的计算机配置系统，可能只需要几千条规则；可一个复杂的医疗诊断系统、工业生产系统，需要几万、几十万条规则。这些规则，只能靠人工一条一条地从专家嘴里抠出来，再一条一条地写进系统里，成本高得离谱，周期长得吓人。

很多企业砸了几百万美元，搞了一两年，连规则都没写完一半，项目直接烂尾。

第二个死穴：规则维护爆炸，越用越难用

就算你费了九牛二虎之力，把所有规则都写完了，新的问题又来了：规则会冲突，会过时，需要不停维护。

你加了一条新规则，可能就会和之前的几十条规则冲突，系统直接就乱了，给出的答案驴唇不对马嘴。就像一个医生，加了一条「发烧就用抗生素」的规则，却忘了和「病毒感染不能用抗生素」的规则冲突，最终给出了错误的诊断。

而且，行业的知识是在不停更新的。医疗领域有新的治疗方案、新的药物，工业领域有新的技术、新的工艺，金融领域有新的政策、新的市场规则。只要知识一更新，你就得手动修改、添加系统里的规则，维护成本会随着规则数量的增加，呈指数级上涨。

很多企业的专家系统，上线的时候还好好的，用了一年，维护成本就超过了它带来的收益，最后只能忍痛关掉。

第三个死穴：没有学习能力，只会死记硬背

专家系统最致命的缺陷，就是它根本不会学习。

它所有的能力，都来自人类专家写好的规则，规则里没有的东西，它就完全不会。遇到一个规则里没覆盖的新问题，它立刻就变成了傻子，根本不会举一反三。

就像一个汽车故障诊断的专家系统，你给它输入规则里有的故障，它能精准诊断；可一旦遇到一个新的、规则里没写的故障，它就彻底束手无策了。

更讽刺的是，它不仅不会学习，还不会容错。哪怕你输入的信息有一点点偏差，或者少了一个参数，它就没法正常推理，直接罢工。

而这些问题，从专家系统诞生的那天起，就注定了——它的底层逻辑，就是靠人工写死的规则，根本没有自主学习的能力。

80年代末，这些问题集中爆发了。

无数企业砸了重金开发的专家系统，要么烂尾在了开发阶段，要么上线之后维护成本高到离谱，根本没法用，最后变成了一堆昂贵的电子垃圾。

曾经被吹上天的专家系统，慢慢变成了「企业的无底洞」。资本开始冷静下来，企业也慢慢失去了耐心，狂欢的泡沫，已经到了破裂的边缘。

而压垮骆驼的最后一根稻草，就是日本那场豪赌的失败。

四、泡沫破裂：第二次AI寒冬降临

1992年，日本通产省正式宣布：第五代计算机计划，宣告失败。

整整10年，砸了4.5亿美元，投入了上千名顶尖工程师，最终却什么都没做出来。他们想要的自然语言理解、自主推理、智能人机交互，一个都没实现，做出来的系统，甚至不如传统的计算机好用。

这场曾经震撼全球的豪赌，最终以惨败收场。

这个消息，像一颗炸弹，彻底炸碎了全球对AI的幻想。

就像1973年的莱特希尔报告一样，日本第五代计划的失败，让政府和资本彻底失去了对人工智能的耐心。

一夜之间，风向全变了。

• 政府纷纷砍掉AI研究经费：日本停掉了后续的所有投入，美国DARPA大幅缩减了AI项目的资助，欧洲各国也纷纷叫停了自己的AI国家计划；

• 资本疯狂撤离AI赛道：曾经抢着给AI公司投钱的资本，现在避之不及，上千家AI创业公司，因为融不到钱，纷纷倒闭；

• 企业纷纷叫停专家系统项目：那些还在烧钱的专家系统项目，不管做到哪一步，全被叫停，企业再也不愿意为这个无底洞花钱了；

• 学术界再次陷入萧条：AI相关的论文再次没人看，学术会议参会人数锐减，高校的AI专业再次招不到学生，学者们又一次撕掉了自己身上「人工智能」的标签，生怕被当成骗子。

1993年，整个人工智能领域，彻底坠入了第二次AI寒冬。

这场寒冬，比第一次更冷，更绝望。

如果说第一次寒冬，大家还对AI抱有幻想，只是觉得技术暂时没跟上；那第二次寒冬，所有人都觉得，人工智能就是一场骗局，专家系统的失败，证明了AI根本就没有落地的可能，永远只能是实验室里的玩具。

曾经有多狂热，现在就有多萧条。

80年代风光无限的AI工程师，纷纷转行，很多人去了互联网行业——毕竟90年代，互联网的浪潮已经开始兴起，没人再愿意守着这个看不到希望的领域。

就连人工智能之父约翰·麦卡锡，都无奈地说：

「人们对AI的期待，就像一个气球，吹得太大，终究会破的。」

可就在所有人都转身离开的时候，依然有一群人，守在这片荒漠里，继续着自己的研究。他们没有被泡沫冲昏头脑，也没有被寒冬吓退脚步，只是踏踏实实地解决着神经网络里那些最基础的问题。

正是这些人，在寒冬里埋下的火种，在二十年后，点燃了深度学习的时代，让人工智能迎来了真正的王者归来。

五、寒冬里的火种：为深度学习时代埋下的伏笔

很多人以为，第二次AI寒冬里，AI的研究完全停滞了。

可事实恰恰相反，正是在这片无人问津的荒漠里，后来深度学习时代的所有核心技术，都完成了最关键的理论突破。

在这些坚守的人里，有几个名字，注定要在二十年后，震撼整个世界。

1. 反向传播算法：解决了神经网络的训练难题

我们之前讲过，1974年，保罗·沃博斯就在博士论文里提出了反向传播算法，可在当时，没人关注这个研究。

1986年，就在专家系统的狂欢最盛的时候，杰弗里·辛顿、大卫·鲁梅尔哈特、罗纳德·威廉姆斯，在《自然》杂志上发表了一篇论文，重新发现并完善了反向传播算法。

这篇论文，用严谨的实验证明了：用反向传播算法，就能完美解决多层神经网络的训练问题，让神经网络能自己从数据里学习规律，不用人工写规则。

这篇论文，直接给后来的神经网络复兴，打下了最核心的理论基础。而辛顿，也在几十年后，被称为「深度学习之父」。

2. 卷积神经网络（CNN）：让AI拥有了眼睛

1989年，在贝尔实验室工作的年轻法国科学家杨立昆（Yann LeCun），在辛顿的研究基础上，提出了卷积神经网络（LeNet-5）。

这个模型，完美解决了图像识别的问题。杨立昆用它来识别手写数字，准确率达到了前所未有的高度，后来被广泛应用到了银行的支票手写数字识别里。

而这个卷积神经网络，就是二十多年后，AlexNet横扫ImageNet大赛、引爆深度学习时代的核心模型。杨立昆也因此，和辛顿一起，拿到了计算机界的诺贝尔奖——图灵奖。

3. 梯度消失问题与LSTM：让AI能记住长序列

1991年，德国年轻的博士生塞普·霍克赖特，在自己的毕业论文里，发现了深度神经网络训练里最致命的问题——梯度消失。

简单说，就是神经网络的层数越深，反向传播的时候，前面的层就越学不到东西，最终导致模型无法训练。

这个发现，为后来的神经网络优化，指明了方向。1997年，霍克赖特和他的导师于尔根·施密德胡伯，提出了长短期记忆网络（LSTM），完美解决了梯度消失问题，让神经网络能处理长序列数据，为后来的自然语言处理、大语言模型，打下了最关键的基础。

除了他们之外，还有无数的研究者，在寒冬里默默坚守着。他们没有去蹭专家系统的风口，没有去赚快钱，只是在所有人都不看好的时候，依然在解决着神经网络里一个又一个基础问题。

他们就像在黑夜里举着火把的人，哪怕周围一片黑暗，也依然坚定地往前走。而他们手里的火把，最终在二十年后，照亮了整个AI时代。

从1980年XCON系统的成功，开启商业狂欢；到1992年日本第五代计划失败，坠入第二次寒冬，短短十余年，AI经历了一场从天堂到地狱的轮回。

回头看这段历史，你会发现，它和第一次AI寒冬，像得出奇。

同样是不切实际的预期，同样是资本的疯狂涌入，同样是技术的底层缺陷无法解决，最终同样是泡沫破裂，坠入寒冬。

AI的发展史，似乎永远在重复着「狂热-泡沫破裂-寒冬-坚守-复兴」的轮回。

可每一次寒冬，都不是毫无意义的。它淘汰了投机者，留下了真正的坚守者；它戳破了不切实际的幻想，让行业回归了理性；它让AI从空中楼阁，一步步走向了脚踏实地的技术积累。

专家系统虽然失败了，但它第一次让AI走出了实验室，实现了商业落地，让全世界看到了AI的实用价值；而寒冬里的那些理论突破，更是为二十年后的深度学习爆发，埋下了所有的伏笔。

1993年，第二次AI寒冬正烈，可黎明的曙光，已经在悄悄酝酿。

下一篇预告：

AI简史06｜统计学习的黄金时代：SVM、随机森林与传统机器学习的王朝（1993-2012）

互动话题： 你觉得AI的商业风口，永远逃不开「狂热-泡沫破裂」的轮回吗？我们现在的大模型时代，处在这个轮回的哪个阶段？欢迎在评论区留下你的看法。

参考资料

1. McCorduck P. Machines who think: a personal inquiry into the history and prospects of artificial intelligence[M]. A K Peters/CRC Press, 2004.（人工智能史权威著作，完整还原专家系统的兴衰与第二次AI寒冬）
2. 尼尔·尼尔森. 人工智能的探索[M]. 机械工业出版社, 2017.（AI领域权威历史著作，梳理两次AI寒冬的对比与专家系统的历史意义）
3. Feigenbaum E A, McCorduck P. The fifth generation: artificial intelligence and Japan's computer challenge to the world[M]. 1983.（费根鲍姆原著，详解第五代计算机计划与专家系统的核心逻辑）
4. Rumelhart D E, Hinton G E, Williams R J. Learning representations by back-propagating errors[J]. Nature, 1986, 323(6088): 533-536.（反向传播算法里程碑论文，神经网络复兴的核心理论基础）
5. LeCun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998.（卷积神经网络LeNet-5的核心论文，计算机视觉的奠基性研究）
6. Hochreiter S, Schmidhuber J. Long short-term memory[J]. Neural computation, 1997.（LSTM网络原始论文，自然语言处理发展的关键理论成果）
7. 日本通产省. 第五代计算机计划最终评估报告[R]. 1992.（第五代计算机计划官方终结报告，第二次寒冬的标志性文件）
8. 周志华. 机器学习[M]. 清华大学出版社, 2016.
9. 斯图尔特·罗素, 彼得·诺维格. 人工智能：一种现代的方法[M]. 清华大学出版社, 2013.
10. Newell A, Simon H A. Computer science as empirical inquiry: symbols and search[J]. Communications of the ACM, 1976.