AI史上的第一個(gè)成功的商業(yè)產(chǎn)品是怎樣誕生的？
● ● ●
2024年初，自然雜志公布了2024年重要的七項(xiàng)科技，其中一項(xiàng)是“蛋白質(zhì)序列的深度學(xué)習(xí)模型”。這起源于近來幾年谷歌公司旗下DeepMind的AlphaFold在識(shí)別蛋白質(zhì)結(jié)構(gòu)方面的重大進(jìn)展，也例證了人工智能在解決復(fù)雜科學(xué)問題方面的杰出能力。
盡管AlphaFold識(shí)別蛋白質(zhì)使用的是深度學(xué)習(xí)技術(shù)，但正如一條英語諺語所言：“羅馬不是一天建成的”，AI技術(shù)在幾十年的發(fā)展過程中，經(jīng)歷了一場(chǎng)又一場(chǎng)的變革之旅。從最初的“專家系統(tǒng)”的出現(xiàn)，到現(xiàn)在復(fù)雜的“機(jī)器學(xué)習(xí)”模型時(shí)代，有一段長(zhǎng)長(zhǎng)的歷史進(jìn)程。反思變革過程，回溯早期歷史，可以為充分利用人工智能的潛力來解決復(fù)雜的現(xiàn)實(shí)問題鋪平道路。因此，今天我們回顧用專家系統(tǒng)解決化學(xué)領(lǐng)域復(fù)雜問題的第一個(gè)AI模型，即1965年的DENDRAL。
圖1：自然雜志公布2024年重要的七項(xiàng)科技
專家系統(tǒng)是什么？
在上世紀(jì)的 60 年代初，計(jì)算機(jī)科學(xué)家埃德·費(fèi)根鮑姆（Ed Feigenbaum，1936-）受到科學(xué)家思維過程的啟發(fā)，開始創(chuàng)建模型來模擬專家的經(jīng)驗(yàn)歸納法，這一歷程導(dǎo)致了第一個(gè)專家系統(tǒng)的誕生。費(fèi)根鮑姆與1958年的生理醫(yī)學(xué)諾獎(jiǎng)得主萊德伯格（Lederberg，1925-2008）合作，率先開發(fā)了化學(xué)領(lǐng)域開創(chuàng)性的專家系統(tǒng) DENDRAL，同時(shí)也開啟了一段專家系統(tǒng)引領(lǐng)人工智能的時(shí)代。
專家系統(tǒng)在上世紀(jì)80 年代，曾經(jīng)引領(lǐng)AI，占據(jù)AI的主導(dǎo)地位。第一個(gè)專家系統(tǒng)DENDRAL，是研究有機(jī)分子識(shí)別的工具。繼DENDRAL 之后，又有 MYCIN和CADUCEUS等醫(yī)療診斷的專家系統(tǒng)被開發(fā)出來，用戶向這些計(jì)算機(jī)系統(tǒng)描述他們的癥狀，就像向醫(yī)生描述癥狀一樣，然后，計(jì)算機(jī)返回醫(yī)療診斷。
這些專家系統(tǒng)成為改進(jìn)決策的催化劑，徹底改變了行業(yè)。它們可以幫助化學(xué)家鑒定化合物，或者協(xié)助醫(yī)生診斷感染。隨著他們的成功，專家系統(tǒng)在80 年代獲得了廣泛的應(yīng)用，滲透到財(cái)富 500 強(qiáng)公司中并展示了一定的用處和優(yōu)越性。
之后，還有用于評(píng)估多種殘疾學(xué)生的專家系統(tǒng)；澳大利亞醫(yī)學(xué)研究所開發(fā)的，可對(duì)病理實(shí)驗(yàn)室的內(nèi)分泌報(bào)告提供自動(dòng)臨床診斷評(píng)論的醫(yī)學(xué)專家系統(tǒng)；意大利于 20 世紀(jì) 90 年代開發(fā)的監(jiān)測(cè)大壩安全的專家系統(tǒng)，第一個(gè)版本于 1992 年安裝在 意大利Ridracoli 大壩上，至今仍在繼續(xù)運(yùn)行。
后來，由于當(dāng)年沒有高速的計(jì)算機(jī)，沒有先進(jìn)的互聯(lián)網(wǎng)，當(dāng)然也沒有大數(shù)據(jù)的支撐。然而，盡管時(shí)機(jī)尚未成熟，人們對(duì)人工智能的期望卻過高，最終導(dǎo)致了上世紀(jì) 80 年代末被稱為“人工智能冬天”的衰退時(shí)期。專家系統(tǒng)也未能幸免于難。
不過，了解一下當(dāng)年熱門的專家系統(tǒng)，對(duì)深一步理解如今的AI會(huì)有所啟發(fā)和幫助。
專家系統(tǒng)（expert system）的意思與其名稱一致，是人類社會(huì)的“專家”在機(jī)器系統(tǒng)中的對(duì)應(yīng)物。
我們通常所說的人類中的專家，指的是那些擅長(zhǎng)解決特定問題的專門人才。專家為什么能解決專門的問題呢？有3個(gè)條件：一是具有某個(gè)領(lǐng)域的專業(yè)知識(shí)，二是具有利用這些知識(shí)來進(jìn)行邏輯推理的能力，最后第三條，是根據(jù)推理結(jié)果和他們的經(jīng)驗(yàn)，具有作出正確決策的能力。
于是，計(jì)算機(jī)科學(xué)家便自然地想到：如果讓機(jī)器也擁有了這三種能力，不也就成為專家了嗎？有實(shí)干家們將此想法變成了現(xiàn)實(shí)，給計(jì)算機(jī)編程序，真正實(shí)現(xiàn)了這種具備“專家”功能的機(jī)器系統(tǒng)！于是，便取其名曰“專家系統(tǒng)”。
具體而言，專家系統(tǒng)是一個(gè)包括了某個(gè)領(lǐng)域的大量專門知識(shí)與經(jīng)驗(yàn)的程序系統(tǒng)，它應(yīng)用人工智能技術(shù)和計(jì)算機(jī)技術(shù)，對(duì)這些知識(shí)和經(jīng)驗(yàn)進(jìn)行推理和判斷，并模擬人類專家的決策過程，模仿人類來解決所面臨的問題。
所以，專家系統(tǒng)，不過是“知識(shí)就是力量”在機(jī)器智能上的具體體現(xiàn)，它是早期人工智能的一個(gè)重要分支，是人工智能應(yīng)用研究中比較活躍和廣泛的課題之一。
一般來說，專家系統(tǒng)必須具備三要素：領(lǐng)域?qū)＜壹?jí)知識(shí)（知識(shí)庫(kù)）；模擬專家思維，作出專家級(jí)水準(zhǔn)的決策（推理機(jī)）；問題輸入（界面）；如圖2所示。
圖2：專家系統(tǒng)結(jié)構(gòu)示意圖
費(fèi)根鮑姆其人
美國(guó)科學(xué)家費(fèi)根鮑姆于1936年出生于新澤西州。他的父親是從波蘭移民的猶太人，但當(dāng)費(fèi)根鮑姆不到一歲時(shí)父親就去世了。年輕的費(fèi)根鮑姆從他的繼父那兒，接觸到早期機(jī)電式計(jì)算器。繼父是一名會(huì)計(jì)，擁有一臺(tái)重型機(jī)械計(jì)算器，配有可轉(zhuǎn)動(dòng)數(shù)字輪的電機(jī)，以及一個(gè)非常大的數(shù)字鍵盤。那個(gè)年代的中學(xué)生中，很少人喜歡這種龐大的計(jì)算器，但卻令費(fèi)根鮑姆著迷。他曾經(jīng)吃力地將這個(gè)笨重機(jī)器搬上校車，展示給同學(xué)們看。但多數(shù)人都對(duì)此不感興趣，唯有費(fèi)根鮑姆引以為傲自得其樂。之后，費(fèi)根鮑姆由于對(duì)計(jì)算技術(shù)的極大好奇和癡迷，進(jìn)入了卡內(nèi)基梅隆大學(xué)學(xué)習(xí)電氣工程[1]。在那里他遇到了著名的諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)獲得者赫伯特·西蒙（Herbert Simon，1916—2001）教授，后來又在西蒙的指導(dǎo)下于1960年獲得了博士學(xué)位。
在西蒙的指導(dǎo)下，費(fèi)根鮑姆在讀博期間，實(shí)現(xiàn)了一個(gè)模擬人在刺激反應(yīng)環(huán)境中記憶單詞時(shí)的反應(yīng)的程序，叫做EPAM。這是第一個(gè)模仿人類學(xué)習(xí)能力的電腦系統(tǒng)，費(fèi)根鮑姆發(fā)明了動(dòng)態(tài)增長(zhǎng)的決策樹，以EPAM為題完成了他的博士論文。EPAM 通過一個(gè)簡(jiǎn)單的模型實(shí)現(xiàn)了許多固定目標(biāo)。之后，由它改進(jìn)的模型結(jié)構(gòu)持續(xù)了許多年，在心理學(xué)領(lǐng)域一直活躍且富有成果。
獲得博士學(xué)位之后，費(fèi)根鮑姆到英國(guó)國(guó)立物理實(shí)驗(yàn)室NPL工作了一段時(shí)間，這段經(jīng)歷對(duì)他的影響很大。圖靈曾經(jīng)是NPL的研究員，在那里設(shè)計(jì)和制造了最早的計(jì)算機(jī)之一。遺憾的是圖靈早在1954年便已經(jīng)去世，費(fèi)根鮑姆無緣見到圖靈，卻仍然感受到圖靈在NPL的巨大影響力。
在人工智能初創(chuàng)的第一個(gè)10年中，人們著重的是問題求解和推理的過程。費(fèi)根鮑姆的重大貢獻(xiàn)是最早倡導(dǎo)了"知識(shí)工程"，并使知識(shí)工程成為人工智能領(lǐng)域中取得實(shí)際成果最豐富、影響也最大的一個(gè)分支。
1994年，費(fèi)根鮑姆因其在人工智能和智能系統(tǒng)上的顯著貢獻(xiàn)榮獲圖靈獎(jiǎng)。
費(fèi)根鮑姆本人，不僅是知識(shí)工程的倡導(dǎo)者，也是實(shí)踐者。他對(duì)此的早期實(shí)踐便是考慮開發(fā)一種知識(shí)密集型的，基于知識(shí)的計(jì)算機(jī)系統(tǒng)。這種程序適合于人類專家短缺或?qū)ｉT知識(shí)十分昂貴的的情況，可以模仿人類的專家，用比較經(jīng)濟(jì)、易于復(fù)制推廣的運(yùn)行計(jì)算機(jī)程序的方法，由“專家系統(tǒng)”來完成專家才能完成的任務(wù)。如此一來，企業(yè)就不需要聘請(qǐng)很多有經(jīng)驗(yàn)的專家，所以可以極大地減少勞務(wù)開支和培養(yǎng)費(fèi)用，為用戶帶來經(jīng)濟(jì)效益。
因此，費(fèi)根鮑姆如此定義專家系統(tǒng)：“專家系統(tǒng)是一種智能的計(jì)算機(jī)程序，其內(nèi)部含有大量某個(gè)領(lǐng)域?qū)＜宜降闹R(shí)與經(jīng)驗(yàn)，能夠模擬人類專家的思維過程，求解該領(lǐng)域內(nèi)需要專家才能解決的困難問題?！?/p>
第一個(gè)專家系統(tǒng)
費(fèi)根鮑姆十分欣賞他在卡內(nèi)基梅隆大學(xué)讀博的美好時(shí)光：活躍的學(xué)術(shù)氣氛，充滿創(chuàng)新和挑戰(zhàn)的環(huán)境。在那兒，費(fèi)根鮑姆還有幾位良師益友：博士導(dǎo)師西蒙是AI先驅(qū)，又是經(jīng)濟(jì)學(xué)諾獎(jiǎng)得主，西蒙的學(xué)生中，還有另一位人工智能的先驅(qū)人物：紐厄爾，1975年和西蒙一起榮獲圖靈獎(jiǎng)。博士畢業(yè)后，費(fèi)根鮑姆在加州大學(xué)伯克利分校的商學(xué)院任教五年，但他對(duì)當(dāng)年的伯克利缺乏計(jì)算機(jī)科學(xué)項(xiàng)目感到十分不滿，于是，在 1965 年，費(fèi)根鮑姆穿過舊金山灣來到了斯坦福大學(xué)。
事實(shí)證明，斯坦福的環(huán)境更適合費(fèi)根鮑姆的人工智能興趣，他的經(jīng)歷也說明了環(huán)境對(duì)科研的重要性，適合的環(huán)境、志同道合的合作者，會(huì)使科學(xué)家如魚得水。你別看如今AI很熱門，在60年前不是這個(gè)樣子。即使是硅谷，那年頭是晶體管和半導(dǎo)體等等公司爭(zhēng)奪天下的年代，此外還有處于萌芽狀態(tài)卻頗具商業(yè)潛力的集成電路。而研究人工智能的人卻沒幾個(gè)，所謂“思考機(jī)器”，實(shí)際上還只能算是少數(shù)幾位科學(xué)家深藏心中的夢(mèng)。
不過，斯坦福大學(xué)別出一格，真正研究AI的人數(shù)雖然不多，但愿意朝此方向思考的人物卻不少。在約翰·麥卡錫等的帶頭倡議下，從1964 年開始，舊金山灣區(qū)少數(shù)幾個(gè)對(duì)機(jī)器智能感興趣的人，開始每月在斯坦福舉行一次聚會(huì)。
費(fèi)根鮑姆十分強(qiáng)調(diào)“知識(shí)”對(duì)思考的重要性，到斯坦福大學(xué)后，他改變了研究方向，從計(jì)算機(jī)的認(rèn)知模擬轉(zhuǎn)向工程，即對(duì)計(jì)算機(jī)進(jìn)行編程，使其不僅能與人一樣聰明，而且還有可能比人聰明得多。費(fèi)根鮑姆在斯坦福聚會(huì)上討論他的想法時(shí)，有幸認(rèn)識(shí)了斯坦福大學(xué)遺傳學(xué)系主任萊德伯格。
圖3：費(fèi)根鮑姆在卡內(nèi)基梅隆大學(xué)和斯坦福大學(xué)
約書亞·萊德伯格（Joshua Lederberg，1925-2008）是美國(guó)分子生物學(xué)家，主要研究方向?yàn)檫z傳學(xué)、人工智能和太空探索。他因?yàn)榘l(fā)現(xiàn)細(xì)菌遺傳物質(zhì)及基因重組現(xiàn)象而獲得1958年諾貝爾生理醫(yī)學(xué)獎(jiǎng)，那年他才33歲。
萊德伯格比費(fèi)根鮑姆年長(zhǎng)11歲，同是出生于新澤西的猶太人。他的專業(yè)是遺傳學(xué)，卻曾經(jīng)對(duì)符號(hào)計(jì)算以及類似人工智能的目標(biāo)有過濃厚的興趣。費(fèi)根鮑姆談到他對(duì)建造人工智能系統(tǒng)的一些想法，重新燃起了萊德伯格長(zhǎng)期以來對(duì)計(jì)算的興趣。當(dāng)時(shí)費(fèi)根鮑姆想選擇一個(gè)領(lǐng)域來研究科學(xué)家對(duì)知識(shí)和經(jīng)驗(yàn)的推理行為，萊德伯格立即給出了一個(gè)具體建議：從質(zhì)譜中推導(dǎo)出分子拓?fù)浣Y(jié)構(gòu)的任務(wù)。因?yàn)槿R德伯格正在指導(dǎo)一個(gè)項(xiàng)目，其目標(biāo)是探索火星上的生命，為此萊德伯格的實(shí)驗(yàn)室正在測(cè)量氨基酸的質(zhì)譜，他認(rèn)為質(zhì)譜分析是一項(xiàng)可以產(chǎn)生實(shí)際影響的有用的任務(wù)，經(jīng)驗(yàn)豐富的化學(xué)家，利用他們關(guān)于化合物的質(zhì)譜分析知識(shí)來猜測(cè)化合物的結(jié)構(gòu)。并且，萊德伯格告訴費(fèi)根鮑姆，他最近開發(fā)的一種“樹突”算法，也許可以派上用場(chǎng)。
于是，兩人一拍即合，1965年，他們開始聚集一支出色的團(tuán)隊(duì)，招募科學(xué)家及研究生參與該項(xiàng)目，開始了長(zhǎng)達(dá)10年左右的DENDRAL專家系統(tǒng)開發(fā)的長(zhǎng)期旅途。
剛得博士學(xué)位的布魯斯·布坎南（Bruce Buchanan）以及兩位碩士生首先加入其中，他們后來都在人工智能領(lǐng)域留下了自己的印記。
名為“專家系統(tǒng)”，專家的知識(shí)及經(jīng)驗(yàn)積累舉足輕重，費(fèi)根鮑姆認(rèn)為“知識(shí)蘊(yùn)含力量”，這一主題很快浮出水面，成為DENDRAL及后來的專家系統(tǒng)項(xiàng)目的旗幟。對(duì)DENDRAL來說，重要的是有機(jī)化學(xué)、拓?fù)鋵W(xué)和質(zhì)譜方面的知識(shí)，而萊德伯格的質(zhì)譜知識(shí)還不夠，必須另請(qǐng)專家！
其實(shí)，需要的專家近在眼前，他們看中了萊德伯格的朋友卡爾·杰拉西。
卡爾·杰拉西（Carl Djerassi，1923—2015），是保加利亞與奧地利裔美國(guó)化學(xué)家。他最出名的貢獻(xiàn)是開發(fā)了口服避孕藥，但他也是一位頗有聲名的作家，是幾本科幻小說的作者。他于1978年獲得第一屆沃爾夫化學(xué)獎(jiǎng)。杰拉西是斯坦福大學(xué)質(zhì)譜實(shí)驗(yàn)室的負(fù)責(zé)人，那當(dāng)然是質(zhì)譜分析領(lǐng)域?qū)＜抑械膶＜摇?/p>
為此兩人設(shè)計(jì)了一個(gè)“圈套”：向杰拉西演示他們構(gòu)建的DENDRAL的雛形：DENDRAL這位機(jī)器“專家”，能夠?qū)Ω逗?jiǎn)單的氨基酸，但是，對(duì)其他的化合物，例如酮和醇的族類，卻表現(xiàn)得無能為力。原因是顯而易見的，因?yàn)樗鼪]有“獲取”這方面的有機(jī)化學(xué)家已經(jīng)了解的化學(xué)知識(shí)，當(dāng)時(shí)的DENDRAL對(duì)這些族的質(zhì)譜幾乎一無所知。這個(gè)演示對(duì)杰拉西太有誘惑力了，他不就是這方面的專家么，于是，杰拉西欣然同意參與到項(xiàng)目中，使得該程序在酮和醇方面的性能顯著提高。
DENDRAL的四人團(tuán)隊(duì)中，布坎南的貢獻(xiàn)也不容小覷，他是LISP程序?qū)＜?，并且有他的特殊興趣：他希望系統(tǒng)能夠“自己做出發(fā)現(xiàn)，而不僅僅是幫助人類做出發(fā)現(xiàn)”。因此，DENDRAL被設(shè)計(jì)為由兩部分組成：“Meta-Dendral”和“Heuristic Dendral“，前者是一個(gè)“假設(shè)制造者”，后者將作為知識(shí)豐富的學(xué)習(xí)系統(tǒng)的模型，可作為模板用于其他領(lǐng)域。
專家系統(tǒng)的意義
第一個(gè)專家系統(tǒng)DENDRAL誕生了，在不斷完善的過程中，該計(jì)劃處理了數(shù)百甚至數(shù)千數(shù)萬個(gè)案例[2]。DENDRAL是一個(gè)化學(xué)分析專家系統(tǒng)，保存著化學(xué)家的知識(shí)和質(zhì)譜儀的知識(shí)，可以根據(jù)給定的有機(jī)化合物的分子式和質(zhì)譜圖，從幾千種可能的分子結(jié)構(gòu)中挑選出一個(gè)正確的分子結(jié)構(gòu)。不過，專家就是專家，僅僅擁有某一特定領(lǐng)域?qū)＜业姆椒ê椭R(shí)。DENDRAL程序，對(duì)于某些分子家族，即使與人類的最佳表現(xiàn)相比，它也是該領(lǐng)域的專家。但是，專家不能通吃，某個(gè)領(lǐng)域的專家很難轉(zhuǎn)移到其它專業(yè)。例如，國(guó)際象棋大師不太可能是專業(yè)的代數(shù)學(xué)家或?qū)I(yè)的質(zhì)譜分析師。
DENDRAL的經(jīng)驗(yàn)為下一個(gè)專家系統(tǒng)的創(chuàng)建提供了信息，MYCIN，幫助醫(yī)生診斷血液感染。因此，DENDRAL的研究成功被認(rèn)為是人工智能研究的一個(gè)歷史性突破。
上世紀(jì)70-80年代，專家系統(tǒng)從實(shí)驗(yàn)室出現(xiàn)并進(jìn)入市場(chǎng)，“專家系統(tǒng)”這個(gè)短語開始流行，很快地在各個(gè)地方使用。專家系統(tǒng)成為最早真正成功的人工智能軟件形式之一，是第一個(gè)成功的商業(yè)人工智能產(chǎn)品，在許多制造業(yè)和軍隊(duì)中都發(fā)揮了作用。專家系統(tǒng)的成功不僅驗(yàn)證了費(fèi)根鮑姆關(guān)于知識(shí)工程的理論的正確性，還為專家系統(tǒng)軟件的發(fā)展和應(yīng)用開辟了道路，逐漸形成具有相當(dāng)規(guī)模的市場(chǎng)，其應(yīng)用遍及各個(gè)領(lǐng)域、各個(gè)部門。
正如人工智能歷史上一次又一次的新突破一樣，專家系統(tǒng)這個(gè)“新事物”，在20世紀(jì)80年代產(chǎn)生了大量的炒作，得到一些令人興奮但卻是錯(cuò)誤的預(yù)測(cè)，對(duì)其發(fā)展起了反作用。在20世紀(jì)90年代以后，“專家系統(tǒng)”一詞逐漸從IT詞典中消失，原因有多種，有人認(rèn)為因?yàn)閷＜蚁到y(tǒng)沒有兌現(xiàn)其過度炒作的承諾，因而成為其成功的受害者。但是實(shí)際上，早在1983年[3]，費(fèi)根鮑姆就發(fā)現(xiàn)了導(dǎo)致它們最終消亡的“關(guān)鍵瓶頸”，是因?yàn)椤皵U(kuò)大知識(shí)獲取的過程非常艱苦，我們必須擁有更自動(dòng)化的手段來取代目前非常繁瑣、耗時(shí)且昂貴的程序。知識(shí)獲取問題是人工智能的關(guān)鍵瓶頸問題?！?/p>
不過，正是專家系統(tǒng)的局限性，促使研究人員開發(fā)新型方法。他們開發(fā)了更高效、靈活和強(qiáng)大的方法來模擬人類決策過程，特別是具有反饋機(jī)制的機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘方法。
現(xiàn)代AI系統(tǒng)可以更容易地處理大量復(fù)雜數(shù)據(jù)（大數(shù)據(jù)）而吸收新知識(shí)，從而進(jìn)行自我更新，這些類型的專家系統(tǒng)，后來被稱為“智能系統(tǒng)”。
如今，費(fèi)根鮑姆期待的“知識(shí)獲取的自動(dòng)化”最終實(shí)現(xiàn)了，但并不是通過他當(dāng)時(shí)設(shè)想的方法，而是要?dú)w結(jié)于“機(jī)器學(xué)習(xí)”方法的使用，尤其是在網(wǎng)絡(luò)出現(xiàn)之后，知識(shí)變成了可以通過互聯(lián)網(wǎng)及其他方式訪問的數(shù)字化實(shí)體，再通過機(jī)器學(xué)習(xí)以及近十年發(fā)展的“深度學(xué)習(xí)”方法，來挖掘和分析這些知識(shí)。所以，盡管專家系統(tǒng)這個(gè)名詞現(xiàn)在不常用，但當(dāng)年發(fā)展出來的若干概念和思想，已經(jīng)融入到AI的血液里。
參考文獻(xiàn)：（上下滑動(dòng)可瀏覽）
