AI史上的第一個成功的商業(yè)產(chǎn)品是怎樣誕生的？
● ● ●
2024年初，自然雜志公布了2024年重要的七項科技，其中一項是“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在識別蛋白質(zhì)結(jié)構(gòu)方面的重大進展，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)歷了一場又一場的變革之旅。從最初的“專家系統(tǒng)”的出現(xiàn)，到現(xiàn)在復(fù)雜的“機器學(xué)習(xí)”模型時代，有一段長長的歷史進程。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AI模型，即1965年的DENDRAL。
圖1：自然雜志公布2024年重要的七項科技
專家系統(tǒng)是什么？
在上世紀的 60 年代初，計算機科學(xué)家埃德·費根鮑姆（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)驗歸納法，這一歷程導(dǎo)致了第一個專家系統(tǒng)的誕生。費根鮑姆與1958年的生理醫(yī)學(xué)諾獎得主萊德伯格（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，同時也開啟了一段專家系統(tǒng)引領(lǐng)人工智能的時代。
專家系統(tǒng)在上世紀80 年代，曾經(jīng)引領(lǐng)AI，占據(jù)AI的主導(dǎo)地位。第一個專家系統(tǒng)DENDRAL，是研究有機分子識別的工具。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，用戶向這些計算機系統(tǒng)描述他們的癥狀，就像向醫(yī)生描述癥狀一樣，然后，計算機返回醫(yī)療診斷。
這些專家系統(tǒng)成為改進決策的催化劑，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，滲透到財富 500 強公司中并展示了一定的用處和優(yōu)越性。
之后，還有用于評估多種殘疾學(xué)生的專家系統(tǒng)；澳大利亞醫(yī)學(xué)研究所開發(fā)的，可對病理實驗室的內(nèi)分泌報告提供自動臨床診斷評論的醫(yī)學(xué)專家系統(tǒng)；意大利于 20 世紀 90 年代開發(fā)的監(jiān)測大壩安全的專家系統(tǒng)，第一個版本于 1992 年安裝在 意大利Ridracoli 大壩上，至今仍在繼續(xù)運行。
后來，由于當年沒有高速的計算機，沒有先進的互聯(lián)網(wǎng)，當然也沒有大數(shù)據(jù)的支撐。然而，盡管時機尚未成熟，人們對人工智能的期望卻過高，最終導(dǎo)致了上世紀 80 年代末被稱為“人工智能冬天”的衰退時期。專家系統(tǒng)也未能幸免于難。
不過，了解一下當年熱門的專家系統(tǒng)，對深一步理解如今的AI會有所啟發(fā)和幫助。
專家系統(tǒng)（expert system）的意思與其名稱一致，是人類社會的“專家”在機器系統(tǒng)中的對應(yīng)物。
我們通常所說的人類中的專家，指的是那些擅長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個條件：一是具有某個領(lǐng)域的專業(yè)知識，二是具有利用這些知識來進行邏輯推理的能力，最后第三條，是根據(jù)推理結(jié)果和他們的經(jīng)驗，具有作出正確決策的能力。
于是，計算機科學(xué)家便自然地想到：如果讓機器也擁有了這三種能力，不也就成為專家了嗎？有實干家們將此想法變成了現(xiàn)實，給計算機編程序，真正實現(xiàn)了這種具備“專家”功能的機器系統(tǒng)！于是，便取其名曰“專家系統(tǒng)”。
具體而言，專家系統(tǒng)是一個包括了某個領(lǐng)域的大量專門知識與經(jīng)驗的程序系統(tǒng)，它應(yīng)用人工智能技術(shù)和計算機技術(shù)，對這些知識和經(jīng)驗進行推理和判斷，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“知識就是力量”在機器智能上的具體體現(xiàn)，它是早期人工智能的一個重要分支，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)＜壹壷R（知識庫）；模擬專家思維，作出專家級水準的決策（推理機）；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
費根鮑姆其人
美國科學(xué)家費根鮑姆于1936年出生于新澤西州。他的父親是從波蘭移民的猶太人，但當費根鮑姆不到一歲時父親就去世了。年輕的費根鮑姆從他的繼父那兒，接觸到早期機電式計算器。繼父是一名會計，擁有一臺重型機械計算器，配有可轉(zhuǎn)動數(shù)字輪的電機，以及一個非常大的數(shù)字鍵盤。那個年代的中學(xué)生中，很少人喜歡這種龐大的計算器，但卻令費根鮑姆著迷。他曾經(jīng)吃力地將這個笨重機器搬上校車，展示給同學(xué)們看。但多數(shù)人都對此不感興趣，唯有費根鮑姆引以為傲自得其樂。之后，費根鮑姆由于對計算技術(shù)的極大好奇和癡迷，進入了卡內(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)濟學(xué)獎獲得者赫伯特·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，費根鮑姆在讀博期間，實現(xiàn)了一個模擬人在刺激反應(yīng)環(huán)境中記憶單詞時的反應(yīng)的程序，叫做EPAM。這是第一個模仿人類學(xué)習(xí)能力的電腦系統(tǒng)，費根鮑姆發(fā)明了動態(tài)增長的決策樹，以EPAM為題完成了他的博士論文。EPAM 通過一個簡單的模型實現(xiàn)了許多固定目標。之后，由它改進的模型結(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，費根鮑姆到英國國立物理實驗室NPL工作了一段時間，這段經(jīng)歷對他的影響很大。圖靈曾經(jīng)是NPL的研究員，在那里設(shè)計和制造了最早的計算機之一。遺憾的是圖靈早在1954年便已經(jīng)去世，費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10年中，人們著重的是問題求解和推理的過程。費根鮑姆的重大貢獻是最早倡導(dǎo)了"知識工程"，并使知識工程成為人工智能領(lǐng)域中取得實際成果最豐富、影響也最大的一個分支。
1994年，費根鮑姆因其在人工智能和智能系統(tǒng)上的顯著貢獻榮獲圖靈獎。
費根鮑姆本人，不僅是知識工程的倡導(dǎo)者，也是實踐者。他對此的早期實踐便是考慮開發(fā)一種知識密集型的，基于知識的計算機系統(tǒng)。這種程序適合于人類專家短缺或?qū)ｉT知識十分昂貴的的情況，可以模仿人類的專家，用比較經(jīng)濟、易于復(fù)制推廣的運行計算機程序的方法，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)就不需要聘請很多有經(jīng)驗的專家，所以可以極大地減少勞務(wù)開支和培養(yǎng)費用，為用戶帶來經(jīng)濟效益。
因此，費根鮑姆如此定義專家系統(tǒng)：“專家系統(tǒng)是一種智能的計算機程序，其內(nèi)部含有大量某個領(lǐng)域?qū)＜宜降闹R與經(jīng)驗，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>
第一個專家系統(tǒng)
費根鮑姆十分欣賞他在卡內(nèi)基梅隆大學(xué)讀博的美好時光：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)濟學(xué)諾獎得主，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。博士畢業(yè)后，費根鮑姆在加州大學(xué)伯克利分校的商學(xué)院任教五年，但他對當年的伯克利缺乏計算機科學(xué)項目感到十分不滿，于是，在 1965 年，費根鮑姆穿過舊金山灣來到了斯坦福大學(xué)。
事實證明，斯坦福的環(huán)境更適合費根鮑姆的人工智能興趣，他的經(jīng)歷也說明了環(huán)境對科研的重要性，適合的環(huán)境、志同道合的合作者，會使科學(xué)家如魚得水。你別看如今AI很熱門，在60年前不是這個樣子。即使是硅谷，那年頭是晶體管和半導(dǎo)體等等公司爭奪天下的年代，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，所謂“思考機器”，實際上還只能算是少數(shù)幾位科學(xué)家深藏心中的夢。
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)幾個對機器智能感興趣的人，開始每月在斯坦福舉行一次聚會。
費根鮑姆十分強調(diào)“知識”對思考的重要性，到斯坦福大學(xué)后，他改變了研究方向，從計算機的認知模擬轉(zhuǎn)向工程，即對計算機進行編程，使其不僅能與人一樣聰明，而且還有可能比人聰明得多。費根鮑姆在斯坦福聚會上討論他的想法時，有幸認識了斯坦福大學(xué)遺傳學(xué)系主任萊德伯格。
圖3：費根鮑姆在卡內(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）是美國分子生物學(xué)家，主要研究方向為遺傳學(xué)、人工智能和太空探索。他因為發(fā)現(xiàn)細菌遺傳物質(zhì)及基因重組現(xiàn)象而獲得1958年諾貝爾生理醫(yī)學(xué)獎，那年他才33歲。
萊德伯格比費根鮑姆年長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)對符號計算以及類似人工智能的目標有過濃厚的興趣。費根鮑姆談到他對建造人工智能系統(tǒng)的一些想法，重新燃起了萊德伯格長期以來對計算的興趣。當時費根鮑姆想選擇一個領(lǐng)域來研究科學(xué)家對知識和經(jīng)驗的推理行為，萊德伯格立即給出了一個具體建議：從質(zhì)譜中推導(dǎo)出分子拓撲結(jié)構(gòu)的任務(wù)。因為萊德伯格正在指導(dǎo)一個項目，其目標是探索火星上的生命，為此萊德伯格的實驗室正在測量氨基酸的質(zhì)譜，他認為質(zhì)譜分析是一項可以產(chǎn)生實際影響的有用的任務(wù)，經(jīng)驗豐富的化學(xué)家，利用他們關(guān)于化合物的質(zhì)譜分析知識來猜測化合物的結(jié)構(gòu)。并且，萊德伯格告訴費根鮑姆，他最近開發(fā)的一種“樹突”算法，也許可以派上用場。
于是，兩人一拍即合，1965年，他們開始聚集一支出色的團隊，招募科學(xué)家及研究生參與該項目，開始了長達10年左右的DENDRAL專家系統(tǒng)開發(fā)的長期旅途。
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)”，專家的知識及經(jīng)驗積累舉足輕重，費根鮑姆認為“知識蘊含力量”，這一主題很快浮出水面，成為DENDRAL及后來的專家系統(tǒng)項目的旗幟。對DENDRAL來說，重要的是有機化學(xué)、拓撲學(xué)和質(zhì)譜方面的知識，而萊德伯格的質(zhì)譜知識還不夠，必須另請專家！
其實，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化學(xué)家。他最出名的貢獻是開發(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。杰拉西是斯坦福大學(xué)質(zhì)譜實驗室的負責人，那當然是質(zhì)譜分析領(lǐng)域?qū)＜抑械膶＜摇?/p>
為此兩人設(shè)計了一個“圈套”：向杰拉西演示他們構(gòu)建的DENDRAL的雛形：DENDRAL這位機器“專家”，能夠?qū)Ω逗唵蔚陌被幔?，對其他的化合物，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，因為它沒有“獲取”這方面的有機化學(xué)家已經(jīng)了解的化學(xué)知識，當時的DENDRAL對這些族的質(zhì)譜幾乎一無所知。這個演示對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的四人團隊中，布坎南的貢獻也不容小覷，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)計為由兩部分組成：“Meta-Dendral”和“Heuristic Dendral“，前者是一個“假設(shè)制造者”，后者將作為知識豐富的學(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
第一個專家系統(tǒng)DENDRAL誕生了，在不斷完善的過程中，該計劃處理了數(shù)百甚至數(shù)千數(shù)萬個案例[2]。DENDRAL是一個化學(xué)分析專家系統(tǒng)，保存著化學(xué)家的知識和質(zhì)譜儀的知識，可以根據(jù)給定的有機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。DENDRAL程序，對于某些分子家族，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，某個領(lǐng)域的專家很難轉(zhuǎn)移到其它專業(yè)。例如，國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)驗為下一個專家系統(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的研究成功被認為是人工智能研究的一個歷史性突破。
上世紀70-80年代，專家系統(tǒng)從實驗室出現(xiàn)并進入市場，“專家系統(tǒng)”這個短語開始流行，很快地在各個地方使用。專家系統(tǒng)成為最早真正成功的人工智能軟件形式之一，是第一個成功的商業(yè)人工智能產(chǎn)品，在許多制造業(yè)和軍隊中都發(fā)揮了作用。專家系統(tǒng)的成功不僅驗證了費根鮑姆關(guān)于知識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，逐漸形成具有相當規(guī)模的市場，其應(yīng)用遍及各個領(lǐng)域、各個部門。
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“新事物”，在20世紀80年代產(chǎn)生了大量的炒作，得到一些令人興奮但卻是錯誤的預(yù)測，對其發(fā)展起了反作用。在20世紀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，有人認為因為專家系統(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。但是實際上，早在1983年[3]，費根鮑姆就發(fā)現(xiàn)了導(dǎo)致它們最終消亡的“關(guān)鍵瓶頸”，是因為“擴大知識獲取的過程非常艱苦，我們必須擁有更自動化的手段來取代目前非常繁瑣、耗時且昂貴的程序。知識獲取問題是人工智能的關(guān)鍵瓶頸問題。”
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、靈活和強大的方法來模擬人類決策過程，特別是具有反饋機制的機器學(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，從而進行自我更新，這些類型的專家系統(tǒng)，后來被稱為“智能系統(tǒng)”。
如今，費根鮑姆期待的“知識獲取的自動化”最終實現(xiàn)了，但并不是通過他當時設(shè)想的方法，而是要歸結(jié)于“機器學(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)字化實體，再通過機器學(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。所以，盡管專家系統(tǒng)這個名詞現(xiàn)在不常用，但當年發(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：（上下滑動可瀏覽）
