这是“人工智能演义”第三回了，上回书说到以神经网络为代表的联结主义学派，这一回说的是人工智能另一大山头—符号主义学派。符号主义曾长期领衔诸多学派，为人工智能的发展作出巨大贡献，未来，我们不知道哪个派别能够占据统治地位，但这并不重要，重要的是它能为人工智能乃至人力资本行业数字化带来什么贡献。

　　什么是“符号主义”？先举个栗子。

　　当我们看到一个房间，可以看到门、沙发、柜子、电灯等物品，人类的大脑可以很自然地将这些看到的物体定义成某些符号。正是通过模拟人类思维过程，我们将符号输入到计算机，计算机得出对应的结论，这就是所谓的人工智能符号主义。

　　在人工智能的发展历程中，符号主义和联结主义一直是相互竞争和影响的两大学派，在相当长的一段时间中，符号主义一直占据着人工智能领域的主导地位。相比于联结学派利用人类所难以理解的复杂神经网络模拟大脑的计算与思考，符号主义倾向于认为人工智能源于数理逻辑，认为智能的本质就是符号的操作和运算。虽然这几年来联结主义风头更劲，但符号主义也在以各种的方式影响着当今人工智能领域的发展。

招兵买马，大干一场

　　还是再让我们回到1956年那次著名的达特茅斯会议，当时会议的几位组织者Allen Newell（纽厄尔）、Herbert Simon（他有一个霸气的中文名：司马贺）、John McCarthy（麦卡锡）及Marvin Minsky（明斯基）都是符号主义的拥趸，会议之后这几位大神便各自招兵买马拉集队伍准备大干一场。

　　司马贺与纽厄尔在兰德公司相识，之后他将纽厄尔带到自己所在的卡耐基理工学院（对，就是计算机领域大名鼎鼎的卡耐基梅隆大学的前身）攻读博士，两人亲密合作几十年。1956年，司马贺与纽维尔等人一起合写了第一个人工智能程序：逻辑理论家（Logic Theorist），这一程序可以模拟人证明符号逻辑定理的思维活动，并成功证明了《数学原理》第二章里面的38个定理。此外他们还合作了最早的下棋程序之一MATE，能够自动发现物理化学定律的BACON系统，以及第一门面向AI的程序语言IPL（Information Processing Language）。

　　这对师友的贡献远不止于此，他们提出了著名的物理符号系统，把人的思维过程看成是信息处理的过程，并定义一系列操作，从而将人脑和计算机的思维方式统一在一起。在此基础上，他们又进一步提出了纯认知系统模型，在原来的物理符号系统上面加入情感、认知等因素，成为符号主义学派重要的理论基础。为表彰他们人工智能领域的突出贡献，ACM将1975年的图灵奖授予了司马贺与纽厄尔这对师徒。司马贺的贡献还远不止这些，他一共拿到过9个博士学位，除人工智能外，在心理学、经济学和管理学上都颇有建树，并获得了1974年的诺贝尔经济学奖，这是多么了不起的成就！

△司马贺与纽厄尔

　　花开两朵，各表一枝，达特茅斯会议上的另一对麦卡锡与明斯基于1958年先后来到麻省理工学院，开始进行AI方向的研究。

　　彼时苏联发射的人造卫星刚刚进入太空，艾森豪威尔总统不甘落后，迅速成立了DARPA计划，促进各个高校进行科技成果转移转化。在此期间，麦卡锡发明了著名LISP语言并成为人工智能界第一个广泛应用的语言，且仍在被大量程序员使用。

　　60年代初年，在DARPA200万美元的资助下，著名的MAC项目（The Project of Mathematics and Computation）项目启动，并逐步发展出了著名的MIT人工智能实验室。项目启动不久，麦卡锡决定离开MIT回到他曾经工作过的位于美国西海岸的斯坦福大学，在那里，他又组建了大名鼎鼎的斯坦福人工智能实验室（Stanford Artificial Intelligence Laboratory，SAIL)。

AI第一次寒冬

　　随后的几年中人工智能继续发展，在机器证明、人机对话和机器翻译等领域取得了一些进展，但这些进展远远达不到公众对于人工智能的期待。

　　司马贺曾经在1958年预言，再过10年机器就能问鼎国际象棋世界冠军，但直到1997年才完成；而明斯基在1968年《2001太空漫游》记者会上说机器智能30年内可赶超人类，直到现在也未曾实现。第一批人工智能的开拓者们过于低估了实现人工智能的难度。受限于计算机处理性能，当时的符号推理系统能处理规则的数量有限，且只在特定的领域、特定的环境下才能够发挥作用。这使得当时投入巨大的俄语翻译器、战线机器人和语音指挥系统等人工智能项目进展缓慢，始终停留在玩具阶段却无法真正落地。说到此处，院长不由想起那句歌词：“是否对你承诺了太多，还是我原本给的就不够。”

　　1965年，兰德公司委托哲学家德雷福斯（Hubert Dreyfus）撰写了一篇关于人工智能的报告，名为“Alchemy and Artificial Intelligence”（炼金术和人工智能）及其后续“What computers can't do”（计算机不能做什么）。书中将AI与历史上的炼金术相提并论，将AI研究比作是没有基础的无用之功。

　　德雷福斯研究了当时AI领域的主要学术论文，认为在博弈、问题求解、语言翻译和学习、模式识别这四个活跃AI领域的研究都遇到较大困难。其根本原因在于许多人类的行为包含特殊形式的人类“信息加工”，并不能通过一套死板的规则进行程序化。

　　比如机器翻译中每个词翻译成目标语言中的哪个词，并不完全由这个词本身决定，还需要考虑这个词的上下文信息，简单的规则显然无法解决这一问题。但引入更多规则意味着需要更多的存储和计算资源以及更为复杂的人工智能模型，这在当时都是不可能实现的。之后美国国家科学院的ALPAC报告和英国科学研究理事会的LightHill报告进一步向还处在萌芽中的AI宣判了死刑，之后DARPA等机构纷纷停止对人工智能项目的资助，AI历史上的第一次寒冬正式来临。

专家系统的兴衰

　　20世纪80年代，对符号主义架构进行了重大修订后的“专家系统”横空出世，并引领了人工智能的第二个春天。

　　专家系统对传统符号主义方法的缺陷进行改进，将系统分为知识库（Knowledge Base）和推理引擎（Inference Engine）两部分，分别负责知识的存储和基于知识的逻辑推理。这样一来，知识库可以由业务专家进行编写和维护，更易规模化，而AI专家则可以专注以通用推理引擎的研发。此外，针对德雷福斯报告中提到AI规则过于死板的问题，专家系统引入了神经网络和粗糙集等当时先进的方法，解决专家系统较难获取完备知识的问题。

　　司马贺的学生费根鲍姆（Edward Feigenbaum）被公认为专家系统之父。1969年费根鲍姆与领域专家一起研发出了第一例成功专家系统：DENDRAL，这一系统中包含了化学家的知识和质谱仪的知识，可以根据给定的有机化合物的分子式和质谱图，从几千种可能的分子结构中挑选出一个正确的分子结构。DENDRAL的成功不仅验证了费根鲍姆的知识工程的理论，证明了实现智能行为的主要手段在于知识，在多数实际情况下是特定领域的知识。DENDRAL的研发成功还为专家系统软件的发展和应用开辟了道路，此后费根鲍姆又主导研发了应用在医疗领域的ACME及Mycin系统，并与1994与另一位来自CMU的教授Raj Reddy教授（对，就是TBBT中那位Raj的原型）于1994年被共同授予图灵奖。

　　进入80年代后，由卡内基梅隆大学研发的XCON（eXpert CONfigurer）系统成为专家系统组新的成功案例。XCON最初被用于DEC位于新罕布什尔州萨利姆的工厂，它拥有大约2500条规则，号称每年为DEC节省了两千五百万美元。为了进一步提升计算效率，美国开始有大量公司研制专门为LISP优化过的计算机LISP Machine来支持更复杂的专家系统。日本经济产业省拨巨款支持第五代计算机项目，其目标是造出能够与人对话、翻译语言、解释图像，能够像人一样推理的机器。

△LISP Machine

　　不久之后，人们发现专家系统更新迭代和维护成本同样非常高，同时数据缺乏与计算性能的问题也并没有得到根本性的解决。随着计算机硬件性能的提升，更多人倾向于选择成本低廉的个人电脑而非昂贵的LISP Machine。与此同时，日本人的第五代计算机工程也遭遇滑铁卢，一系列的问题使得刚刚得到复兴以专家系统为代表的人工智能领域再次遭遇寒冬。

　　俗话说”人不能被同一块石头绊倒两次“，可纵观AI的两次寒冬所犯错误却如出一辙，都是对于技术能力估计过高而对实际困难估计过低，尤其是系统所需要的数据规模与计算能力。

　　经历过两次寒冬的符号主义学派也并未消沉，随着互联网时代的到来，符号主义也会以一种新的形式重新回到大家的视野。欲知后事如何，且听院长下回分解。

小结

　　最后院长想说，无论“符号主义”这一学派如何发展，其通过程序语言实现AI逻辑的基本思想早已经“零落成泥碾作尘”，融入到了所有日常的AI开发中。有句俗话说“有多少智能就有多少人工”，一个复杂的AI系统必然离不开大量人工规则，这些规则或者作为冷启动的初始方案，或者作为机器学习模型的重要补充，发挥着重要的作用。当今的规则系统从理论创新性上可能不能与前文所说的系统相提并论，但凭借更强大的计算能力、更高级的编程语言及软件工程设计，其效果肯定是青出于蓝，也有点“乱拳打死老师傅”的意思。

　　作为一名美食爱好者，院长经常看到有网友讨论为什么鲁菜作为四大菜系之首，却很难感觉到它的存在。后来很多网友解答，说我们日常生活中的很多常见菜肴都源于鲁菜，各种用料和烹饪方法也多从鲁菜起源，鲁菜已经不知不觉融进每位食客的餐桌。读者仔细琢磨琢磨，“符号主义”是不是也有点AI中“鲁菜”的意思。

　　作为一家面向企业服务的AI公司，e成科技也面临着大量业务问题与专家知识。一方面，e成科技有强大的专家团队提供业务支持；另一方面，e成科技的AI团队也在尝试各种方法将这些专业知识融入AI，这里既包含前面提到的深度学习方法（补课请点击>人工智能演义第二回：遇险阻创始人早逝，敢坚持三剑客逆袭），也借鉴了很多专家系统的思路，下一回院长将会介绍的知识图谱，当然也少不了大量攻城狮们手工写成的代码规则。

　　作者：e成科技AI算法负责人刘洋