我们将为自己具有智慧去认识自己的局限性，以及为发明一种技术而弥补它的缺陷而赞叹。

—个在阿拉斯加遥远乡村中的医生，遇到一个重病人，但是缺乏专门技术进行诊断和处方。于是，将一个手提的计算机终端插入一个收音机，这个医生将通过卫星和数千里以外的计算机取得联系。这个计算机包含了一个巨大的内科学内储存系统和一个模拟医学权威们进行推理和经验的程序。计算机就是一个在阿拉斯加乡村中的专家或任何一个地方的保健工作者，它能及时地进行咨询。

上述的梦想和今天的现实之间的沟壑仍然是巨大的，而这种梦想可能被过分地夸张了。但是，科学家们正在开始大踏步地向生产专家系统前进，这种专家系统的程序是在一个计算机中综合了人类的专门知识。确实这种系统具有复制价值昂贵和稀有的人类知识的潜力，它导致全世界范围的努力去发展和运用这种技术。

在美国约有200个研究者，全世界有500个研究者，正在编制专家系统的程序，大约有50种程序能够符合专家系统的需要。有一些已在商业上供应，还有半打程序可为它的发明者带来财富。专家系统已在诸如医药、工商管理、计算机设计和修理，以及在探寻自然资源等不同的领域中应用。这种系统有广泛的用途。“专家系统就是专家——你可以前来听取它们的忠告。”麻省理工学院的阮道尔 · 戴维斯（Randall Davis）说：“或者它们可以作为合作者，同步前进，或者它们可以作为专家的助手。总之，以上所有的都是能够建造非常有用的系统的领域。”

生产下一代的专家系统及运转它们的计算机的激烈竞争已经开始了。斯坦福大学的去德华 · 费吉巴姆（Edward Feigenbaum）借用亚当 · 斯密斯（Adam Smith）的话，声称人工智能的潜力将是“新的国家财富”。人工智能不仅包括专家系统，还包括机器人、语言识别、图像分析和探索研究认识论——人工智能的研究企图去解释人类如何思维的规则。

关于思维机器的最初想法

最早企图制造一个模仿人的思维的机器的人可能是艾达 · 奥古斯塔 · 拜伦（Adu Aogusta Byron）即拜仑爵士的女儿。她无可争辩地是第一个计算机程序的编制者。在十九世纪中叶的英国，她帮助查理士 · 巴贝奇（Charles Babbage）为一个分析机的机械式计算机设计逻辑程序。这个机器借用一种自动纺织机的思路，即用可以替换的穿孔卡片循环作为程序，这个机器设计成能够根据程序进行操作，并输出结果。当机器完成一系列操作后，它将视结果而决定下一步它将做什么。假若某一计算的结果适合于一个特定的范围，例如，机器将干某一件事情；假若总的结果并非如此，那么机器将干别的。这样的话，机器可以在复杂的决定中进行选择。然而巴贝奇几乎没有完成任何事情，他也从未完成他的分析机。

现代的科学家们在试验和建造人工智能机以前，必须在概念上和技术上取得飞跃进步。

事实上，任何人脑的过程都能在计算机中复制，已得到了确认。例如，1947年英国科学家艾伦 · 图林（Alan Turing）提议制造人工智能机，他甚至设计了一个试验决定在什么样的条件下，计算机才可以被称为能够进行思维。图林的试验是让一位专家位于计算的键盘前提问题，一些问题将由计算机回答，某些则由专家使用计算机回答。假若试验者不能分辨出是专家或是计算机回答问题，那么，这时就可以说计算机具有了智能。自然，今天的计算机已经能愚弄专家了，而大多数计算机科学家们则认为图林试验是太简单了。

人工智能作为一门科学是1956年在达脱第斯学院的会议上诞生的。现在在麻省理工学院的麦尔汶 · 明斯基（Marvin Minsky）、斯坦福大学的约翰 · 麦克卡尔塞（John McCarthy）、国际商业机器公司的纳塞尼尔 · 罗切斯特（Nathaniel Rochester）和贝尔实验室的克劳夫特 · 雪浓（Clavde Shannon）鼓动开会讨论用计算机模拟人的思维。这次会议不仅使术语（人工智能）这一名词得以诞生，同时导致宣布了许多人认可的第一个人工智能的真正计算机程序——即第一个专家系统。

被称为“逻辑理论家”的程序是由卡内基 · 梅隆的艾伦 · 纽维尔（Allen Newell）和赫伯特 · 西蒙（Herbert Simon）和兰德公司的J · C · 肖（J. C. Shaw）发展起来的。他们用这些程序去证明若干由阿尔弗雷德 · 洁斯 · 怀海德和伯屈兰德 · 罗素（Alfred North Whitehead and Bertrand Russell）在《数学原理》中提出来的数学理论，而且，至少在一种情况下，这个程序提供了一种较人类数学家更优美的数学证明。令人啼笑皆非的是，当科学家们准备出版他们的科学成就时，却遇到了麻烦，因为没有一个杂志愿意接受一篇用机器证明的论文。

转向经验

自此以后，发展专家系统的研究者们试图把许多领域的专家们的头脑集中起来，把他们的知识输入到计算机的程序中去，主要应用相同的认识方法，然后使计算机如专家们一样得出同样的结论，这一点也不困难。在几年里，他们的探讨有明显的改变。首先，人工智能的研究被一种朴素的信念所支配，认为少数推理的定律再加上强大的计算机就可以产生专家的功能。但是，科学家们很快地发现用这种一般的意图解决问题的战略去解决重要问题是太弱了。这个困难在于计算机是一个奇特的机器，它只能一个、一个地传送信息，比较它们，加、减、搬来调去。确实，有些计算机表现得十分精彩，因为它们以非常的速度计算，但是很少有人的智能，能模拟一下这种方式。

考虑一下下棋的游戏，它几乎有无限可能的走法，世界上最快的计算机，开足马力，也要花十年时间才能做到在游戏之前，考虑所有的棋路，程序专家们称之为“蛮干”，这种方法，即使对这类问题的解决也是无益的。于是，科学家们发展了“中断”程序。这类程序仅仅考虑最可能的走法，根据计算机库中储存的棋谱知识衡量它们的可能性，同时，计算机还将判断什么样的走法将是最好的。它要像一个人类的下棋冠军那样来判断。这种判断的知识称之为“启发式”的，也就是希腊语的“发现”，现在人工智能研究者们通常考虑用这种启发式的、选择的方法来设计专家系统。

“总发式”曾被称为“好的猜测艺术”，它能使专家、人或机器去认识问题的可能的解决方法，把复杂的问题分解为更小的问题，去收集周围不完整的数据，当需要时进行有训练的猜测。于是，专家从经验中获得、并用以解决问题的知识，综合经验的规则，较以前的推理公式方法更为重要。

和常见的计算机语言不同，人工智能语言是综合数据而形成为指令，而使新的知识勿需再增加新编的程序即可增加到程序中去。普通的程序可以使计算机使用一种硬性规定的步骤称为“算法语言”以解决问题。然而，这些显然不是人们思考的方式，而当问题需要演绎推理时，就会显得不足。许多专家系统使用被称为“假若……就是……”的归纳陈述，例如，一个人流鼻涕，打喷嚷，那么，他就是感冒了，下一步的程序可能是，假若病人得了感冒就用阿斯匹林予以处理。另外，代表知识的通常方式是一种金字塔式的概念的网，称为“语义学的网络”，它演绎出结论来。例如：所有的鸟都有翅膀，麻雀是鸟，所以麻雀一定会有翅膀。在“语义学的网络”中，事物都结合成节点，以所有可能的通道互相联结着，这些通道将导致达到金字塔尖的结论。

计算机化学家

第一个启发式程序是从一次爱德华 · 费吉巴姆和一位获得诺贝尔奖金的遗传学家乔舒亚 · 李德伯格（Joshua Lederberg）在斯坦福的讨论中获得的。费尔巴姆想看看他是否能在一个计算机中模拟科学方法的试验推理，李德伯格建议采用质谱仪来分析有机化合物，当每一个元素在分子中吸收光线时，所产生的光谱就可用一种已经成熟的技术来分析，从而对分子进行鉴定。李德伯格完全迷在计算机科学中，而且吸引了斯坦福大学的另一位令人尊敬的教授卡尔 · 第吉雷西（Carl Djerassi），他们从1965年开始，最后，他们创造了第一个商用的专家系统，名叫Dendral。

任务异常庞大，他们不得不决定包含的基本概念和发展表现概念之间关系的定则。计算机专家们面临的一个重要挑战是去找出李德伯格和第吉雷西知道什么和他们怎么知道的，然后将这些转化成为信息符号——一个输入和提取的过程，这花了他们好几年的时间。这种将专家经验转换为计算机所理解的符号的技术，被逐渐称之为“知识工程”。Dendral继续工作着，并开始扩展到核磁共振其他分析技术的数据处理，目前Dendral技术已被全世界的有机化学家们经常采用。

Dendral的成功帮助计算机专家们确信，这个采用“启发式”的系统确实能够模拟专家们解决问题的方式。它同样鼓舞了这类以规则为基础的程序可以在有机化学以外的领域中采用。在斯坦福，研究者们决定在更复杂的医药学部门试验。

设计“医生”

哈佛大学的一个正在学习的医预科学生爱德华 · 肖特里费（Edward Shortliffe）对计算机很感兴趣，他在斯坦福学习计算机科学和医药学为他自己打好基础。他的导师是斯坦利 · 柯亨（Stanley Cohen）。柯亨在重组DNA上很快扬名。肖特利费创造了一个包括柯亨和内科学家斯坦敦 · 爱克斯林（Stanton Axline）的智能程序，它包括了对血和传染性脑膜炎的诊断以及内科专家们建议的抗生素疗法。这个程序叫Mycin，它完成的水平和传染病专家差不多，略高于没有专长的内科医生。

肖特里费说：“我们每周碰一次头，讨论病例，我们试图去了解爱克斯林和柯亨是如何决定、怎样处置这些病例的。我们这些人对计算机知道得较多而对医药则所知甚微，我们经常打断他们，总是这样提问：‘为什么你们这样说？’爱克斯林有一张病人图表，而柯亨则问他问题，爱克斯林根据图表回答问题，柯亨则决定在这种情况下，他将做什么，我们则试图了解柯亨为什么提出他那样的问题，我们把他告诉我们的问题和规则记下来，而爱克斯特再帮助我们提炼，而每周的间隙，我将这些规则编成计算机程序。”

然后，计算机在不同的情况下，试验它的技术，当计算机出了一连串愚蠢的错误时，研究者们就围坐在它旁边：人类试探做出决定是依靠他们的生活经验和背后的普通感觉，而计算机则二者皆无。同时，计算机还缺乏将信息前后连贯起来的本领，除非程序设计者给它提供一个程序。例如，计算机很容易得出这样的诊断：“他怀孕了”，除非人的思维警告它，只有女性才能怀孕。肖特里费走过十分艰难的历程去提炼这些程序——每一个错误都必须查出，每一个原因都必须正确。

研究者们面临的一个问题是在实际世界中A+B=C，但并不通常如此，而且不是经常的，同样，似乎又是合理的，“推理可以不是逻辑的推理，而十分像合理的推理”。肖特里费说，计算机还必须能够根据它们的模糊性去做出抉择。例如，假若一个病人发高烧，可能是他着了凉，也有可能他有另外的一百种其他的毛病，所以面对发烧的事实必须作出选择。假若病人还流鼻涕和咳嗽，诊断为感雨变成似乎更加合理些。当肖特里费和爱克斯林和柯亨一起坐下时，他不仅必须知道他们知道什么，而且他必须知道他们如何在他们似乎合理的结论和事实之间的相互联系上作出合理的判断。

怎样形成一个专家？

在发展Mycin时，研究者们发现了某些使他们惊奇的事。假若他们从程序中改变知识的基础——如改变医药的、具体的某种信息——那么它们剩下的将是含有逻辑的那一部分。这一部分几乎差不多是通用的。你可以将它插入其他领域的数据库，例如，几何或计算机芯片设计，而这些程序将继续工作。于是，现在研究者们把这种逻辑部分称为“推理工程”（或巴贝奇幻影），从而他们发展了一种一般S辑的组合程序，称之为“Mycin”（麦辛）基础，或“伊麦辛”（E Mycin）。确实，IBM公司采用了一套在“伊麦辛”基础上的专家系统去判断计算机的驱动装置的故障。结构分析顾问“Sacon”（Structural Analysis Consultant）是一个由“伊麦辛”带动的系统，它能帮助结构工程师们用一套复杂的计算机模拟程序判别战略上最优的结构。

在某些领域运行中，判断机器的能力支持这样的观点，至少某些人类的推理是有结构的，能被一个机器所模拟。它也能导致对专长本质的认真地思考，这是研究者们从专家系统想要知道的。例如，麻省理工学院的戴维斯计算了专家的七种功能：他们能解决问题；他们能解释结果；他们能从经验中学习；他们能使知识重新结构化；当需要时，他们能够突破规则；他们能够决定可靠的程度；当他们达到了他们知识的极限时，效能将“急剧下降”。

迄今为止，专家系统在深度上只能展现出头三种功能。由于这些，戴维斯说纯粹问题的解决，“至今仍然是最好的理解，我们致力于解释和知识的捕获（即从经验中学习），也只是抓到了一些表面现象”。早期医药专家系统的一个缺陷是内科医生们不相信计算机的结果。即使推理是正确的，程序设计者也会认识到用户可能怀疑计算机的决定。

在斯坦福大学，研究者们增加了一个梯瑞萨斯对麦辛（Teiresias to Mycin）的计算机程序，当一个，内科医生按下“为什么”的键时，就启动了。例如，当输入了一个特殊病人的情况时，计算机可能问：传染病是否是从医院带来的7假若内科医生怀疑，为什么计算机会问这个问题时，梯瑞萨斯就会解释为什么“麦辛”会这样想，这可能是重要的。列举出关于这个观点的已知事实，以及描述它怎么会有这个问题的，当用像“为什么”这个指令时，用户可以系统地反推找到推理的程序链。于是，内科医生就会更满意地或者接受、或者拒绝这个推理，以及后来的建议和诊断。事实上，多数程序设计者在没有人和专家系统联系时，不能预知未来。这些，在医药学中更是如此。杰克 · 梅亚斯（Jack Mayers）；一位匹兹堡大学的内科学专家说：“这些医必须经常在那里，去解释计算机输出的信息”。“我们不希望他吞下钩子、线和锤子”。

在过去几年里，梅亚斯用一种程序做试验，称作“内科医生”，看看他的专长是否能输入利一个计算机中去（这个程序，有个滑稽的称呼：“在盒中的杰克”）。这个系统，有如其他的专家系统一样，在记忆方面较人类有较多的优点。梅亚斯说：“人类的记忆不够容纳现代医药学的基础知识，人脑已不能同时接纳大量的假设，所以，医生们不得不持有一张图解表”。

“内科医生”的基本数据包括大约500种疾病的信息，和75%所有的、主要的医药诊断，可见，“内科医生”有多么伟大。梅亚斯和计算机专家小哈里 · 波普尔（Harry E. People Jr. ）从新英格兰医药杂志上取出来上百种病例编入程序。内科医生和专家小组与计算机竞赛，十九种病例包括四十三种不同的诊断问题被选出来作为试验。“内科医生”对了25次，照料病人的内科医生对了28次，临床大夫则对了35次。“内科医生”误诊了一些病，但是，它和大多数普通医生干得一样好，而且，从前没有一个诊断系统能够开始从广阔的内科医药学范围掌握如此大量的复杂病例。

至今波普尔和梅亚斯仍然在发展一种改进型的程序，在内科医生被魔鬼纠缠的符号困扰之后，这个程序被叫作卡都塞斯（Caduceus）。在这些改进中，这个程序配备了一个人体的模型科器官的作用：卡都塞斯能够以不同器官的相互作用和根据病症的发展作为基础进行判断。卡都塞斯首先从病人那凡获得病史、症候以及检验和试验的结果。然后，这个程序从记忆库中去挑选可能的诊断。首先，它用“引起强度”来量度某个特殊病人得某种疾病的可能性。可能性将因某种疾病症候的不出现而减少某一定的数量。于是计算机给医生们显示出病人可能得的几种疾病，并让医生们知道它在想什么。采用“启发式”，消除了所有其他的考虑到的疾病，例如，假若一位病人没有发烧，那么程序将把在它的表格中所有具有发烧的疾病的符号全部甩掉。

卡都塞斯用讯问一系列的问题，来企图缩小其探寻选择的领域。它可能会问进一步查血的结果，假若病人还没有查血，它会建议医生们命令他们去查血。这个程序可能会问到更多的历史或遗传的信息。每一个问题的答案都会帮助重新计算“引起强度”。当某一种疾病较其他疾病的确证证据大幅度增长并超过一个临界线时，卡都塞斯就宣布它的处方 · 但是卡都塞斯还没有结束它的工作，接着，这个程序又除去所有导致处方的病症的因素，重新回顾它的数据，看看剩下的“医药问题”能否用其他的疾病来解释，这要继续到所有的症候和试验的不正常结果都得到解释时为止。

作为商品的专家系统

当大多数专家系统仍然在试验时，某些专家系统已投入了日复一日的使用。例如，一种简化了的医药诊断程序，一种从麦辛（Mycin）演化出来的，被称为柏夫（Puff）的专家系统目前正在旧金山的太平洋医疗中心用以诊断肺病。而斯坦福已建立了一个全国性的计算机网络叫做苏米克斯——埃姆（Sumex-AIm），一种用于医药学的人工智能机。全国的研究小组都可分时享用苏米克斯——埃坶，而他们不需购买自己的人工智能机。

由国际SRI为英国地质勘探协会研制的“勘探者”已用于矿藏勘探。这个程序包括从不同的矿层的许多地质权威那儿获得的全部知识，“勘探者”能够估价某一地理位置含有一种特殊矿石的潜力，以及在此区域特种矿石的位置和在此矿区中不同的钻探位置。它也能够解释它如何得到它的结论，同时指出，什么样的信息对将来的开采是最有价值的。既然勘探者作为一个专家可以找到各种不同的矿藏，它能够较任何单个的人类专家完成得更为出色，麻实，当地质学家们用“勘探者”在加拿大发现了一个价值数百万美元的钼矿以后，标志着它的第一次成功。

帕罗 · 阿尔托（Palo Alto）的技术有限公司有—个帮助石油公司在遇到井钻卡住时决定如何做程序。今天，当在全世界遇到钻井问题需要解决时，石油公司需要给专家们付出极高的报酬。而且，由于空钻会带来一天约10万美元的损失，有了一个专家系统将是非常值得的。

新海文（New Haven）的认识系统出卖一种程序用于帮助保险公司的代理人为他们的用户发展一种最好的政策。

贝尔实验室在福特 · 沃尔斯（Fort Worth）有一套专家系统在工作，它专门分析来自安装电话电缆的地勤人员的修理报告。每晚一个叫做爱西（Ace）的程序，诊断电缆出问题的地点以及建议需要做什么样的修理——这本来需要一个人进行一周的工作。卡内基 · 梅廉（Cannegie-Mellon）的约翰 · 麦克 · 梯尔摩脱（John Mc Dermotl）与底克待尔仪器公司（Digital Eqvipment Corp）的研究者合作发展了R-I型，它帮助公司建造它的VAX计算机。这些计算机差不多经常卖给适合特殊需要的用户，它意味着大量的组成部分需要结合在一起以服从许多限制和各种条件。R-I型的另一种型号爱克西尔（X sel）正由DEC公司的推销员试验以保证在订货时不犯错误。因为公司将因订货的被采用，可能不得不付出去纠正一个计算机错误的钱。

同时，由于硬件和软件的问题，使专家系统取得更大的进步将受限制，人工智能的研究人员急切地等待现在称为第五代的计算机，许多这样的计算机从巨大的储存记忆库中以多重处置方式存取，以代替仅仅在一个时间内以只能取出一个数据、似乎有人怀疑它是否能工作，某些巨型计算机如克雷巨型机已采用多重处置，但不像第五代样机那样的多重处置。当然，存在若明显地担心，谁将第一个制成第五代计算机，日本已投入了将近5亿美元去发展更先进的计算机，目标专门瞄准了人工智能的应用。

另外的问题是改进知识工程，即将科学家们的专长转换成计算机的程序。斯坦福大学的费吉巴姆说：“这是人工智能的窄瓶口”，“这是人工智能实验室在未来十年必须面对和解决的最重大的问题”，斯坦福大学的布鲁斯 · 巴克南（Bruce Bachanan）说，目前在专家和编制程序的人之间“给”与“取”的相互关系仍然是八十年代最好的方式。然而，它消耗了过多的时间。他还说：“知识工程可以在一个星期中从专家或其他来源如书本中获得基本的信息，但要编制成程序则需要花几年的时间”。巴克南正在为叫做“了解知识”的概念而进行研究。在这个程序中，专家可以对计算机直接谈话，而不需要再通过一个程序编制者了。另外一种训练计算机的办法是从它自己的错误中学习。今天，大多数的专家系统却必须由人们发现错误和修改程序。

争论的问题

没有任何一件事情像专家系统和人工智能的研究那样更复杂，更不能够在没有争论中前进。例如，研究者们直到现在也没有在程序是否应该离正去追求模拟人脑的推理方面取得一致意见。当另一些专家们坚持这些努力是徒劳无益时，某些科学家们正在采用这种探索方式。前者认为莱特兄弟（Wright brothers）并没有试图去模拟鸟来制造飞行的机器。

另一个更大的讨论中心是专家系统能否使计算机真正思维。获得诺贝尔荣誉的赫伯尔特 · 西蒙，他是卡内基 · 梅隆的一位人工智能的先驱者相信计算机能够思维。他说：“我站在这个问题的一个极端上，我们谈到一个人是聪明的，就是给他某一件任务，看他如何完成它。聪明就是要有对复杂情况作出恰当的反应的能力。每一次我们编写一个计算机程序去做这种事情，特别假若它是一个非常一般的程序时，我很自然地会把计算机看作一个展现的智能”。

另外一些人，如印第安那大学的道格拉斯 · 霍夫斯塔特（Douglas Hofstadten）则坚持认为计算机不可能有智能。霍夫斯塔特相信大多数人工智能的研究者忙忙碌碌限于研究逻辑、演绎，他们几乎不花时间去研究那些构成人工智能更微妙的东西如直觉。他说：“我相信，除非人工智能达到它的顶点时，而且100%的颠倒过来，它不可能达到人类智能所具有的水平和形式。”

麻省理工学院的麦尔汶 · 明斯基则认为目前的专家系统已经走到了它们的尽头，而人工智能的研究者正在走回头路，走向其基础或“初始原理”。他接肴说：“这些程序是很振奋人心的，可是它们的大多数没有深度。例如，你看不到研究者们研究普通感觉的推理问题。今天还没有能告诉你区别盘子和杯子的程序。”

同时，人工智能的研究者同意，目前存在的程序仅仅是开始。正如费吉贝姆形容它们的，它们是“试验性的原型”他说：“它们能工作得很好，因为任务已被高度限制于一点，在这点上，我们能够积累足够多的知识，在解决问题时找出差别”。“知识扩大到了整个世界，即使机器可能容纳尽可能多的知识，计算机必须变得更加精明，要能更好地解决问题”。

许多科学家相信高级专家系统和巨型计算机的出现将带来第二次计算机革命，甚至比第一次革命更重要。例如卡内基 · 梅隆大学的雷介 · 瑞弟（Raj Reddy）发现在这类工作中有一个命运的主宰者，在这一年的美国科学促进协会会议上，瑞弟说：人类只是一个唯一的物种，以利用人工制品即“创造技术”取得进步的。“现在你看到的是人类进化的第二阶段，假若你能造出一个人工制品，它能够允许你能较你平常想的和做的快上百倍，那么，你将远远处于发展阶段的前面”。

爱德华 · 费吉贝姆也看到了正在来临的新时代。他说：“我们人类能很好地将感觉的符号转换为认识的符号。在解决问题时需用普通感觉”。但是，面对一大堆庞大的数据，我们胆怯了，我们缺乏系统性和易于丧失记忆，容易厌烦和迷惑，笔和记录的技巧都帮助我们克服在这方面的某些困难。相互作用的、精致的计算机将帮助我们克服另一些困难。我们将为自己具有智慧去认识自己的局限性，以及发明一种技术来弥补它的缺陷而赞叹。

（Technology Review，1983，11月12日，第86卷，第6期）