讀人工智慧全傳05專家系統

1. 知識就是力量

1.1. 人工智慧領域此前存在的問題是過度關注搜尋和解決問題這種通用法則

1.2. “弱”方法缺少一個關鍵的要素，而這一要素才是在所有智慧行為中起決定性作用的組成部分：知識

1.3. 一種基於知識的人工智慧系統：專家系統開始出現，它能利用人類專業的知識來解決特定的、狹義領域的問題

1.3.1. 專家系統提供的證據證明，人工智慧在完成某些特定領域的任務方面遠勝人類，更重要的是，它們首次向人們證明，人工智慧可以應用於商業領域

1.3.2. 基於知識的人工智慧系統可以向廣大受眾傳授相關的技術，這一代的人工智慧研究畢業生決心把他們的知識應用在此領域

1.3.3. 專家系統與通用人工智慧不同，它的目標是解決非常狹義、非常具體的問題，解決這類問題通常需要相當專業的知識

1.3.3.1. 能夠解決這類專業問題的人類專家都需要花費極長的時間來學習相關知識，而這類專家相當稀少

2. MYCIN

2.1. 一個經典的專家系統

2.1.1. 當年最著名的專家系統之一

2.1.2. 在20世紀70年代出現的第一代專家系統中，最具代表性的可能就是MYCIN系統了

2.1.3. 知識庫已經包含了數百條規則

2.2. 它試圖利用人類專家的知識來解決有史以來最大的難題：通用人工智慧

2.3. 將看到研究人員如何利用數學邏輯的強大和精準性，試圖建立更豐富的獲取知識的方法，以及為何這個目標最終也落空了

2.4. MYCIN系統首次證明，人工智慧在某些重要的領域表現可以優於人類專家，它為後來無數的專家系統提供了模板

2.5. MYCIN本來是用於輔助醫療的系統，為人類血液疾病的診斷提供專業建議

2.5.1. 在血液疾病診斷方面，MYCIN的表現與人類專家相當，並且高於普通醫生的平均水平

2.5.2. 這是人工智慧系統首次在具有實際意義的任務中展示出人類專家級或以上的能力

2.6. 專案成功的一大要素就在於，專家系統是由真正的人類專家參與建設的

2.6.1. 有許多專家系統都宣告失敗，因為它們缺乏了相關領域人類專家的必要支援

2.7. 它包含了後來的專家系統必不可少的所有關鍵特性

2.7.1. MYCIN的系統操作和人類專家進行互動類似——向使用者提出一系列問題，並且記錄使用者的響應

2.7.1.1. 成為專家系統的標準模型，而MYCIN的主要功能——診斷——則成為專家系統的標準任務

2.7.2. MYCIN的推理是可以還原和解釋的

2.7.2.1. 推理透明度的問題在人工智慧應用方面有時極其重要

2.7.2.2. 解釋和證明人工智慧建議的合理性是非常有必要的

2.7.2.3. 經驗表明，作為“黑盒”執行的系統，如果沒有能力證明其建議的合理性，就會受到使用者的嚴重質疑

2.7.2.4. MYCIN至關重要的能力是它可以明確給出得出這一結論的原因，它是透過一系列推理鏈來得出最終結論的，即那些被觸發的規則和觸發規則的資訊，都是有跡可尋的

2.7.3. MYCIN能夠應對不確定性

2.7.3.1. 有些時候使用者向系統提供的資訊並不是完全真實和準確的

2.7.3.2. 應對和處理不確定性是對專家系統及人工智慧系統的一個普遍要求，在MYCIN這樣的系統中，極少根據某個單一的特性就得出明確結論的規則

2.7.3.3. 為了能夠做出準確的判斷，專家系統需要以某種更保險的方式來考慮症狀資訊

3. 使用規則獲取人類專家知識

3.1. 啟發式方法作為一種將解決問題的重點放在有希望的方向上的方法，在黃金年代被廣泛應用

3.2. 人工智慧系統應該明確地獲取和展示人類解決某類問題的專業知識

3.3. 最常見的方案是基於規則的，被稱為知識表述

3.3.1. 人工智慧環境下，一條規則以“如果……那麼……”的形式獲取離散的知識塊

3.3.2. 該規則中的條件是“該動物能飛，該動物能產卵”，結論就是“它是鳥類”

3.3.3. 如果我們當前所掌握的資訊與條件項相匹配，那麼規則就會被觸發，我們就能根據這條規則得出結論

3.4. 知識庫包含系統所擁有的知識：那些規則

3.4.1. 工作儲存器則包含了系統擁有的，有關當前正在解決的問題資訊

3.4.2. 推理機則是專家系統的一個重要組成部分，它負責在解決問題的時候應用系統記憶體儲的知識

3.4.3. 只要給定知識庫，推理機就能夠以兩種方式執行

3.4.3.1. 正向推理

3.4.3.1.1. 從資料推理到結論

3.4.3.1.2. 使用者向系統提供他們所知道的有關問題的資訊，推理機會根據使用者提供的資訊，應用規則去獲取儘可能多的新資訊，這個過程叫作規則觸發

3.4.3.1.3. 推理機將觸發規則以後獲得的新資訊新增到工作儲存器中，繼續檢視是否有新的規則被觸發，然後不斷重複這個過程，直到徹底無法透過已知資訊應用更多規則得出更多新資訊為止

3.4.3.2. 反向推理

3.4.3.2.1. 從想建立的結論開始，反向推理出資料

3.5. 20世紀80年代，工業界開始意識到，知識體系，尤其是專業知識，是可以培育和發展的重要資產，可以帶來高額利潤

3.6. 人工智慧的再次繁榮不僅僅是MYCIN、DENDRAL等案例成功的故事，更重要的是，專家系統賦予了人工智慧另一種可能性

3.7. 知識工程師

3.7.1. 一個全新的職業

3.7.2. 構建一個專家系統似乎比傳統程式設計還容易一些

3.7.3. 1983年，英國政府發起了一場雄心勃勃的計算機技術研究資助計劃，名叫“阿爾維計劃”，計劃的核心就是發展人工智慧

3.7.3.1. “基於知識的智慧系統”

4. DENDRAL

4.1. 世界上第一例成功的專家系統

4.2. 它也使費根鮑姆成為知識型系統最著名的倡導者之一，並被人們尊稱為“專家系統之父”

4.3. DENDRAL的開發目的是幫助化學家根據質譜儀提供的資訊來確定化合物的成分及結構

4.4. 在20世紀80年代中期，每天有成百上千的人在使用DENDRAL

4.5. DENDRAL專案證明專家系統是可用的，MYCIN證明它可以在專業領域勝過人類專家，R1/XCON證明了它有商用價值

5. 基於邏輯的人工智慧

5.1. 雖然規則成為專家系統獲取人類知識的主要方法，但也有大量其他方案存在

5.2. 指令碼的知識展示方案

5.2.1. 該方案基於一種關於人類理解能力的心理學理論建立，理論指出，我們的行為部分受刻板印象模式(即“指令碼”)支配，我們也用這些模式來理解世界

5.3. 語義網

5.3.1. 它非常直觀、自然，在當今社會，也經常被重新定義

5.3.2. 事實上，如果讓你去發明一個知識表述方案，你很有可能做出類似的產品

5.4. 在以知識為基礎的人工智慧興起時，似乎每一個人都有自己的知識表述方案，而且跟其他人的不相容

5.5. 雖然專家系統事實上的知識表述方式是基於規則的，但在知識表述方面，研究人員仍然有不少困擾

5.5.1. 規則太簡單，無法獲取複雜環境下的相關知識

5.5.1.1. MYCIN系統的規則就不適用於會隨時間變化的環境，也不適用於多個使用者(不管是人類還是人工智慧)的環境，或者實際狀態存在各種不確定性的環境

5.5.2. 用於專家系統獲取知識的各種方案似乎都有些武斷，研究人員希望能瞭解專家系統中的知識實際上意味著什麼，並確保系統進行的推理是可靠的

5.5.2.1. 為基於知識的專家系統提供合適的數學基礎

5.6. 用邏輯作為知識表述的統一方案

5.6.1. (完備的)推理

5.6.2. (不完備的)推理

5.7. 邏輯告訴我們怎樣正確地從前提中得出結論，這個過程被稱為演繹

5.8. 三段論是古希臘哲學家亞里士多德(Aristotle)提出的，1000多年以來，三段論為邏輯分析提供了主要框架

5.8.1. 它能展示的邏輯推理形式十分有限，不適合許多複雜形式的論證

5.9. 德國的戈特洛布·弗雷格(Gottlob Frege)發展了普通的邏輯演算，為世人第一次展現了類似現代數理邏輯框架的東西