5、AI系统的专业领域探索

AI系统的专业领域探索

1. 规则驱动的问题解决

早期的AI研究中，规则驱动的问题解决是一个重要方向。在20世纪60年代，MIT的Minsky引导研究人员应对各种人类认知挑战，如解决代数和演绎文字问题、进行几何类比、寻找概念之间的关联等。

在卡内基梅隆大学，早期的AI工作从人类思维中汲取灵感。Newell和Simon假设问题解决可以通过对由IF/THEN规则组成的相对稳定的长期记忆和用于中间结果的更易变的短期记忆进行操作来理解。问题解决过程是反复找到适用于当前短期记忆内容的规则，并使用这些规则来确定如何改变下一轮的记忆。

这种使用规则的想法对整个领域产生了显著影响，催生了专家系统。专家系统专注于使用从人类专家访谈中获得的规则来模拟他们的问题解决能力。以下是一些早期重要的专家系统：
| 专家系统名称 | 开发者 | 功能 | 成果 |
| — | — | — | — |
| MYCIN | 计算机科学家Ted Shortliffe | 医疗诊断和治疗，如开特定疾病的药物 | 到20世纪70年代末，在传染病治疗建议方面表现出与人类医生相当的能力 |
| Prospector | 计算机科学家Richard Duda和Peter Hart及同事 | 预测矿产储量 | 成功预测了华盛顿州一个此前未知的钼矿储量 |
| XCON | 计算机科学家John McDermott | 为数字设备公司配置计算机 | 1980年投入使用，到1986年估计处理了8万个订单，为母公司节省了2500万美元 |

专家系统的成功带来了“知识就是力量”的口号，但这种范式存在两个显著弱点：
1. 知识获取瓶颈