当年备考南大信管系硕士入学考试的时候，专业课中学到过这个概念：专家系统。不过早已忘了是教材里面的还是相关复习资料里面的，这么多年过去了，专业课学的内容基本都忘了，更别说里面的概念。关于这次考试，我记得清楚的只有两个小事，一是一直没忘这个“专家系统”，因为工作中见过类似的极简应用；二是记得我的专业课考了131分，150分的题，还是很开心的，毕竟工作8年之后再考是不容易的。专业课的资料和教材，我是过了近100遍的。关于专家系统，当时只是应考，也没有去细究过这个专家系统的可行性有多大，看起概念来，很是令人神往，八十年代末我国很流行专家系统这个概念。
计算机系统可以根据设计功能目的划分为不同类型，比如为解决人机交互易用性而产生的操作系统、为模拟物理实验真实性而产生的仿真系统，还有老婆所从事和精通的军事仿真作战类系统，等等。
专家系统设计的初衷是希望机器能模拟人类专家，具备相关领域知识，进而辅助从业人员做出决策，提高工作效率。
读研之后，在学习的过程中，我也搜过相关知识，始终没看到过国内有这方面的比较成熟的系统相关应用或报道。后来在读一些科技图书的时候，比如《计算机简史》之类的，倒是看到了不少相关的资料。专家系统在国外很早就被提出来、研究和实践，也就是AI人工智能提出来不久之后。很多科学家就在干这个事，也包括一些公司比如IBM、AT&T等。
专家系统有难度，发展比较慢，由于历史上各种原因和国内外发展严重不平衡，有阵子“专家系统已死”老是被各种文章说起，这也是和我国计算机科学技术发展速度吻合的，我国起步确实慢，而且计算机、计算机语言一开始天然就是为英文所设计的。专家系统是一个智能计算机程序系统，其内部包含大量的某个领域专家水平的知识与经验，用户能够利用这些知识和经验来处理该领域的问题。也就是说，专家系统应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，模拟人类专家的决策过程进行推理和判断，以解决一些需要人类专家处理的复杂问题。简而言之，专家系统是一种模拟人类专家解决领域问题的计算机程序系统。专家系统从人类专家中汲取知识，并让系统可以实现归纳、总结甚至推理演化相关领域知识范畴。专家系统解决了以前需要依赖人类专家才能解决的问题。专家系统可以说是在计算机时代，人类对于人工智能最早的尝试。早在20世纪60年代初便出现了运用逻辑学与模拟人类心理活动的一些通用问题求解程序，这些便是专家系统的维形。1965年，人类在化学领域研制出的dendral是历史上第一个专家系统，用以推断化学分子结构。在随后几十年的发展过程中，专家系统应用渗透到各个领域，包括数学、军事、地质勘探、医学领域等。不少专家系统在功能实用性层面达到甚至超越同领域人类专家的平均水平，这也因此带来了巨大的经济效益。专家系统创始人之一、美国斯坦福大学教授埃·费根鲍姆在20世纪80年代中期对世界上许多国家和地区的专家系统应用情况做了调查研究，得出的结论是：大部分专家系统是人工作效率的10倍，有的达到100倍甚至300倍。使用专家系统为企业节约了大量的资金，如著名的DEC公司用于计算机组装的系统XCON，每年为该公司节省1.5亿美元，一些小型的基于PC的专家系统每年也能为DEC公司节省10万美元。这些“专家系统”实际上远没达到专家的程度，它们并不能领会人类的意思，说它是一个比较完整的知识库更合适，我们现在用的很多智能问答、智能咨询都是这种应用的延伸和扩展。
来看看一个典型的专家系统包括哪些模块，以现在的AI技术去看，可能觉得这些说法好古老，因为这是标准的教科书上的知识。知识库：知识库相当于专家系统的“存储器”。知识库作为专家系统所有决策的理论依据，在专家系统中扮演着关键角色。知识质量、知识覆盖的范围都将影响知识库整体构建效果，并最终影响专家系统的整体表现。推理机：推理机相当于专家系统的“中央处理器”，用于协调、调度、控制整体专家系统。该模块通过逻辑推演，依据现有数据构成，从知识库中推理调度相关知识，并最终将相关结果推送回数据库。由此可见，推理机担负着计算、推理、决策等重要工作，是系统智能性的核心体现。知识获取：知识获取模块相当于专家系统的“更新补丁”。知识获取是新增、修改、删除知识库当中知识的途径。知识源也是通过人机交互的方式获得的，并通过相关存储介质直接存入知识库。知识获取是非必需模块，许多专家系统在构建初期已然完备，因此没有知识更新需求。不过，随着领域知识不断更新，知识获取模块可以提高专家系统鲁棒性与知识丰富程度。数据库：数据库相当于专家系统的“硬盘”，主要用于存储人机交互中形成的相关指令，它从人机交互模块获得规则指令并传达至推理机以进行推理计算。数据库模块除了存储用户相关信息外，还会存储推理过程中得到的相关信息。解释器：解释器相当于专家系统的“用户手册”，它用来将专家系统执行的指令、提及的知识或做出的决策对用户进行解释。解释器并非专家系统的必需部分，但是用户很难理解纯黑盒专家系统，用户不光希望得到专家系统提供的最终答案，更希望从专家系统中得到相关缘由的解释，进而加深对相关问题的认知。人机交互：人机交互相当于专家系统中的“外接设备(显示屏/鼠标/键盘)”，它是专家系统与用户直接接触的交互载体，它定义了用户操作行为，并将其转换为机器可理解的操作指令，以及传达至数据库。最初的“专家系统”核心就是知识库、分词、检索、处理、输出。这时候的专家系统很专一，化学的不懂物理的，物理的不懂化学的，专家系统互相不认识，很偏科，很单一。后来也出现过一些领域型专家系统，要比初代的覆盖场景大很多，但是开发难度大、周期长，没什么回报，关键是那时候网络、计算机的处理速度等等还不是跟得上。IT经过多年的发展，近十年来，各种网络、高速存储、计算机强大的处理能力、分布式处理等等技术发展，我们耳熟能详的那些术语的出现，使得专家系统的原始思想又被人们挖了出来。这里不再重复以大数据、云计算为首的那一众技术。总之，在各种技术的加持下，还有众多人工智能编程语言的广泛流行，新一代专家系统也随之到来。此类系统摆脱单一领域的束缚，属于多学科综合系统。它利用多种人工智能语言，快速迭代开发专家系统整体框架与技术细节，并不断提高核心模块——推理机的计算能力。这使得专家系统具备相关领域内的复杂操作，最终提高了系统整体处理能力。目前主流专家系统主要停留在该阶段。下一代专家系统究竟是怎么样的呢？众多学者提出了自己的看法。首先期盼专家系统具备极高的自学能力。就像“阿尔法狗”可以在学习围棋规则后左右互搏一样，专家系统应该在不断的尝试过程中成长。其次，专家系统应提高自身归纳、总结、推理能力，即让系统具备举一反三的能力。最后，专家系统应具备跨学科协同能力，而非将学科割裂，成为“偏才”。其实我们期盼的下一代专家系统是可以通过图灵测试的真正意义上的人工智能体。它具备极强的自学能力，拥有归纳总结周围事物的素养，同时像人类一样多领域均衡发展。
|
