骑lv上高速1. 专家系统的兴衰：从符号推理到知识瓶颈
1965年，诺贝尔经济学奖得主Herbert Simon做出了一个大胆预言："二十年内，机器将能完成人类能做的任何工作。"这个预言背后，是当时正在兴起的专家系统技术。作为认知科学奠基人之一，Simon看到了机器首次展现出类似人类的推理能力——不是简单的计算，而是基于规则的逻辑推理。
专家系统的核心思想极具吸引力：如果我们能把世界的知识表示成符号，把推理规则表示成逻辑，那么机器就能像人类一样进行推理。这种基于规则的推理系统由两个关键部分组成：知识库（Knowledge Base）和推理引擎（Inference Engine）。知识库存储着"If-Then"形式的规则，描述特定领域的规律；推理引擎则负责根据输入问题，沿着规则链推导出答案。
1.1 MYCIN系统的突破与局限
1972年斯坦福大学开发的MYCIN系统是专家系统的经典案例。这个用于诊断细菌性血液感染的系统，知识库中包含约600条规则，例如：
code复制IF 细菌的革兰氏染色 = 阳性
AND 细菌的形态 = 球状
AND 细菌的生长模式 = 成簇
THEN 细菌的种类 = 金黄色葡萄球菌（置信度 0.7）
在1979年的盲测中，MYCIN的表现超过了部分人类医生，这引发了人们对专家系统的极大热情。石油勘探系统PROSPECTOR发现了价值约一亿美元的钼矿，DEC公司的XCON系统每年节省数千万美元的生产调度成本。1980年代，专家系统成为一个蓬勃发展的产业，催生了专门的开发工具、知识工程师职位和相关大学课程。
然而，专家系统面临一个根本性挑战：知识获取瓶颈（Knowledge Acquisition Bottleneck）。把人类专家的知识转化为计算机可处理的规则极其困难，原因有二：
- 专家往往无法清晰表述自己的决策过程。许多经验性判断已经内化为直觉，难以用明确的规则描述。
- 知识具有情境依赖性。同一条信息在不同语境下含义不同，而规则系统难以优雅处理这种依赖关系。
1.2 内隐知识的挑战
哲学家迈克尔·波兰尼提出的"内隐知识"概念很好地解释了这一问题。我们知道如何骑自行车，但无法精确描述每一帧的力学调整；我们能一眼认出老朋友，却说不出是哪些像素特征触发了识别；老中医通过"望气色"诊断，有经验的外科医生凭"感觉