1.2.3 专家系统的发展

伴随着人工智能技术的迅速发展,专家系统也经历了多个阶段的变革。

最初的专家系统聚焦于定向问题的解决,强调在其细分领域专业且精准。例如上文提到的推断化学分子结构的dendral。但是这个时期的专家系统会存在严重“偏科”情况,即除自身精通的领域以外,无法支撑其他范畴知识决策。此外,即便在其理应精通的细分领域,面对突发异常状态,系统的推理应变能力也极弱。

随后演化发展起来的下一代专家系统属于单领域应用型系统。此类系统具有强领域相关性,系统覆盖其领域内绝大多数场景,并运用知识获取、解释器等模块辅助,不断丰富现有领域知识,提高系统的整体鲁棒性。此类系统的主要弊端在于设计较为复杂、开发难度较大、开发周期较长。

随着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”。

说到这里,读者可能会发现,我们期盼的下一代专家系统正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。专家系统的演变也恰好体现了人工智能浪潮的整体发展历程。