1980 年代初，人工智能第一次成为一门生意。
商业逻辑很清楚：把某个领域专家的知识，写成一大堆"如果……那么……"的规则，装进推理引擎，就得到一个能在该领域作出专业判断的系统。它不需要通用智能，只需要在一个窄领域里比新手强。
它确实做到了。DEC 公司的 XCON 用于配置 VAX 计算机订单——这项工作规则繁多、容易出错、且极其枯燥——据该公司报告，它每年节省了数千万美元。MYCIN 在血液感染诊断的评估中表现不劣于医师。这是 AI 第一次拿出可核算的投资回报。
投资随之涌入：企业成立知识工程部门，专用的 Lisp 机器厂商上市，日本在 1982 年启动"第五代计算机"国家计划。
到 1990 年代初，这个市场基本消失了。 Lisp 机器厂商倒闭或转型，第五代计划在 1992 年结束时未达成主要目标，"专家系统"成了一个招标文件里要避开的词。
破除误解：它不是"没用"
第一，它真的有用，而且部分至今仍在运行。 规则引擎从未消失——它们改了名字，藏在保险核保、税务软件、工业控制、医疗决策支持与合规检查系统里。当规则明确、变化缓慢、且必须可审计时，基于规则的系统仍然是正确选择。 消失的是"专家系统"这个品类与围绕它的产业叙事，不是这项技术。
第二，它失败的方式很具体，不是笼统的"AI 太难"。 下面四条瓶颈可以逐条说清，每一条都指向今天仍在的工程问题。
第三，把它简单归为"符号主义失败、连接主义胜利"是一种事后重构。 两次寒冬的原因结构不同：第一次（1970 年代）主要源于对通用能力的过度承诺与资金政策转向；第二次源于一个真实产品的规模化失败。而第二次寒冬结束后崛起的统计机器学习，正在若干方面重新遭遇专家系统当年的问题。
四个瓶颈
一、知识获取瓶颈。
这是最根本的一条，也是当时被明确命名的困难。要建一个专家系统，必须让知识工程师坐在专家旁边，把专家的判断逐条问出来、写成规则。
问题在于专家说不出自己怎么做的。一位资深医生看一眼病人就知道情况不妙，你问他依据什么，他给出的解释往往是事后重构的、不完整的、甚至与他实际的判断过程不符。波兰尼所说的"我们知道的比我们能说出来的多"，在这里成了一个工程上的硬约束。
结果是：一个中等规模的系统需要数百到数千条规则，每条都要靠访谈提炼、验证、调试。建造成本随规则数超线性增长，而这正是它无法规模化的原因。
二、脆性（brittleness）。
规则系统在其覆盖范围内表现良好，一旦越界就没有优雅降级。它不会说"这个我不确定"，而是自信地给出一个错误答案，因为它没有任何常识可以察觉自己已经越界。
人类专家在遇到反常时会退回到更基础的知识：这不对劲，让我重新想想。规则系统没有"更基础的知识"这一层。 这个问题在 1980 年代被清楚地诊断出来，并直接催生了 Cyc 这类试图手工编码常识的项目——那个项目运行了四十年，本身也是一个值得单独考察的案例。
三、维护的组合爆炸。
规则之间会相互作用。加入第 501 条规则时，必须确认它不与前 500 条冲突、不改变已有案例的结论。规则库的维护成本随规则数的平方级增长，而领域知识本身在不断变化。
XCON 之所以是最成功的案例，恰恰因为计算机配置这个领域规则明确、有客观对错、且由公司自己控制。多数领域不具备这三个条件。
四、硬件路线的崩塌。
专用 Lisp 机器在 1980 年代初有真实的性能优势，但通用工作站与 PC 的性价比提升得更快。到 1987 年前后，专用硬件的优势消失，整个硬件产业段在两三年内蒸发。 这一击与 AI 本身的能力无关，纯粹是通用计算的规模经济碾过了专用路线——这个模式后来在多个领域重演过。
第五代计算机计划
日本通商产业省在 1982 年启动的十年计划，是这段历史中最常被误读的部分。
它的目标是建造以逻辑编程（Prolog 一系）为核心、大规模并行的知识信息处理系统。它促成了美国的 MCC、英国的 Alvey 计划与欧洲的 ESPRIT——一次国家层面的技术竞赛。
1992 年结束时，它没有达成主要目标。常见的评价是"失败"，但需要区分：它在并行逻辑编程与约束求解上产出了扎实的研究成果，培养了一代研究者；它失败的是产品目标与技术路线的押注。 它押注的是"知识 = 显式规则 + 逻辑推理"这条路，而真正接管这个领域的是统计方法与数据驱动。
这是一个关于技术押注的教训：国家级投入可以推动一条路线走到它的极限，但无法改变那条路线的极限在哪里。
与第一次寒冬的对照
两次寒冬常被并称，其成因结构值得分开：
| 第一次（约 1974—1980） | 第二次（约 1987—1993） | |
|---|---|---|
| 承诺的内容 | 通用智能、机器翻译 | 窄领域的专业判断 |
| 产品是否真的有效 | 基本没有可用产品 | 有真实产品与真实收益 |
| 主要失败点 | 能力不足、组合爆炸 | 无法规模化与维护 |
| 触发因素 | 莱特希尔报告、资金政策 | 商业市场收缩、专用硬件崩塌 |
第二次寒冬更值得研究，因为它是一次"产品成功但商业模式失败"的案例。 技术能做出示范，却无法以可接受的成本复制到下一个领域——这正是今天评估任何 AI 应用时最该问的问题。
今天的回响
专家系统的四个瓶颈，有三个在当代 AI 系统中以新形式重现：
- 知识获取 → 变成了数据标注与偏好对齐。不再问专家"你的规则是什么"，而是问"这两个输出哪个更好"。它绕开了显式化的困难，代价是标准变得隐含且难以审计。
- 脆性 → 变成了分布外行为。模型在训练分布内表现优异，越界后同样不会说"我不确定"，而是自信地给出错误答案。症状与三十年前一模一样，机制不同。
- 维护 → 变成了模型更新的回归问题。改进一处可能损坏别处，且比规则冲突更难定位，因为没有可检查的规则可读。
唯一被真正解决的是可扩展性：学习系统从数据中获取知识的成本远低于人工编码。而这一条恰好是当年最致命的那一条，这解释了整个领域为何转向。
同时，专家系统的一项优势至今未被取代：可解释与可审计。一条被触发的规则可以被读出来、被质疑、被修改；一个模型的判断不能。在高风险且需要问责的领域，规则系统仍在使用，原因就在这里。
它留下的判断力
- "有效"与"可规模化"是两个独立的问题。 一个在示范项目中有效的技术，其推广成本可能随领域数量线性甚至超线性增长——评估任何新技术时，先问第二个问题。
- 注意没有"我不知道"这个输出的系统。 无法表达自身不确定性的系统，在越界时最危险，而它不会告诉你何时越界。
- 区分"路线失败"与"研究失败"。 第五代计划的路线押错了，产出的研究成果仍然真实——这两件事在事后评价中经常被混为一谈。
- 同一个瓶颈会换名字回来。 知识获取→数据标注、脆性→分布外泛化、规则冲突→回归。认出这种同构，是从技术史中获得实际价值的主要方式。
跨域连接
- 感知机与第一次 AI 寒冬：两次寒冬的对照本身是最有信息量的部分——第一次是能力不足，第二次是有能力却无法规模化。把它们合并成"AI 周期性遇冷"这个笼统叙事，会丢掉唯一可用于判断当下的东西：这一次卡住的是哪一环。
- 机器学习概览：从人工编码规则转向从数据中学习，正是为了绕开知识获取瓶颈。这个转向解决了成本问题，同时把可解释性交了出去——今天关于模型可解释性的全部研究，某种意义上是在试图买回专家系统免费拥有的那样东西。
- 逻辑编程：Prolog 与约束求解是第五代计划的技术核心，也是符号推理最成熟的形态。它并未消亡，而是退回到了它真正擅长的位置——形式验证、调度与配置、类型系统与规则合规。理解它的适用边界，比争论符号与连接哪个更"对"有用得多。
- 大语言模型：当代系统在脆性与不确定性表达上的表现，与专家系统惊人相似——在覆盖范围内表现优异，越界后自信地出错。差别在于覆盖范围大得多且边界不可见，这既是进步也是新的困难：规则系统至少能列出自己知道什么。
- 形式化方法与验证：规则系统可被逐条审计这一性质，在高风险领域仍具不可替代的价值。这提示了一条务实的架构原则：把需要问责的决策放在可检查的规则层，把需要泛化的判断放在学习层，而不是用一种范式包打天下。
参考文献
- Feigenbaum, E. A., McCorduck, P. The Fifth Generation. Addison-Wesley, 1983.
- Shortliffe, E. H. Computer-Based Medical Consultations: MYCIN. Elsevier, 1976.
- Barker, V. E. & O'Connor, D. E. Expert Systems for Configuration at Digital: XCON and Beyond. Communications of the ACM 32(3), 1989.
- Lenat, D. B. & Guha, R. V. Building Large Knowledge-Based Systems. Addison-Wesley, 1990.
- Polanyi, M. The Tacit Dimension. Routledge, 1966.
- Odagiri, H., Nakamura, Y. & Shibuya, M. Research Consortia as a Vehicle for Basic Research: The Case of a Fifth Generation Computer Project in Japan. Research Policy 26(2), 1997.
延伸阅读
- Crevier, D. AI: The Tumultuous History of the Search for Artificial Intelligence. Basic Books, 1993.
- Dreyfus, H. L. What Computers Still Can't Do. MIT Press, 1992.
- Russell, S. & Norvig, P. Artificial Intelligence: A Modern Approach. 4th ed., Pearson, 2020（第 1 章的历史部分）。
- Hendler, J. Avoiding Another AI Winter. IEEE Intelligent Systems 23(2), 2008.