第二幕 / 梦想遇到了现实
先让机器做好一份工作
从化学结构到设备订单，专家系统把人工智能带进具体的专业问题。
本篇目录 ＋
面对一份化学实验数据，可能的分子结构有很多。经验丰富的化学家会排除不合理的解释。如果把这些知识交给程序，会怎样？
请一位专家进入程序
1960年代，斯坦福的DENDRAL项目把化学知识与计算搜索结合，用于提出分子结构假设。系统不必先懂得人类全部生活，只需要在一个明确的领域里使用足够有用的知识。
随后，MYCIN研究如何依据医学知识提供有关感染的诊疗建议。它是重要的研究系统，不能把这一历史地位直接等同于已经普遍投入临床的自动医生。[1][2]
把经验变成可以执行的规则
专家系统常通过“如果出现这些条件，就考虑这样的结论”来组织知识。知识工程师要把专家的经验说清楚，处理规则之间的关系，并考虑不确定的情况。
1980年前后，R1／XCON把类似方法用于计算机设备配置。它处理的是复杂订单中的具体安排。AI的价值开始出现在不那么戏剧化、却确有用途的工作里。[2][3]
交付之后，维护才开始
规则越多，更新和检查就越费力。现实条件会改变，专家也不总能把自己的判断完全说成规则。系统在熟悉领域表现良好，并不保证它能轻松处理边界以外的问题。
专家系统留下的经验至今重要：智能软件的价值，要放进实际使用和持续维护中判断。知识需要更新，错误需要处理，专业人员的责任也不会因为程序出现而自动消失。[2][3]
留给你的一个问题
你熟悉的工作中，哪些经验容易写成规则，哪些只能在具体情境里判断？
规则方法后来被淘汰了吗？
规则仍然适合明确约束、业务流程和可审查的推理。学习方法则能在一些难以手写规则的任务中发现数据规律。实际系统常把多种方法结合起来。
技术史中的新方法通常改变了可行的选择，而不是让所有旧方法同时失去价值。
本篇来源
沿着原始资料，继续了解故事。团队发布与回顾代表发布者提供的记录。
- 机构史料 · U.S. National Library of Medicine／Joshua Lederberg PapersArtificial Intelligence and the DENDRAL Project ↗
- 机构史料 · Bruce G. Buchanan、Edward H. Shortliffe主编Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project ↗
- 机构史料 · Stanford AI100Appendix I: A Short History of AI ↗
整理于2026年9月16日