3.2 堪比专家的专家系统
在人工智能2.0时代里出现的专家系统堪称“明星选手”。专家系统是指一种人工智能系统,其中包含着某个领域大量专家水平的知识和经验。通过已经编程好的知识,专家系统能够处理这个领域中普通甚至是棘手的问题。也就是说,专家系统可以根据某一个领域已有的知识和经验进行推理和判断,最终作出模拟人类专家的决策,以此解决需要人工判断的问题。
1968年,“专家系统”的大师级人物爱德华·费根鲍姆开发出了一个极具代表性,也是业界第一个专家系统——DENDRAL,它能够对未知的有机化合物进行判别。DENDRAL利用的原始数据是物质的质谱数据,整个系统按照功能可以分成三个部分:第一个部分是利用已有的质谱数据和化学经验知识对可能的分子结构形成若干约束;第二个部分是通过J.莱德伯格的算法计算出一些可能的分子结构,并对根据第一个部分的约束控制这种可能性的展开,最终得到一个或多个可能的结构;第三个部分是利用化学家的知识对第二个部分得出的结论进行验证、排列,最终得出分子结构图(见图3-4)。
20世纪70年代末期研发出来的MYCIN系统也是人工智能2.0时代中“专家系统”的典型代表。MYCIN系统是一种能够帮助医生对血液感染患者进行诊断,并且提供抗菌素类药物选择的人工智能。
20世纪70年代初期,美国斯坦福大学的科研人员利用人工智能1.0时代的研究理论——LISP语言编写了“专家系统”。这个系统从控制结构上可以分为两个部分:第一个部分是通过患者的病史、病症和化验结果等原始数据,利用数据库中的专业医疗知识进行推断,找出导致感染的病菌。如果是因为多种病菌感染,就用0到1的数字表示出每种可能导致感染的病菌的出现概率;第二个部分是在第一个部分的基础上,结合数据库中的药理数据提供针对这些病菌的治疗药方(见图3-5)。
专业医师根据患者描述的病情和化验结果等信息进行判断时,主要是结合自己的临床经验作出决策,这与MYCIN系统的推导过程相似。因此在某种程度上,MYCIN系统在感染学上已经可以替代一部分人工治疗(见图3-6)。
经过多次实验之后,统计结果显示MYCIN系统开出正确处方的概率为69%,非细菌感染专业的医师成绩并不比MYCIN系统好,但是如果与细菌感染专业的医师80%的正确率相比,MYCIN系统还是差一些。除此之外,“专家系统”在处理特定领域专业知识时的可信度比较高,但是一旦领域知识有所扩展,那么它就很难作出正确的判断。比如,我们可能会在看病时说头像针扎一样疼,并且伴有恶心的症状,这时医生可以根据临床经验进一步询问后作出判断。如果我们在计算机中输入头疼、恶心等症状,那么相对应的病理可能有成千上万种,这时就很难进行进一步诊断。正因如此,“专家系统”很少应用于医学领域中。
除此之外,虽然“专家系统”有很多成功的案例,但是也存在一些必须面对的问题:如果需要人类将知识传输给人工智能,那么研究者就必须倾听一个或多个领域多位专家的所有讲解,从他们那里获取知识后,再输入到人工智能系统中,这样做会产生非常高的成本,实际操作起来也有一定的难度。与此同时,如果知识数量不断地增加,那么在实际运行的规则多达成千上万条后,有些规则之间就可能发生矛盾或冲突,所以对这种系统还需要进行维护和管理(见图3-7)。
虽然“专家系统”具有一定的缺陷,但是俗话说“人无完人”,我们又怎能去苛求一台机器。以当时的技术水平来说,“专家系统”在处理特定领域的知识上有着得天独厚的优势。
除了医疗,“专家系统”还被应用于生产、人事、金融、会计等领域。比如,银行采用的“专家系统”可以通过信用卡申请人提交的申请材料判断该申请人是否具备相应资质,以便减少流程,节约成本。
据统计,到了20世纪80年代,美国100强企业中,有2/3的大型企业都在日常工作中使用了“专家系统”。我们不难想象,人工智能发展到2.0的时候,将会掀起多大的波澜。
本书评论