在人工智能的曲折发展历程中，从初期的辉煌到突如其来的寒冬，每一步都映射着科技探索的艰辛与人性的复杂。当神经网络因代表人物的离世与技术的局限性而陷入低谷，符号主义以其严谨的逻辑推理和规则系统，悄然接过了人工智能发展的接力棒。然而，即便是这一看似稳健的路径，也未能逃脱外界的质疑与资金削减的风暴，人工智能在迈向2.0时代的征途中，首次遭遇了前所未有的寒冬。这不仅是技术的考验，更是对科研界合作与理解的深刻呼唤。
今天是我们的第二章第3节第2篇：逻辑鬼才：符号的火热与AI的冰封
代表人物的去世和感知机的失败，让人们对神经网络的研究迅速走入低谷。
1974年，哈佛大学保罗·沃伯斯在他的博士论文里，首次提出了通过误差的反向传播(BP)来训练人工神经网络。BP 算法的主要思想是通过反向传播误差（梯度）信号，调整神经网络中的参数，更新模型权重，以最小化预测误差。
虽然，这让沃伯斯得到了IEEE神经网络学会的先驱奖，但在当时连接主义被打压的大环境下，想要“破茧而出”哪有那么容易。在随后的五年里，神经网络的研究方向变得模糊，进展缓慢。
1988年，颇具影响力的明斯基在《感知机》一书再版时，删除了初版中对学弟罗森布拉特进行个人攻击的句子，还亲自撰写了“纪念罗森布拉特”话语。
彼时罗森布拉特去世已久，明斯基的道歉才姗姗来迟。而那些被明斯基打压过的科学家们一致认为，明斯基绝不可原谅。当后面连接主义得以卷土重来的时候，这些人把憋了十载的怨气全部发泄了出来。这就叫“以其人之道还治其人之身”。
从感知器一书发表，到连接主义陷入停滞的这些年，人们已经纷纷转向了符号主义，正所谓众人拾柴火焰高，站在人工智能1.0时代先驱肩膀上的符号主义，迎来了蓬勃发展的“春天”。
·搜索式推理
搜索式推理是人工智能领域中的一种推理方法，它通过系统地搜索各种可能的解决方案来找到问题的答案或解决方法。我们可以将这个过程称之为“搜索树”。
搜索式推理是对司马贺师徒俩“符号主义”的延伸和发展。其涉及到的搜索算法，包括深度优先搜索、广度优先搜索和启发式搜索等。就拿启发式搜索来讲，是研究者们进一步提高搜索式推理的效率和准确性的方法之一。
理查德·达尔和彼得·哈特提出了“A*算法”，这是一种常用的启发式搜索算法，用于解决路径规划和图搜索等问题。总而言之，搜索式推理的操作是明确定义符号结构和规则。
其基本思路如下图：
从上面就可以看出，搜索式推理的优点是适用范围广，而且很系统，可以全面考虑各种可能的解决方案，以及按步骤进行搜索和评估。这一点和现在的生成式AI很像。当然，这种方法的优点同时也可能是其缺点。
它对于复杂问题难以完全涵盖所有的可能性。即使能覆盖，这么多的候选方案，也需要我们耗费较多的时间和资源进行筛选评估。但即便如此，也并不影响搜索式推理是符号主义的核心概念和基本定理之一。
当然，要是放到现在这都不事儿。如果你对AI助手给出的结果不满意，可以继续提出你的要求，甚至可以将筛选和评估的任务也交给它来完成，关键是你要掌握提问的技巧，这方面我们实战篇再说。
·SHRDLU
SHRDLU是由MIA的特里·威诺格拉格于1970年开发。
它是一个自然语言处理程序，它能够理解和响应以自然语言输入的指令，从而操纵由各种形状的块组成的虚拟对象。它的缺点是领域太局限，处理能力太低，说到底其实还是数据库的问题。
比如你可以告诉它：“把红色方块放在蓝色圆柱上面”，它能理解你的指令，并在虚拟的环境中执行这个操作。若你要是让他把红色方块放到书包里，他就不知道如何响应你。
·专家系统
专家系统，是模仿人类专家决策能力的计算机系统。依据从专门知识中推演出的逻辑规则，来回答特定领域中的问题。专家系统包含若干子系统，知识库，推理引擎，用户界面。
要说专家系统的奠基人，应该是美国斯坦福大学教授爱德华·费根鲍姆，他带头开发的DENDRAL系统是世界上第一个比较成功的专家系统。DENDRAL系统能根据化合物的分子式和质谱数据推断化合物的分子结构。
它的优点是通过推理和搜索技术，结合大量的化学知识和规则，来识别和描述化合物的结构，缺点是应用领域单一，还高度依赖预定的规则，学习能力不大行，无法有效地处理存在不确定性或模糊性的信息。
不过即便如此，我们仍不可否认其在最大程度上减轻了研究者们的负担，而且为后来的机器学习和知识推理技术的发展打下了基础。更重要的是其成功证明了符号主义在复杂知识密集型问题上的应用价值。
时间一晃来到七十年代，还是这哥们。
鉴于DENDRAL的局限性，他又和包括约书亚·莱得伯格在内的一帮同事搞了一个医疗领域的专家系统MYCIN，该系统于1972年开始建造，用时六年完成，是用INTER LISP语言编写的。
MYCIN知识库有两百多条规则，可识别51种病菌，正确处理23种抗生素，使用了知识表达形式和推理规则，以支持机器感知和判断医学问诊结果，输出疾病推断准确性较高的结论。其主要用于诊断和治疗细菌感染患者。
举个例子，一条 MYCIN的规则可能是："如果患者有发烧和咳嗽，那么将其诊断为肺结核的概率为95%。” 在其运行模式中，通过输入患者症状和临床体征等信息，并以推理规则和概率算法来设法找到一组概率上最高的诊断结果。
不过MYCIN仍有局限性，其不像DENDRAL，不存在可以推导出MYCIN规则的一般理论模型。什么意思呢？纯“手工打造（输入）”。可即便如此， MYCIN还是再次向众人展示了专家系统在处理复杂问题和提供专业建议方面的潜力。
1973年，英国应用数学家詹姆斯·莱特希尔给英国科研委提报告，该报告对人工智能研究的现状进行了评估，并得出了悲观的结论。如何悲观？他两度称AI是“海市蜃楼”。意见马上传达到王室，英国便开始着手削减对AI研究的资助。
还是这一年，作为美国推动AI研究关键机构的国防部高级研究计划局（DARPA）也开始大幅缩减经费。其之前对CMU（卡内基）的自然语言系统项目每年提供的300万美元资助也没了。该事件对整个AI领域的信心和资金流造成了重大打击，到了第二年，在美国就已经很难找到对AI项目的资助了。
1977年，海斯·罗思等人基于逻辑开发的机器学习系统取得较大的进展，但只能学习单一概念，也没能投入实际应用。无法落实到实际应用，不管你是连接主义也好，还是符号主义也罢，都将成为“空想”。
虽然专家系统在进步，但这点成绩却远低于投资者对人工智能发展的预期，更难以对冲连接主义引发的AI寒潮。与此同时，AI界的“乌托邦”观点也甚嚣尘上，继而引发了全世界范围内大幅削减对人工智能领域的预算。人工智能在2.0时代，进入了自萌芽以来的第一次寒冬。
合则两利，斗则两伤。真正理解的人又有多少？出于人性的缺陷，人们倾向于道不同，不相为谋，甚至是互相戳刀子，而且刀刀见红。这一道理在AI领域同样适用。
回顾人工智能的发展历程，从神经网络的沉寂到符号主义的短暂繁荣，再到AI寒冬的降临，每一步都充满了挑战与反思。然而，正是这些挫折与反思，为AI的后续发展奠定了坚实的基础。如今，随着技术的不断突破和应用的广泛拓展，人工智能正以前所未有的速度重塑着我们的世界。未来，唯有秉持开放合作的精神，共同应对挑战，才能推动AI技术持续健康发展，为人类社会的进步贡献更大的力量。
