Appearance
1974-1987：专家系统与 AI 冬天
这一段 AI 从“通用智能想象”转向更务实的知识工程。研究者把专家知识编码成规则，让系统在化学分析、医疗诊断、设备配置等垂直领域工作。它带来了真实应用，也暴露了维护成本和脆弱性。
核心变化
| 变化 | 说明 |
|---|---|
| 从通用智能转向领域知识 | 系统不再试图什么都懂，而是聚焦化学、医疗、配置等专业领域 |
| 知识库成为核心资产 | 规则、事实、推理链和解释能力成为系统价值所在 |
| 企业应用开始出现 | 专家系统进入部分企业场景，证明 AI 可以解决特定业务问题 |
| AI 冬天暴露预期落差 | 当系统难维护、难扩展、难适应变化时，投入和信心快速下降 |
代表作品与节点
| 年份 | 代表作品 / 系统 | 价值 |
|---|---|---|
| 1960s-1970s | DENDRAL | 面向化学结构推断，是专家系统早期代表 |
| 1970s | MYCIN | 面向感染病诊断和抗生素建议，体现规则推理和解释能力 |
| 1978-1980s | XCON / R1 | 用于计算机配置，成为企业专家系统的商业化案例 |
| 1980s | LISP machines | 为 AI 开发提供专用硬件和环境，但也受市场收缩影响 |
这一段的关键教训
专家系统的价值在于把人类专家经验显性化，但难点也正是在这里：
- 知识获取成本高，专家经验不容易完整表达。
- 规则之间会冲突，系统规模越大越难维护。
- 规则对环境变化敏感，真实业务更新后容易失效。
- 解释性强不等于鲁棒性强，系统仍可能在边界条件下失败。
和今天 AI 系统的关系
RAG、知识库、工具调用和企业 Agent 本质上都重新遇到了知识工程问题。区别在于今天可以用 embedding、检索、模型推理和工具编排降低一部分规则编写成本，但知识准入、版本、权限、引用、审计和失效治理仍然绕不开。