第四部：規則的牢籠——專家系統與第二次寒冬
當科學家發現無法為機器創造一個真正的「大腦」時，他們決定換個方法：把世界上最聰明的人類的腦袋「複製」進電腦裡。
1. 把專家的知識寫成程式碼
經過 1970 年代第一次 AI 寒冬的洗禮，人工智慧領域瀰漫著失敗的氣氛。早期的「符號主義」學者們原本以為，只要機器擁有邏輯推理能力，就能解決所有問題。但現實狠狠打了他們一巴掌：光有邏輯是不夠的，你還需要「知識」。
一位名為愛德華·費根鮑姆 (Edward Feigenbaum) 的史丹佛大學教授提出了一個新方向。
他認為，一位優秀的醫生之所以能看病，不是因為他懂什麼高深的邏輯推導，而是因為他腦海裡裝滿了「如果病人發燒且咳嗽，那麼可能是感冒」這種大量的專業知識與經驗法則。
費根鮑姆主張：如果我們能找來世界上最頂尖的專家，把他們的知識一條一條地寫成電腦看得懂的 IF-THEN（如果…就…）規則庫，那麼這台電腦不就成為了一個「專家」嗎？
這就是 1980 年代紅極一時的「專家系統 (Expert System)」。
2. 八零年代的商業淘金熱
費根鮑姆的團隊開發了一個名為 MYCIN 的醫療診斷專家系統。他們把傳染病專家的知識化為了 600 多條 IF-THEN 規則輸入電腦。結果驚人地發現，MYCIN 在診斷細菌感染並推薦抗生素時，準確率居然超過了史丹佛醫學院的初級醫生！
這項成功立刻引爆了企業界的狂熱。比起虛無縹緲的「機器大腦」，企業老闆更喜歡這種「馬上就能省下人事成本」的系統。
1980 年代，DEC 公司（數位設備公司）開發了一套名為 XCON 的專家系統，用來幫助客戶自動配置電腦硬體。XCON 每年為 DEC 省下了數千萬美元。
一時間，全世界的公司都在瘋狂搶購被稱為 LISP Machine 的昂貴專用電腦，並高薪聘請「知識工程師」來把老師傅的經驗轉化為程式碼。AI 產業的規模迅速膨脹到了數十億美元。人工智慧似乎終於迎來了它承諾已久的春天。
3. 規則的牢籠與常識的崩潰
然而，這場春夢只維持了不到十年。
企業很快就發現了專家系統的致命缺陷：世界太複雜了，你根本寫不完所有的規則。
當 MYCIN 系統只有 600 條規則時，它運作良好。但當工程師試圖加入幾萬條、幾十萬條規則時，整個系統就崩潰了。因為現實世界充滿了例外與矛盾。 例如：一條規則寫著「鳥會飛」，另一條規則寫著「企鵝是鳥」，當系統遇到企鵝時，它就會崩潰。
更可怕的是，這些系統完全沒有「常識」。 如果你問醫療專家系統 MYCIN：「一輛著火的汽車需要開抗生素嗎？」它可能會一本正經地回答：「根據燒傷程度，建議注射盤尼西林。」
專家系統就像一個極度死背硬記的書呆子，稍微遇到規則庫以外的情況，就會給出荒謬絕倫的答案。而且，維護龐大規則庫的成本變得極度昂貴，因為只要改動一條規則，就可能引發連鎖的邏輯衝突。
4. 泡沫破裂：第二次 AI 寒冬
到了 1980 年代末，個人電腦 (PC) 開始崛起。那些笨重、昂貴且難以維護的 LISP 專家系統電腦瞬間失去了競爭力。蘋果和 IBM 的 PC 只要幾分之一的價格就能提供更穩定的運算能力。
企業發現專家系統只是個燒錢的無底洞，紛紛撤資。無數的 AI 公司倒閉，硬體製造商破產。
人工智慧再次從神壇跌落，迎來了比上一次更加慘烈、更加漫長的第二次 AI 寒冬。
整個 1990 年代，「人工智慧」這個詞變成了票房毒藥。沒人敢在學術論文或商業計畫書裡提到 AI，學者們只能偷偷把研究改名為「模式識別」或「機器學習」。
就在這個最黑暗的時代，有一小群不合群的學者，依然在實驗室的角落裡，默默擺弄著那個曾經被明斯基宣判死刑的怪物——神經網路。
下一集：在神經網路被邊緣化的黑暗時期，「深度學習三劍客」如何在幾十年的嘲笑與冷落中堅持下來，最終用「反向傳播演算法」為機器裝上了真正的眼睛？