欢迎来到四叶草堂，我是龙笑生。席卡德计算器是什么？专家系统为什么会没落？更多精彩内容，敬请关注“四叶草堂”，今天继续分享《生成式AI：人工智能的未来》一书的精彩部分。
在人类梦想的重大科学进展中，总是存在着漫长的时间差距。通常历史的发展是这样的，人类先产生制造会思考的机器的梦想，然后就会沉默一段时间，几个世纪之后，会再次出现某个重要的发展里程碑。公元9世纪，波斯数学家阿尔·花剌子模发明了一套用于解决数学问题的规则，这也是人类历史上的首个算法。尽管当时没有人能够预见它所带来的影响，但正是这一理论的发明，为现代计算的发展奠定了基础。
出生于德国黑伦贝格的数学家、天文学家、工程师席卡德（1592—1635年）在图宾根大学学习。那时，他对天文学和数学产生了兴趣，而后成为图宾根大学的数学教授、校长，后续还担任了符腾堡公爵的宫廷天文学家和占星家。他最为著名的举动，是设计并制作了人类历史上首个能够进行基本算术运算的机械计算器——席卡德计算器。这个计算器，也被称为“计算钟”，被用于进行包括加、减、乘、除在内的基本算术运算。席卡德计算器由几个齿轮和杠杆组成，包括输入和输出刻度盘，通过转动手摇器来操作，手摇器会转动齿轮和杠杆来进行加、减、乘、除等计算。席卡德计算器在当时是个非凡成就，也是世界上首台能够自动进行算术运算的机器，是机械计算器和计算发展中的重要里程碑。
巴贝奇是英国数学家、发明家和机械工程师，生于1791年，因设计的差分机和分析机而闻名。1834年，巴贝奇开启了一项雄心勃勃的项目，这就是“分析引擎”。分析引擎是一种通用机械计算器，可以进行任何能用符号形式表达的数学计算。巴贝奇的分析引擎思想，包含许多现代计算机的功能，如中央处理单元、存储器、输入和输出设备，以及打卡机的编程能力等。他的工作为现代计算机的发展奠定了基础，并成为后来像阿达·洛芙莱斯(Ada )、艾伦·图灵(Alan )等计算机先驱的主要灵感来源。
1936年，另一个巨大的概念性突破骤然到来。英国数学家、逻辑学家和计算机科学家艾伦·图灵在一篇题为《论可计算数及其在判定问题上的应用》的论文中提出了通用图灵机的概念。图灵想象中的机器，是一种理论上的通用计算机，能用来模拟任何其他计算机。这个想法，为我们今天使用的通用计算机奠定了概念上的基础。图灵还构想了一种可以读取和执行磁带上指令的机器，成为现代计算机内存概念的基础。
1945年，美籍匈牙利数学家约翰·冯·诺依曼提出了存储程序计算机的概念，这也是今天计算机仍在使用的基本架构。这一概念在20世纪50年代初的电子离散变量自动计算机(EDVAC)中得以实现，而就在此时，另一项激动人心的发明也已经到来，这就是晶体管。1947年，贝尔实验室的威廉·肖克利、约翰·巴丁和沃尔特·布拉坦发明了晶体管。如何理解晶体管的原理？我们可以把它想成家里的灯，灯都有开关，假设开=1，关=0。这个简单的开关原理可以用于存储和处理二进制数据。所有现代的计算机都基于二进制，使用内部带有数百万个晶体管的半导体芯片进行操作。此时，计算机时代真正到来了。尽管几千年以来人类一直渴望创造能够思考的机器，梦想也一直没有实现，但是，关于机器的理论和实践基础已经被创造出来。我们有了通用计算机、计算机内存、计算机编程、约翰·冯·诺依曼结构及结构中存储的计算机程序。而且，有了半导体之后，诸如EDVAC这样的计算机可以被制造出来，并开始在政府、研究机构和大公司中应用。
AI的历史可以追溯到1956年的达特茅斯会议。1956年夏天，达特茅斯会议的举行，是AI历史上的里程碑，标志着AI领域开始成为正式的学术学科。会议由约翰·麦卡锡、马文·明斯基、纳撒尼尔·罗切斯特、克劳德·香农等人组织，在美国新罕布什尔州汉诺威的达特茅斯学院举行。在这次会议中，研究人员开始讨论构建能够像人类一样思考和推理的机器的可能性，从而将计算机科学扩大和拓展了，让它具备更深的研究潜力。来自麻省理工学院、IBM和贝尔实验室的约10名研究员参与了该会议。在接下来的几年里，AI研究主要集中在开发“专家系统”上。这些基于规则的系统，主要被设计用于模拟各领域人类专家的决策过程。当时的思路是，如果能弄清楚人类专家是如何做出决策的，那么这些决策就可以简化为一套规则，而这些规则可以被编入计算机。然后，计算机将应用该领域最好的人的决策过程，继而产生比普通人类所能做出的更好决策，而且速度会更快，成本会更低。
在这一时期，有一些值得关注的成功案例，例如斯坦福大学20世纪70年代开发的专家系统MYCIN，旨在帮助医生诊断和治疗血液中的细菌感染。MYCIN通过一个关于细菌、抗生素的事实和规则的知识库，以及一个推理引擎，得出最佳的治疗方案。MYCIN可以诊断和治疗各种血液感染，并且在大多数测试中都能胜过初级医生。MYCIN是当时最成功的专家系统之一，影响了医学领域许多其他专家系统的发展。医学领域专家系统的成功，证明了基于AI的系统能够协助医生诊断和治疗疾病，这些系统受到了医学界的欢迎，在创建之时也是最先进的。这些专家系统，也是AI概念应用的证明，为其他应用和AI领域的进一步研究铺平了道路。
艺术领域是其中一个激动人心的领域。亚伦(Aaron)应该是首个生成原始绘画的计算机艺术程序。1973年，哈罗德·科恩创建了名为亚伦的AI艺术项目。科恩花了30多年时间研究亚伦，目标是创造出不只是单纯复制的视觉艺术，而是想让亚伦具备真正的创造性。亚伦的基础是视觉概念的知识库，以及一套对其进行组合以创造新图像的规则。亚伦可以生成各式各样的风格与主题，无论是抽象形状，还是对现实的描述。科恩与亚伦合作，创作了20000多幅图画，世界各地的许多画廊与博物馆都展出了这些作品。音乐是另一个激动人心的领域。20世纪五六十年代，也正是在AI研究的早期阶段，用于创作古典音乐的AI程序逐步被开发。这些程序的开发，主要是基于这一想法：音乐可以被表示为一组规则或正式的语法，并且计算机可以按照这些规则编写程序，生成新的音乐。20世纪50年代末，伊利诺伊大学的莱杰伦·希勒和伦纳德·艾萨克森开发了最早的AI音乐程序“伊利亚克组曲”( Suite)，能够通过一套基于和声理论的规则，创作出巴赫和莫扎特风格的音乐。伊利亚克组曲生产了许多作品，其中有的是由现场管弦乐队演奏的。
专家系统并没有达到20世纪80年代市场所给予它的预期。尽管早期确实有一定成就，但围绕专家系统的炒作逐渐消失了，因为专家系统的构建通常是烦琐且不切实际的，许多系统并没有达到预期效果，原因如下：●专业领域知识面过于狭窄。许多专家系统是为特定的垂直领域开发的，如医疗诊断或金融预测，而这样会限制这些系统的实用性，很难对其进行归纳，或将知识转移到其他领域。●复杂度高。专家系统的复杂性要求给它投入大量的时间和资源，开发与维护成本极其昂贵。●稳健性不足。专家系统通常基于一套固定的规则和知识，这使其极其脆弱，容易出问题。很难适应或学习新数据，这限制了它们在不断变化的条件下的能力。●推理能力有限。许多专家系统都是基于规则的推理，处理不确定性和例外情况的能力有限。很难对复杂或动态情况进行推理，继而限制了这些系统做出准确预测的能力。●过度炒作。20世纪80年代，围绕专家系统有很多噪声和泡沫，但许多系统并没有达到人们对它们的期望，这导致人们在情绪上的抵触。●其他AI技术的进步。AI领域的不断发展带来更强大的机器学习和神经网络，这时候专家系统就没那么重要了。
本期视频就到这里，喜欢的朋友请点赞、关注“四叶草堂”，谢谢聆听！
———END———
限 时 特 惠： 本站每日持续更新海量各大内部创业教程，永久会员只需109元，全站资源免费下载 点击查看详情
站 长 微 信： nanadh666
