第 VI 章：寒冬與復甦 (1970s-1990s)
← 上一章：經典時期 | 返回目錄 | 下一章：深度學習革命 →
6.1 時代背景：從樂觀到幻滅
1970 年代初，AI 領域的氛圍從達特茅斯會議以來的極度樂觀，轉為普遍的質疑與失望。早期研究者們的宏偉承諾，在現實的複雜性面前顯得不堪一擊。
6.1.1 承諾未能兌現
- 通用智慧的落空：像 GPS 這樣的通用問題解決器，被證明只能處理簡單的、良定義的「玩具問題」。
- 機器翻譯的失敗：ALPAC 委員會在 1966 年發布報告，指出耗費巨資的機器翻譯研究，其成果遠不如人類譯者，且沒有短期內突破的希望。
- 組合爆炸：隨著問題規模的擴大，搜索空間呈指數級增長，即使是當時最快的電腦也無法應付，這在象棋、路徑規劃等問題上尤為明顯。
- 常識與框架問題：AI 系統缺乏人類的基礎常識，無法理解符號背後的真實世界意義，也難以處理行動對環境的影響。
6.1.2 資金的枯竭
由於研究成果遠未達到預期，主要的資助機構（如美國的 DARPA）開始大幅削減對 AI 基礎研究的投入，轉而支持目標更明確、更具應用性的專案。這直接導致了第一次「AI 寒冬」的到來。
graph TD
A["過度樂觀的承諾
(e.g., 10年內造出通用AI)"] --> B{"承諾未能實現
(組合爆炸、常識問題)"}
B --> C["資助方失去信心
(ALPAC報告, Lighthill報告)"]
C --> D[研究經費大幅削減]
D --> E["第一次 AI 寒冬
(1974-1980)"]
style E fill:#e3f2fd
6.2 第一次 AI 寒冬 (1974-1980)
「AI 寒冬」指的是 AI 研究的資金和公眾興趣都急劇下降的時期。研究人員為了獲得經費，甚至避免在提案中使用 "Artificial Intelligence" 這個詞。
主要影響：
- 研究方向轉變：從追求通用智慧，轉向更專注、更實際的應用領域。
- 實驗室裁撤：許多大學的 AI 實驗室規模縮減或關閉。
- 典範反思：研究者開始反思純符號主義方法的根本局限性。
6.3 專家系統的短暫復興 (1980s)
在寒冬中，一個更務實的 AI 分支——專家系統 (Expert Systems)——異軍突起，帶來了短暫的春天。
6.3.1 什麼是專家系統？
專家系統是一種模擬特定領域人類專家決策能力的電腦程式。它將專家的知識編碼成一系列「IF-THEN」規則，並透過推理引擎來解決問題。
核心架構：
graph LR
User[使用者] <--> UI[使用者介面]
UI <--> Engine[推理引擎]
Engine <--> KB["知識庫
(IF-THEN 規則)"]
Expert[人類專家] -->|知識萃取| KB
6.3.2 經典案例：MYCIN
- 開發時間：1970 年代於史丹佛大學開發。
- 功能：診斷和推薦治療血液感染疾病的方案。
- 知識庫：包含約 600 條規則。
- 推理方式：採用「後向鏈」推理，從假設出發，尋找支持該假設的證據。
- 成就：在一項評估中，MYCIN 的診斷準確率達到 69%，高於未經專業訓練的醫生，與專家水平相當。
規則範例：
IF:
1) 細菌是革蘭氏陰性菌, AND
2) 細菌形態是桿狀, AND
3) 病人是免疫功能低下的
THEN:
有強烈證據 (0.8) 表明細菌是大腸桿菌。
6.3.3 商業成功與泡沫
專家系統的成功引發了 1980 年代的投資熱潮。
- R1/XCON：DEC 公司開發的專家系統，用於配置 VAX 電腦訂單，每年為公司節省約 2500 萬美元。
- LISP 機器：專為運行 LISP 語言（當時 AI 的主流語言）而設計的專用電腦興起，Symbolics、LMI 等公司應運而生。
然而，這股熱潮很快就消退了。
6.3.4 專家系統的衰落
- 知識工程瓶頸：從專家腦中提取、整理並形式化知識是一個極其困難、耗時且昂貴的過程。
- 維護困難：當規則庫變得龐大（數千條規則），新增或修改規則可能引發意想不到的衝突，系統變得難以維護。
- 脆弱性 (Brittle)：專家系統只能處理其知識庫中明確定義的情況，遇到任何預設外的問題就會崩潰。
- 缺乏學習能力：系統無法從新的案例或數據中自動學習和改進。
6.4 第二次 AI 寒冬 (1987-1993)
1987 年，隨著 LISP 機器市場的崩潰和專家系統的局限性日益明顯，AI 領域迎來了第二次寒冬。
導火索：
- 硬體變革：通用工作站（如 Sun、Apollo）的性能迅速提升，使得昂貴的 LISP 專用機失去市場。
- 專家系統泡沫破滅：企業發現維護專家系統的成本高昂，且難以擴展，投資熱情迅速消退。
- 政府計畫失敗：日本雄心勃勃的「第五代計算機」計畫未能實現其目標。
這次寒冬讓學術界和產業界意識到，基於規則的符號主義可能不是通往真正智慧的唯一路徑。
6.5 典範轉移：從符號到學習
在第二次寒冬的背景下，一種新的思潮逐漸興起：與其讓人類專家辛苦地編寫規則，不如讓機器從數據中自動學習。這就是機器學習 (Machine Learning) 的核心思想。
6.5.1 反向傳播演算法的復興 (1986)
雖然早在 1970 年代就已提出，但直到 1986 年，David Rumelhart、Geoffrey Hinton 和 Ronald Williams 的論文才使其廣為人知。
核心貢獻：
提供了一種有效訓練多層神經網路 (Multi-Layer Perceptrons, MLP) 的方法，從而克服了單層感知器無法解決 XOR 問題的局限。
運作原理：
1. 前向傳播：輸入信號通過網路，產生輸出。
2. 計算誤差：比較網路輸出與真實標籤的差距。
3. 反向傳播：將誤差從輸出層逐層向後傳播，並根據每個神經元對總誤差的「貢獻度」來調整其連接權重。
graph TD
%% Declare all nodes first for robustness
Input
Layer1
Layer2
Output
Error[計算誤差]
subgraph 前向傳播
Input --> Layer1 --> Layer2 --> Output
end
subgraph 反向傳播
Error --> Layer2
Layer2 --> Layer1
Layer1 --> Input
end
Output --> Error
歷史意義：
- 重新點燃了對連結主義（神經網路）研究的興趣。
- 為 20 年後的深度學習革命埋下了最重要的伏筆。
6.5.2 其他機器學習演算法的興起
除了神經網路，其他非符號主義的機器學習方法也在這一時期發展成熟。
6.6 本章小結
核心要點
- AI 寒冬的教訓：過度承諾和忽視基礎難題（如組合爆炸、常識推理）會導致信任危機和資金斷絕。
- 專家系統的興衰：證明了 AI 在特定領域的商業價值，但也暴露了知識工程瓶頸和基於規則系統的脆弱性。
- 典範轉移：AI 的研究重心從「知識工程」（由人編寫規則）轉向「機器學習」（從數據中學習模式）。
- 關鍵技術的鋪墊：反向傳播演算法的復興，為神經網路的再次崛起和未來的深度學習革命奠定了基礎。
歷史地位
這個時期是 AI 發展的「反思與轉型期」。經歷了兩次寒冬的洗禮，AI 研究變得更加務實，從對通用智慧的幻想，轉向發展可解決實際問題的機器學習技術。符號主義的黃金時代結束，連結主義和統計學習的種子開始萌芽，並將在下一個時代開花結果。
思考問題
- 歷史的循環：你認為當前生成式 AI 的熱潮與 1980 年代的專家系統熱潮有何相似之處與不同之處？我們能從專家系統的泡沫中學到什麼教訓？
- 典範的價值：符號主義（專家系統）真的「失敗」了嗎？或者它只是在當時的技術條件下走到了極限？在今天的 AI 系統中，是否仍有符號推理的位置？
- 潛伏的技術：反向傳播演算法在被「重新發現」前沉寂了十多年。這對我們理解技術發展有何啟示？當下是否有被低估的「潛伏技術」？
延伸閱讀
- 書籍：《人工智慧的現代方法》第 1 章，關於 AI 歷史的精彩概述。
- 論文：Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). "Learning representations by back-propagating errors". Nature.
- 下一章預告：第 VII 章將探討大數據、GPU 和演算法如何共同引爆了「深度學習革命」。
← 上一章：經典時期 | 返回目錄 | 下一章：深度學習革命 →