20 世纪七八十年代流行的人工智能专家系统，被开发用以通过遵循一套规则来解决医学诊断等问题。因此，一个早期的专家系统MYCIN，被开发用于识别导致感染性疾病如细菌性脑膜炎的细菌。4根据专家系统方法，MYCIN 的开发者首先要收集由传染病专家提供的事实和规则，以及病人的症状和病史，然后将信息输入系统中的计算机，最后通过编写程序让计算机使用逻辑进行推理。然而，开发者在收集专家提供的事实和规则时遇到了麻烦，尤其是在更复杂的领域，最好的诊断医师并不依赖规则，而是依靠难以编码的基于经验的图案识别，5 而且他们的系统必须随着新发现的诞生和旧规则的过时而不断更新。开发者在收集和输入病人的症状和病史信息时遇到了更多的困难。录入每个病人的信息需要花上半小时或更长的时间，忙碌的医生们根本腾不出这么多时间。因此，MYCIN 从未被应用于临床是预料之中的事。尽管有许多针对其他应用的专家系统被开发了出来，例如有毒物质泄漏管理、自动驾驶车辆的任务规划，以及语音识别等，但如今，这些系统在实际生活中很少被用到。

研究人员在人工智能发展早期尝试了许多不同的方法，这些方法通常都很巧妙，但并不实用。他们不仅低估了现实世界问题的复杂性，而且提出的解决方案无法进行大规模应用。在复杂的领域中，规则的数量可能会非常庞大，并且随着新的事实的出现而不断被添加，跟踪所有规则的例外情况并与之互动变得十分不切实际。例如，道格拉斯·勒奈（Douglas Lenat）在1984年启动了一个名为“Cyc”的项目，想要将常识代码化，这在当时似乎是一个好主意，但实际操作起来却成了一场噩梦。6 我们对世界上的大量事实都觉得理所当然，其中大部分都是基于经验。例如，从40 英尺的高度落下的猫可能会毫发无损，7 但是从同一高度坠落的人就不同了。

早期AI 进展得如此缓慢的另一个原因是，数字计算机还处于非常原始的阶段，并且以今天的标准来看存储器成本十分高昂。但是由于数字计算机在逻辑运算、符号操作和规则应用方面非常高效，这些计算原语在20 世纪会受到青睐并不令人惊讶。这也促使了卡内基-梅隆大学（Carnegie Mellon University）的两位计算机科学家艾伦·纽维尔（Allen Newell）和赫伯特·西蒙（Herbert Simon）于1955 年写成了一套名为“逻辑理论家”的计算机程序，它可以证明《数学原理》（Principia Mathematica）一书中的逻辑定理。《数学原理》是阿尔弗雷德·怀特海德（Alfred North Whitehead）和伯特兰·罗素（Bertrand Russell）尝试把所有的数学知识系统化的一套书。这一时期，人们对于智能电脑即将到来寄予了厚望。(www.daowen.com)

那些试图编写具有人类智能的计算机程序的AI 先驱，本身并不太关心大脑是如何实现智能行为的。我问艾伦·纽维尔其中的缘由，他告诉我，他本人对大脑研究的见解持开放态度，但当时根本没有足够的相关信息可以借鉴。大脑功能的基本原理在20 世纪50 年代才慢慢开始被揭开，相关领域的带头人包括艾伦·霍奇金（Alan Hodgkin）和安德鲁·赫胥黎（Andrew Huxley），他们解释了大脑信号是如何通过神经中的电脉冲来实现远距离传送的，而另一带头人伯纳德·卡茨（Bernard Katz）则发现了这些电子信号如何经突触转化为化学信号来实现神经元间的通信。8

到了20 世纪80 年代，人们对大脑的了解日益增加，并且在生物学领域以外对大脑的接触也变得更加广泛，但对于新一代的AI 研究人员来说，大脑本身已经变得无关紧要了。他们的目标是编写一个程序，使其拥有和大脑一样的功能。在哲学里，这种立场被称为“功能主义”，对许多人来说，这是一个可以忽略生物学中杂乱细节的绝佳说辞。但是一小群不属于主流群体的AI 研究人员认为，受大脑生物学启发的那些被称为“神经网络”、“连接主义”和“并行分布处理”的AI 实现方法，会最终解决困扰基于逻辑的AI 研究的难题。我正是那一小群人中的一个。