符号主义：专家系统是如何工作的

在神经网络流行之前，人工智能的主流思路是符号主义：把人类知识写成符号和规则，让机器按逻辑推理。本文拆解专家系统的三大件——知识库、推理机与解释模块，用一个问诊的例子说明它的运作方式，并解释它为何最终让位于数据驱动方法。

把知识写成规则

符号主义有一个简洁的信念：智能的本质是对符号的操作，就像做数学题时按规则变换式子。既然人能把自己的知识说清楚，那就把知识写成“如果体温超过三十八度并且咳嗽，那么考虑呼吸道感染”这样的规则，机器照着推就行。

一个典型的专家系统有三部分。知识库存着从专家那里挖来的规则与事实；推理机负责把规则和当前情况匹配，一步步推出结论；解释模块则回答“你为什么这么判断”，把用到的规则展示给人看。这种可解释性，今天仍是它相对神经网络的明显优势。

推理机如何一步步下结论

举个问诊的例子。系统问“发烧吗”，你答“是”，它就把这条事实放进工作记忆；接着问“几天了”“有没有皮疹”。每答一次，规则库里符合条件的规则被激活，推理机沿着链条继续追问，直到某条结论规则的条件被全部满足。

这种方式很像侦探破案：不断用已知线索触发新的可能性，直到锁定唯一解释。因为每一步都有明确依据，医生能顺着系统给出的规则链条检查它有没有想错，这在需要追责的场景里非常重要。

它为什么退居二线

但它有两个硬伤。一是知识获取瓶颈：专家的经验里有很多说不清的直觉，要一条条问出来再写成规则，耗时数年，而且不同专家之间还常常互相矛盾。二是脆弱：一旦出现规则覆盖不到的情况，系统不是性能下降，而是直接崩溃。

现实世界的规则又无穷无尽。要让机器理解一句普通的话，你得把语法、词义、常识全写进去，工作量没有尽头。当数据变便宜、算力变强大，让机器自己从数据里学就成了更划算的选择。不过符号主义并未消失，它正以知识图谱、约束规则等形式与神经网络结合。

本文为 AI 科普内容，仅用于知识普及，不构成任何技术选型、投资或职业决策建议。