除了神经网络，还有一种AI能完全解释自己的决策过程

文章知识来源于微软AI begin
github.com/microsoft/AI-For-Beginn...

ChatGPT火了，但AI还有另一面

说到AI，大家第一反应都是ChatGPT、深度学习、神经网络。但实际上，AI还有另一个重要分支——符号AI，它的工作方式和神经网络完全不同。

最大的区别是什么？符号AI能完全解释自己是怎么得出结论的，而神经网络基本是个”黑盒”。

专家系统：让计算机像专家一样思考

什么是专家系统？

想象一下，如果能把一个资深医生的诊断经验完全”下载”到计算机里，会怎样？

这就是专家系统想要做的事情。

例子：医疗诊断专家系统
规则1: IF 患者发高烧 THEN 可能有炎症
规则2: IF C反应蛋白高 THEN 可能有炎症  
规则3: IF 有炎症 AND 咳嗽 THEN 可能是肺炎

推理过程：
患者症状：发烧39度 + 咳嗽 + C反应蛋白12mg/L
→ 触发规则1和规则2 → 判断有炎症
→ 结合咳嗽症状，触发规则3 → 诊断：肺炎

关键是：这个推理过程完全透明，每一步都能解释。

专家系统的优势

与现在的AI相比，专家系统有几个独特优势：

1. 完全可解释：能告诉你为什么得出这个结论
2. 专业性强：在特定领域可以达到专家级水平
3. 规则可修改：专家可以直接调整规则，不需要重新训练

知识表示：如何让计算机”理解”知识

三元组：最简单的知识表示

所有知识都可以用”对象-属性-值”的形式表示：

Python - 类型 - 编程语言
Python - 发明者 - Guido van Rossum  
Python - 语法特点 - 缩进语法
编程语言 - 用途 - 软件开发

看起来简单，但这种方式能表示复杂的知识网络。

推理规则：让计算机会”推理”

IF 动物吃肉 THEN 动物是肉食动物
IF 动物有锋利牙齿 AND 动物有爪子 THEN 动物是肉食动物

输入：狮子有锋利牙齿，狮子有爪子
推理：狮子是肉食动物

现实应用：专家系统无处不在

虽然现在神经网络很火，但专家系统在很多领域仍然不可替代：

医疗诊断

• MYCIN系统：诊断血液感染，准确率达到专家医生水平
• 优势：每个诊断都能给出详细解释

金融风控

# 信贷审批规则示例
IF 收入 > 10000 AND 信用分数 > 700 THEN 通过初审
IF 负债率 > 70% THEN 拒绝申请
IF 逾期次数 > 3 THEN 降低额度

工业控制

• 石油炼制过程控制
• 核电站安全监控
• 航空飞行控制

为什么这些领域还用专家系统？因为需要解释每个决策的依据，承担不起”黑盒”的风险。

语义网：让互联网变聪明

还记得”语义网”的概念吗？这也是符号AI的一个重要应用。

基本思路

把互联网上的信息都用三元组的形式标注：

百度 - 类型 - 搜索引擎
百度 - 创始人 - 李彦宏
百度 - 成立时间 - 2000年

这样搜索引擎就能”理解”网页内容，而不只是匹配关键词。

实际例子

• 知识图谱：Google、百度的知识面板
• WikiData：维基百科的结构化知识库
• 智能问答：Siri、小爱同学的知识查询

程序员视角：何时选择符号AI？

适合符号AI的场景

• 需要解释决策过程：医疗、金融、法律
• 规则相对固定：专业领域的标准流程
• 专家知识可以明确表达：诊断、审批、分类

不适合的场景

• 模式识别：图像、语音、自然语言理解
• 创造性任务：内容生成、艺术创作
• 大量数据驱动：推荐系统、搜索排序

技术实现

# 简单的专家系统示例
class ExpertSystem:
    def __init__(self):
        self.facts = set()
        self.rules = []

    def add_rule(self, conditions, conclusion):
        self.rules.append((conditions, conclusion))

    def infer(self):
        changed = True
        while changed:
            changed = False
            for conditions, conclusion in self.rules:
                if all(cond in self.facts for cond in conditions):
                    if conclusion not in self.facts:
                        self.facts.add(conclusion)
                        changed = True

未来：符号AI与神经网络的结合

现在最前沿的研究方向是神经符号AI：

• 神经网络负责感知：处理图像、语音、文本
• 符号系统负责推理：逻辑推理、知识整合
• 两者结合：既有神经网络的学习能力，又有符号系统的可解释性

例如：

1. 用CNN识别X光片上的异常区域
2. 用专家系统根据医学知识进行诊断推理
3. 给出诊断结果和详细解释

总结

符号AI虽然没有神经网络那么”火”，但在需要可解释性和专业知识推理的场景中仍然不可替代。

作为程序员，了解这些技术能帮助我们：

• 选择合适的AI技术路线
• 构建可解释的智能系统
• 在特定领域达到专家级效果

AI不只是深度学习，符号AI同样值得学习和应用。

下期预告：我们将深入探讨神经网络与符号AI如何结合，构建更强大的混合智能系统。

关注我，一起探索AI技术的多个面向！

本作品采用《CC 协议》，转载必须注明作者和本文链接