别让机器去思考，让它去模仿一个专家

1970 年代，费根鲍姆观察到一件反直觉的事。那些雄心勃勃的通用问题求解器——麦卡锡的 Advice Taker、纽厄尔与司马贺的 GPS——几乎全部失败；可一旦他把一个化学家的判断规则一条条喂进机器，机器居然真的能从质谱数据里推断出分子结构。1965 年，他和遗传学家莱德伯格、化学家杰拉西在斯坦福启动了 DENDRAL。

费根鲍姆从中提炼出一条信条。他借用了培根 1597 年《神圣冥想录》里那句"知识就是力量"（Nam et ipsa scientia potestas est），并在 1971 年前后把它确立为知识工程的核心原则——智能不在推理，在知识。 通用求解器失败，不是因为不会推理，而是因为没有知识。这是个颠覆性的判断：它意味着通往智能的路，不在更聪明的算法，而在更密集地编码专家脑子里的东西。

DENDRAL 被公认是第一个成功的知识型专家系统。它证明了一件事：把一个窄领域专家的判断固化成规则，机器就能在那个领域里表现得像一个专家。

真金白银

接下来十年，这个判断被反复验证，而且每一次验证都更有分量。

1972 年，肖特利夫在斯坦福开始做 MYCIN——诊断细菌感染、推荐抗生素。它最终长到约 600 条产生式规则，并引入"确定性因子"（certainty factors）来处理医学判断里那种说不清但又确实存在的"大概八成是"的不确定性。1976 年，肖特利夫的主著《Computer-Based Medical Consultations: MYCIN》出版。MYCIN 后来被拆掉医学知识，剩下一个领域无关的空壳，叫 EMYCIN——1979 年由 William van Melle 完成，是公认的第一个专家系统外壳。

然后是 PROSPECTOR。1970 年代后期，SRI International 的 Duda 与 Hart 造了一个矿藏勘探专家系统。它最出名的一次实战，是 1980 年在华盛顿州 Mount Tolman 的野外测试。这里需要澄清：后来被反复转述的"PROSPECTOR 发现了一个价值一亿美元的钼矿"，是夸大了的二手版本。1982 年发表在《Science》上的一手论文，标题是"Recognition of a Hidden Mineral Deposit"，原文只说程序"识别了一个隐藏的斑岩钼矿"，并没有给出金额；那个"一亿美元"是后来的教材和综述添上的。更准确的事实是：Mount Tolman 矿区的局部存在此前已被知晓，PROSPECTOR 的真正贡献，是识别出了此前未被认识的矿化延伸范围。但即便按最保守的口径，这也是 AI 第一次在野外地质勘探中证明了它的实用价值。

真正把"可变现的智能"立起来的，是 XCON。

一年省下几千万美元

1978 年，DEC（数字设备公司）面临一个棘手的工程问题：客户订购 VAX 计算机的订单，每一单都牵涉成百上千个部件——机柜、外设、驱动器、电缆——必须逐一确认齐备且彼此兼容。靠人工配置，错误频出。卡内基梅隆大学的麦克德莫特为 DEC 写了一个程序，叫 R1，后来以 XCON 之名闻名。它最早用 OPS 语言写成——这里要厘清一个常见误解：OPS5 这门规则引擎语言是 CMU 的 Charles Forgy 从 1976 年起开发的，XCON 是它最著名的应用，而不是反过来。

XCON 上线后的效果是决定性的。麦克德莫特 1982 年在《Artificial Intelligence》期刊发表的原始论文记录了它的起点：约 250 条规则的原型。之后规则数量沿着一条陡峭的曲线攀升——到 1984 年初约 3,000 条，到 1980 年代末触及约 10,000 条这条公认的可维护性临界线，最终峰值实际达到了约 17,500 条。

至于它省了多少钱，需要分清楚两笔账。Barker 与 O'Connor 1989 年在《Communications of the ACM》上给出的一手数字是：DEC 的全部配置类专家系统合计，每年净节省约 4,000 万美元（注明是官方估算，非审计数字）；单算 XCON 本身，行业转述的数字约 2,500 万美元一年。无论取哪一个，这都是 AI 第一次证明自己能赚真金白银。

XCON 处理了数以万计的订单。它不再是一个学术演示，而是一台嵌进企业流水线的机器。但几乎没有人在意那个正在显现的曲线——规则数从 250 涨到 3,000 涨到 10,000，与之同步膨胀的是一个叫 CSG（Configuration Support Group）的维护团队，从最初几人长到几十人，每年大约一半规则要改写以跟上新产品。这个曲线，会在第三章变成全书的第一个结构性病灶。

国家亲自下场

XCON 一年省几千万美元的消息震动商界。但真正让 1980 年代的 AI 狂热升级为国家竞赛的，是来自太平洋对岸的一记重锤。

1982 年，日本通产省（MITI）正式启动"第五代计算机计划"（Fifth Generation Computer Systems, FGCS），由其设立的新一代计算机技术研究所（ICOT）牵头，雇了约一百名年轻研究员，目标是花十年用并行逻辑编程造出能推理的计算机，性能指标瞄准每秒 1 亿到 10 亿次逻辑推理（100 Mega 到 1 Giga LIPS）。技术路线以 Prolog 为起点，衍生出 GHC 与 KL1 语言。

这里必须纠正一个流传甚广的错误。许多资料——包括英文维基百科——写"第五代机预算约 8.5 亿美元"。这个换算是错的。 一手数据显示，日本政府 1982 至 1994 的十余年间实际投入约 540 至 570 亿日元；按 1982 年前后约 1 美元兑 220 至 250 日元的汇率，约合 2.3 到 4 亿美元，到不了 8.5 亿。那个"8.5 亿美元"对应的其实是包含产业匹配资金在内的"规划总额"，不是政府实际拨款。本书一律采用更审慎的口径：政府实付约 570 亿日元。

无论按哪个数字，这都是一次国家级的豪赌。而它立刻引发了美欧的恐慌性响应：美国 1982 年成立了由 Bobby Inman 领导的产业联合体 MCC（微电子与计算机技术公司），1983 年 DARPA 又启动了为期十年、投入逾 10 亿美元的"战略计算计划"（Strategic Computing Initiative）；英国 1983 年上马预算 3.5 亿英镑的 Alvey 计划；欧洲共同体 1984 年启动 ESPRIT。而 1983 年费根鲍姆与麦科杜克合著的《The Fifth Generation》一书，更是把日本挑战渲染为对美国 AI 主导权的生存威胁——后世史学家常把它的冲击比作 AI 界的"斯普特尼克时刻"，尽管"斯普特尼克"这个词是后人的类比，并非原书原话。

一机难求

国家焦虑和商业乐观叠加，催生了专用硬件的军备竞赛。

源头在 MIT AI 实验室。1974 年前后，那里的 CONS 机和后续的 CADR 机是第一批 Lisp 机——专门为运行 Lisp 语言优化的工作站。围绕如何把这台机器商业化，实验室分裂了：黑客文化的代表理查德·格林布莱特（Richard Greenblatt）想办一家由工程师控制的合作社式公司；而拉塞尔·诺夫斯克（Russell Noftsker）主张走风险投资的传统公司路线。诺夫斯克那一派胜出，于 1980 年 4 月成立了 Symbolics；格林布莱特随即在 1979 年（注意，比 Symbolics 还早）创立了 Lisp Machines Inc.（LMI）。两家同根同源，围绕 MIT 共有改进的 Lisp 代码长期紧张——需要澄清的是，那是一种知识产权冲突，间接催生了理查德·斯托尔曼（Richard Stallman）的 GNU 项目，但并没有找到"长期诉讼"的一手记录。

Symbolics 在 1983 年推出 3600 系列，单价约 8 万美元。1986 年前后是它的巅峰：年营收约 1.15 亿美元、六百多名员工、全球装机逾 1500 台。Texas Instruments 的 Explorer、Xerox 的 InterLisp-D 机器也加入战局。到 1985 年，据克雷维尔（Crevier）的记载，约 150 家公司在内部 AI 团队上花了共计 10 亿美元；分析师预测专家系统市场到 1990 年代将达数十亿美元（Gill 1995 年在《MIS Quarterly》引用的具体预测是 40 亿美元）。所有人都相信，专家系统就是未来。

致命的问题没有人问

到 1985 年，乐观主义达到了顶峰。DENDRAL、MYCIN、PROSPECTOR、XCON 证明了智能可以变现；日本把整个国家押了上去；Symbolics 的 Lisp 机一机难求；资本和人才海啸般涌入。

但几乎没有人问那个致命的问题——当规则超过一万条，会发生什么？

XCON 的曲线已经给出了答案的雏形，只是没有人愿意看。维护团队 CSG 在膨胀，每年一半规则要重写；新加的规则会破坏旧规则，改一处坏别处。这个病灶，此刻还藏在"一年省四千万"的光环背后。但用不了几年，它就会在规模的压力下，把整个繁荣连根拔起。

而那条曲线，会在四十年后换一身衣服——从"规则"变成"prompt"，从 DEC 的 CSG 团队变成今天某个深夜还在调试 4000 token system prompt 的 Agent 工程师——原封不动地重新出现。

（本章史料均经独立核证，详见《第二章-史料核证附录》。）