专家系统是怎么火起来的？MYCIN 与 XCON 的十年

AI 的第二次繁荣有个具体得多的名字：专家系统。上世纪七十年代到八十年代，把某位专家的经验写成一条条规则、让计算机在狭窄领域给出专业判断，这门生意拿到了真实的行业订单。两台标志性系统——诊感染的 MYCIN 与配订单的 XCON——先证明了价值，随后大批企业跟进，最后热潮在八十年代末退去。这段起落的公开记录，值得逐段对齐来看。

专家系统到底是什么

一个专家系统由两部分构成：知识库里堆着从领域专家那里整理出来的规则，推理引擎拿着规则对具体问题往前推。它不试图「通用」，恰恰相反，越窄越好——只看血液细菌感染，只管计算机订单配置。这个思路在六十年代就有源头：斯坦福的 DENDRAL 项目从 1965 年前后开始做分子结构推断，是公认的早期样板，主持者费根鲍姆后来被称为知识工程之父，见费根鲍姆人物篇。

MYCIN：把诊疗经验写成规则

MYCIN 是斯坦福大学七十年代初的成果，Shortliffe 以此完成博士论文，目标是细菌感染的诊断与用药建议。系统把相关诊疗知识写成规则，公开文献常引用的规模在数百条量级，具体数字以原始论文为准。在后来的公开评估研究中，它的判断与感染科专家的意见吻合度较高；但同样要如实记录的是，它从未进入常规临床使用——系统集成、责任界定、工作流程这些现实问题，公开讨论里都列为原因。它留下的更重要遗产是方法论：怎么从专家那里把知识挖出来写成规则，这门手艺后来有了名字，叫知识工程。

XCON：配订单配出来的价值

把专家系统从论文推进财报的是 XCON。卡内基梅隆大学与数字设备公司（DEC）合作开发，1980 年投入运行，任务是给 VAX 计算机订单做配置——一台 VAX 由大量部件组合而成，配错一件，整套返工。按 DEC 公布过的估计口径，它每年为公司节省的成本以千万美元计，公开文献里最常引用的说法是每年约两千万美元上下，具体数字以公司当年的公开口径为准。真实订单、真实节省，这让八十年代的企业客户头一次把 AI 当成可以采购的东西。

热潮是怎么退下去的

跟进的企业很快发现两件难事。其一，规则靠人工一条条获取，系统越大，新规则与旧规则的冲突越多，维护成本随规模上升，知识获取瓶颈成了行业口头禅。其二，专家系统只会在自家窄领域里干活，稍微越界就失灵，扩展性远不如演示给人的印象。八十年代后期，专用硬件市场崩塌，行业整体退潮，这被普遍视为第二次 AI 寒冬的开端，完整脉络见AI 寒冬一篇。值得一提的是，这条符号路线与感知机代表的连接路线在同一个十年里互为镜像——一边手工写规则，一边让网络自己学，两条路线的对照见感知机一篇。

文中 MYCIN 等医疗系统仅作技术史案例，不构成医疗建议。

专家系统节点速查

• 1965 年前后：DENDRAL 立项，斯坦福
• 1970 年代初：MYCIN 在斯坦福开发，感染诊断
• 1980 年：XCON 在 DEC 投入运行
• 1980 年代：企业跟进，知识工程成行业
• 1980 年代后期：维护成本与扩展性难题显形，市场退潮

手工规则与今天的学习路线

今天的模型不再靠人一条条写规则，知识从数据里学，这解决了知识获取瓶颈，也带来了新的账要算：数据、算力与评估。但当年专家系统提出的两个问题没有过时。第一，窄域能力怎么变宽——MYCIN 出不了诊室，今天的大模型在开放任务上强得多，跨界仍有边界，验收要落在具体任务上，基准分和实际任务一篇讲的正是这个距离。第二，可靠性与责任——系统给出建议之后谁负责，MYCIN 时代讨论过的问题，今天 AI 辅助诊断、辅助决策的场景仍在面对。你让腾讯元宝查资料、让 DeepSeek 起草分析报告，得到的仍是一份需要人工核验的建议书——这与 MYCIN 时代的定位一脉相承。

关于专家系统的三问三答

• MYCIN 那么准，为什么没用起来？：公开讨论列出的原因包括运行环境整合、误诊责任界定、医生工作流程改造等；技术上的判断质量与落地条件是两回事。
• XCON 省的钱是实数吗？：节省金额来自 DEC 公布过的估计口径，常被引用为每年千万美元量级；不同文献引用的具体数字略有出入，以公司当年的公开口径为准。
• 专家系统现在还存在吗？：通用形态已被机器学习取代，但「规则加推理」的思路仍活在需要可解释性的场景里，比如风控与合规系统的显式规则层。