专家系统和大模型差在哪？知识获取的两条路

让机器拥有知识，AI 历史上出现过两条来路完全不同的路：专家系统把领域专家的知识一条条问出来、写成规则；大模型把海量文本喂给神经网络，让知识在训练里被学出来。两条路对应知识获取的两种哲学，各自有公开可查的战绩与困境。这篇只对照公开事实与公开技术特征，不做高下结论，判断留给读者。

专家系统怎么获取知识

专家系统的知识获取靠人。公开文献里这条线的代表作接连出现：1960 年代斯坦福大学的 DENDRAL 由费根鲍姆团队推出，用规则推断分子结构；1970 年代的 MYCIN 面向血液感染诊断，公开口径下规则数百条，每条形如「如果某特征成立，那么给出某判断」。这条线的操作方式后来有了专名——知识工程：知识工程师访谈领域专家，把专家的经验逐条编码成规则库。1980 年代专家系统进入商业阶段，配置类系统等公开案例被广泛报道，具体节省数字以当年公开资料为准（见专家系统一篇）。代价也在公开文献里写得明白：知识获取瓶颈——专家知道怎么做、说不清依据，规则越写越多、越改越难；系统一旦超出知识覆盖面，表现会断崖式下降。

大模型怎么获取知识

大模型的知识获取靠数据。预训练阶段，模型在海量文本上做自监督学习，公开文献的通行表述是：事实与语言规律以参数形式存储在网络里。知识规模随数据与参数扩展，公开文献把这种扩展规律概括为规模法则（见规模法则一篇）；2018 年预训练范式确立，2022 年底 ChatGPT 上线（见ChatGPT 上线一篇）把这条路的能力交给大众。它的软肋同样公开：知识隐式存储，单条知识无法逐条核对，来源难追溯；公开讨论里被反复提及的「幻觉」现象，指模型生成看似可信、实际错误的内容；知识更新依赖再训练或外挂检索。两条路的特征恰好互相倒转：专家系统知识少而准、边界清晰，大模型知识广而杂、边界模糊。

两条路的工程账本

知识获取两条路公开对照

• 知识来源：专家访谈、人工编码｜大规模文本、数据学习
• 知识形态：显式规则、可逐条阅读｜隐式参数、不可直接阅读
• 解释方式：推理链可展示（公开口径）｜解释机制属公开研究前沿
• 覆盖面：单一领域内深｜跨领域泛化广
• 越界表现：超出知识覆盖即失效｜可能生成貌似可信的错误内容（公开讨论口径）
• 维护方式：改写规则，局部修改成本高｜再训练或检索增强，牵动全局

各自的边界与公开位置

两条路的历史位置在公开文献里都有记录。专家系统的退潮与两次低谷相接（见AI 寒冬一篇），背景之一正是维护成本与知识获取瓶颈；英国 1973 年的 Lighthill 报告对当时的 AI 给出负面评估（见Lighthill 报告一篇），加速了经费收缩。大模型的边界则是当下公开讨论的议题：事实准确性、时效性、可审计性。值得注意的一个公开动向是：今天大模型系统的工程实践里，检索增强、知识库外挂、规则约束都在把显式知识请回系统——两条获取知识的路，正在同一套产品里并肩工作。

落到日常：你用豆包查一个专业概念的讲解、用 Kimi 让它引用材料来源作答，模型给出的内容值得核对——这正是显式知识路线留下的方法论：结论要能回溯到可检查的依据。需要重申的分寸是：本文只对照公开事实与公开技术特征，两条路线各有适用场景，不做高下结论。

再多说几句专家系统与大模型

• 专家系统现在还有吗？：公开报道显示，医疗辅助决策、金融合规等受限场景仍有规则类系统在用，具体案例以公开资料为准。
• 专家系统会像大模型那样出错吗？：性质不同。专家系统不会凭空编造，但知识覆盖面之外会给出错误结论；大模型可能生成看似可信的错误内容，公开讨论称之幻觉。
• 两条路会合流吗？：神经符号、检索增强等公开方向都在尝试结合两种知识获取方式，进展以公开论文为准。