01专家系统的萌生
即便是在人工智能的寒冬，仍有一些重大创新。首先是反向传播（Backpropagation），它对神经网络的权值分配至关重要。其次是循环神经网络(RNN，RecurrentNeuralNetwork)的发展，它允许连接在输入和输出层之间移动。
专家系统的主要组件在20世纪80年代和90年代，专家系统开始出现。个人电脑和小型电脑的爆炸式增长是其中一个关键的驱动因素。专家系统基于明斯基符号逻辑的概念，涉及复杂的路径。它们通常是由医药、金融和汽车制造等特定领域的专家开发的。
虽然专家系统可以追溯到20世纪60年代中期，但它们直到20世纪80年代才获得商业使用。专家配置器(XCON，eXpertCONfigurer)就是一个例子，它是由卡内基梅隆大学的约翰·麦克德莫特（JohnMcDermott）在开发的。该系统看作是第一个推荐引擎，最初有大约条规则，可对计算机部件的选择进行最优化。从年投入使用以来，它为DEC公司制造VAX系列电脑节省了大量成本(到年约为万美元)。（VAX曾经是笔者本科时编译Fortran代码的主要系统，属于分时共享的小型机。那时候得去计算中心，登记后老师会给你密码并指定一台终端。具体操作，时间久远，已经想不起来了。据说，直到现在还有一些VAX仍在使用中，大都用军事工程。）
图片来源：百度百科02专家系统的高光时刻
随更多企业了解到XCON的成功，专家系统迎来了它的繁荣期。最终造就了一个数十亿美元的产业。日本政府也看到了这个机会，并投资了数亿美元来补贴国内市场。然而，结果大多令人失望。很多创新都是美国产生的。
IBM从年开始开发“深蓝”计算机，它每秒可以处理2亿个位置，使用了一个专门针对国际象棋的专家系统。年，它在六场比赛中的一场中击败了国际象棋大师加里·卡斯帕罗夫(GarryKasparov)。
图片来源：百度百科03专家系统的瓶颈和没落
但是专家系统存在一些问题。它们的知识领域往往很狭窄，难以适用于其他类别。此外，随着专家系统变得越来越大，管理它们和有效提供数据变得越来越具有挑战性，虽然这在当今的大数据时代不是什么问题。随之而来的是输出结果中有更多的错误。其次，对专辑系统进行测试通常也是一个复杂的过程。好吧，让我们面对现实吧。有时专家们会在一些基本问题上产生分歧。最后，专家系统不会随着时间的推移而学习。相反，必须通过对底层逻辑模型必须不断更新来使其有能力应对新的问题，这大大增加了成本和复杂性。
到了20世纪80年代末，专家系统开始在商界失宠，许多初创公司合并或破产。事实上，这导致了又一个人工智能冬天，一直持续到年。个人电脑开始迅速蚕食高端硬件市场，这意味着基于lisp的电脑数量急剧减少。
（我不太清楚自己截止现在在电脑等设备上的总花销，但一定是百万级的数字。其中有两样我记忆比较深刻。笔者的第一台电脑购于年(大学毕业第一年)，花费了元。现在不是个大数，但那时我的工资才，还好有父母的赞助。第一台笔记本购于年末或年初，当时价值5.8万元，相当于时价的一台小型面包车。这是东芝的第一款笔记本电脑，也是第一款商业生产的笔记本电脑，托朋友从美国背回来的，后于年元转让给同读博士的吕师兄。）
美国国防部高级研究计划局(DARPA)等政府机构对人工智能的资助也已枯竭。
有学者也将这一时期称为人工智能的第二次寒冬。
高级专家系统：原理设计及应用（第2版）京东好评率%无理由退换京东配送官方店旗舰店￥.1购买感谢您耐心读完本文。
原创不易，如果您喜欢本文，您的点赞、转发和留言是对笔者的最大鼓舞！