温迪·斯科菲尔德在 Unsplash 上的照片
在人工智能变得有点酷之前，我已经在人工智能领域工作了 30 多年。这也意味着我知道 AI 的墓地，它的人口比你想象的要多。让我们来看看当时流行的一些人工智能相关技术。
准备好出发了吗？
40 年前我在法国读研究生的时候，有一天，一个奇特的包裹来到了实验室。它很大，有冰箱那么大。所有的研究生都聚集在一起，想知道是怎么回事。
那是一台符号计算机。
这台计算机的特别之处在于它的机器语言是 LISP(列表处理语言)。
我知道，几乎没有人再用 LISP 编程了。这就是麻省理工学院人工智能实验室的分支机构 Symbolics 破产的原因。
但是回到 80 年代，我们所有在人工智能领域的人对 LISP 了如指掌。我们讨厌它的一些特性，比如过多的括号:根据一个学生的笑话，LISP 的意思是“许多愚蠢的括号”但无论如何，LISP 是我们社区的身份语言。我们无法想象没有 LISP 的 AI。
为了给你一个 LISP 程序的感觉，这里有一个随机的例子(没有任何解释),这样你就能体会到它的感觉了:
(defun csg-intersection-intersect-all (obj-a obj-b)
(lambda (ray)
(flet ((inside-p (obj)
(lambda (d) (inside-p obj (ray-point ray d)))))
(merge ‘fvector
(remove-if-not (inside-p obj-b) (intersect-all obj-a ray))
(remove-if-not (inside-p obj-a) (intersect-all obj-b ray))
#’<))))
括号太多？我同意。
顺便说一下，在早期的计算机动画中，符号机器仍然被使用:在 1990 年，它们被用于电影"杰特森:电影"的 3D 场景。
LISP 语言是第二古老的编程语言，仅次于 FORTRAN。它是由人工智能领域之父约翰·麦卡锡于 1958 年在麻省理工学院开发的。LISP 采用了一些λ演算的元素，以及更实用的东西，比如命令式指令和内存垃圾收集。
我碰巧在现实生活中遇到了约翰·麦卡锡，在他取得 LISP 成就的几十年后，因为他支持我们在坎昆举行的人工智能相关会议(或者是在坎昆对谭说的？).
我的一个同事在一篇论文中读到 LISP 的部分命令性质表明 McCarthy 不太了解 Lambda 微积分，他一时冲动就问了 McCarthy 这个问题。
接下来是尴尬的沉默。
起初很困惑(他脸红了)，麦卡锡回答说，是的，这是真的，他补充说“也许这是最好的，因为否则，LISP 就不会成为如此实用的工具。”
每个人都如释重负地笑了。
我第二次见到麦卡锡是在午餐时，坐在他旁边，写了一篇关于这次相遇的博文。
但是让我们回到 LISP。
LISP 对人工智能研究人员来说是如此普遍，以至于我当时使用的文本编辑器 Emacs 本身也是在用 c 开发的核心之上用 LISP 编写的。有许多 LISP 对 LISP 的“扩展”,例如，用大多数编程语言(当然包括 LISP)编写的格式化和着色程序。
随着 Common Lisp 的出现，甚至新的(当时的)面向对象编程也被合并到 Lisp 中，以巩固它作为未来几年的标准。
那么，LISP 编程究竟是如何步渡渡鸟的后尘的呢？
这主要是机器学习等新人工智能技术的错，Python 和 R(可以说)更适合这些技术。一旦他们有了大量的图书馆，就没有回头路了。LISP 的命运已经注定。
如今，围绕 Python，有大量的库和有用的实用工具，如“笔记本”和许多其他额外津贴。Python 的前景看起来很好，但是请等待！他们当时看起来和 LISP 一样…
当我开始在一所大学担任研究员的新职位时，我被录用主要是因为我拥有人工智能博士学位。还因为我的新大学刚刚与一家工业集团签署了一项协议，开发人工智能系统，旨在全面提升他们的技术水平。
这笔交易包括为他们开发几个“专家系统”。你从未听说过“专家系统”，是吗？那是因为它们不再被使用了。
让我们检查一下这个过时的技术。
专家系统应该在计算知识库中“捕捉”人类专家的知识，以这种方式它可以再现人类专家的行为。
到目前为止，您已经发现了一个冲突:人类专家需要为专家系统的开发进行合作，但是这个人会取代他的工作。谁会真诚地合作来制造让他/她失业的机器？
抛开人类对其悲惨工作的琐碎兴趣，一个构建良好的专家系统确实是有用的。
专家系统的知识库通常由数百个“规则”以“的形式组成。如果满足这个条件，那么执行这个动作。在这里，您可以发现第二个危险信号:如何将人类专家的知识转化为一组规则？
知识库规则运行在“规则引擎”之上，规则引擎是使整个事情运转起来的软件。有几家非常成功的公司是围绕这种类型的软件建立的，像“Level 5”这样的名字我们每个人都很熟悉。
我被分配到墨西哥湾一家盐厂的项目中，而人类专家是一位即将退休的老人，所以在这种情况下，被机器取代并不是迫在眉睫的威胁。
这位专家的问题是，在监督了 20 年盐厂的运作后，他已经掌握了其中的诀窍，到了不用他思考的地步。一点也不。他只是把刻度盘调到最佳位置。每次我问他类似“你怎么知道降压多少？”他回答说，“这是它需要的，我能感觉到”，我必须抑制我的愤怒和绝望。
深层问题是这样的:
专家不知道他知道什么。
无论如何，我们设法编制了一个合理的知识库，并使专家系统投入运行。在与人类专家的访谈中，不时会有遗漏的情况，因此知识库必须更新。必须预订去工厂的航班，等等。我开始熟悉盐厂的经营者。
现在，将专家系统开发的障碍与以下场景进行对比:
盐厂中的传感器持续收集关于操作的数据，并且还实时监控工厂效率。
利用一年的运行数据，训练机器学习系统来预测每种情况的最佳设置，包括不在训练数据中的情况。
不会进行任何采访。只需要去工厂一次(如果有的话)。省略的情况不调试。
你可以看到为什么机器学习技术将专家系统直接送到过时的人工智能技术的墓地。
我不得不继续前进，变得精通机器学习。