您想知道的人工智能干货，第一时间送达

“爱德华·阿尔伯特·费根鲍姆（Edward Albert Feigenbaum）是人工智能领域“专家系统”之父，也是1994年图灵奖得主。他于1936年1月20日出生于美国新泽西州，美国国家科学院院士，美国艺术与科学院院士，Intelli Corp、Teknowledge和Design Power Inc公司共同创始人，现为斯坦福大学计算机科学系名誉教授。”

01. 人物介绍

那个教会机器“懂得”的人

一、雪夜与好奇心

1936年1月20日，美国新泽西州的一个普通家庭里，一个男孩出生了。那天有没有下雪，史料没有记载。但我们可以想象——一个冬日的孩子，天然地对世界充满了好奇。

他叫爱德华·费根鲍姆。

他的父亲是一个会计师，母亲则是一个热爱阅读的家庭主妇。家里不算富裕，但书架从来不空。小爱德华就是在那些泛黄的书页之间，第一次感受到了“知识”的重量——它看不见，摸不着，却能让人在脑子里建起一座宫殿。

小时候的他，像所有聪明又安静的孩子一样，喜欢拆东西，喜欢问“为什么”，喜欢盯着天空发呆。他不是那种天才叙事里一鸣惊人的神童，而更像一个温柔的收集者——收集问题，收集答案，收集世间万物运行的蛛丝马迹。

有一则轶事流传下来：少年时期的费根鲍姆，曾经花了整整一个暑假，自己动手制作了一台简单的收音机。当那个简陋的盒子里真的传出人声时，他被深深震撼了。不是因为电波的神奇，而是因为他意识到：人类的智慧可以被封装在一个小小的盒子里，然后在另一个地方被释放出来。

那种感觉，像一颗种子落进了土壤。

这种对“知识”本身的迷恋，会在他日后的一生中，反复回响，最终长成一棵参天大树。

二、卡内基的火种

青年时期的费根鲍姆，走进了卡内基梅隆大学的前身——卡内基理工学院。

那是一个令人兴奋的时代。计算机刚刚露出地平线，像一轮崭新的太阳。而费根鲍姆，恰好站在了那束光最先照到的地方。

在那里，他遇到了一个人，这个人改变了他的一生。

那个人叫赫伯特·西蒙——后来拿了诺贝尔经济学奖，同时也是人工智能的开山鼻祖之一。西蒙是一个真正意义上的“通才”：他研究经济学、心理学、计算机科学、管理学、甚至哲学。他似乎什么都知道，又什么都想弄明白。

西蒙给了年轻的费根鲍姆一把钥匙。

不是具体的代码，不是某个算法，而是一种信念：

“机器不必像人一样思考，但它可以像人一样聪明。”

西蒙相信，人类智能的奥秘，是可以被计算、被模拟、被复刻的。思考，本质上是一种信息处理过程——而信息处理，正是计算机最擅长的事。

这句话像一颗火种，落进了费根鲍姆心里。

他没有立刻燃烧。他是一个谨慎的人，一个喜欢把问题想透了再说话的人。他在卡内基的图书馆里度过了无数个夜晚，读哲学、读心理学、读神经科学。他想要弄明白一个最根本的问题：

“智能，到底是什么？”

他不是在寻找一个定义。他是在寻找一条路——一条能让机器真正“拥有”智能的路。多年以后，他会找到那条路。而那条路的起点，就是西蒙种下的那颗火种。

三、逆流而行：当所有人都在教机器推理

1960年代，人工智能的“黄金时代”刚刚拉开帷幕。

那是一个充满理想主义色彩的年代。科学家们相信，只要给计算机足够强的逻辑推理能力，它就能解决世界上所有的问题。他们开发了通用问题求解器，试图让计算机像哲学家一样推演世界。

主流的声音很响亮，也很自信：

“只要推理足够强，机器就能解决一切问题。”

费根鲍姆站在人群之外，安静地看着这一切。

他没有反驳，没有争论。他只是想起了生活中一个非常朴素的经验：

一个医生之所以能治病，不是因为他是一个逻辑天才，而是因为他读过很多书、见过很多病人、记住了无数条症状与药方之间的隐秘联系。

一个律师之所以能打赢官司，不是因为他推理速度有多快，而是因为他脑子里装着浩如烟海的法条和判例。

一个厨师之所以能做出好菜，不是因为他会解微分方程，而是因为他知道盐和糖在不同的菜里该怎么放。

于是他轻声说出了那句后来被反复引用的话：

“智能的关键，不是推理，而是知识。”

这句话在当时是逆流的。就像在所有人都忙着打磨刀锋的时候，他说：不如先弄清楚我们要切什么。

“在足够强大的知识库支持下，一个相对简单的推理程序，也能表现出专家级的智能水平。”

历史证明，他是对的。

多年以后，当深度学习和海量数据成为AI的主流范式，人们回头再看费根鲍姆当年的那句话，才恍然明白：他早在半个多世纪前，就看见了未来。

四、斯坦福的草稿纸与咖啡杯

1965年，费根鲍姆来到斯坦福大学。

那一年他29岁，年轻、沉默、脑子里装满了尚未成型的想法。他站在斯坦福的红瓦屋顶下，望着加州的阳光，做了一个后来被证明是极其重要的决定：

创立一个实验室。

他叫它知识系统实验室。名字听起来很宏大，但最初的模样，不过是一间堆满草稿纸、咖啡杯和旧计算机的小房间。阳光从百叶窗的缝隙里漏进来，落在黑板上密密麻麻的笔记上。空气里有咖啡的苦香，和深夜未散的倦意。

就是在这个不起眼的房间里，一个时代被悄悄开启了。

费根鲍姆和他在斯坦福的合作伙伴约书亚·莱德伯格（一位诺贝尔奖得主，同时也是遗传学领域的巨擘）开始聊一个问题：能不能让计算机帮助化学家做一件极其繁琐的事情——从质谱数据中推断有机分子的结构？

莱德伯格说：这件事非常难，需要大量的专业知识和经验。一个新手化学家要花好几年才能学会。

费根鲍姆听了，眼睛亮了。他说：

“那正是计算机擅长的。”

于是，DENDRAL诞生了。

DENDRAL是世界上第一个成功的专家系统。它不是一个通用求解器，它只懂一件事——化学。但它把这件事，懂得比大多数人类都好。

你给它质谱数据，它会像一位耐心的化学教授那样，一步一步地分析、推理、排除、确认，最后告诉你：这个分子最有可能是这样的结构。

在今天看来，这不过是AI的一件小事。可在1960年代末，这是一个奇迹。

DENDRAL第一次证明了：机器可以不是冷冰冰的计算器，而是一个“懂行”的助手。

你可以和它对话。它给你建议。它甚至告诉你为什么这么建议。

费根鲍姆在笔记里写道：

“它不是在计算，它是在判断。这是我见过的，最接近‘理解’的东西。”

五、MYCIN：当机器学会看病

如果说DENDRAL是一粒种子，那么MYCIN就是那棵长出来的树。

MYCIN是费根鲍姆团队在1970年代开发的医疗诊断专家系统。它专门用来诊断血液感染，并推荐抗生素。

你可以把它想象成一个安静的、坐在诊室角落里的老医生。你不必和它面对面，你只需要告诉它症状：

“病人发热，体温38.5度，血液培养显示革兰氏阴性杆菌……”

MYCIN会像一个真正的专家那样，反问你几个问题：

“病人有没有做过手术？”“最近有没有使用过抗生素？”“有没有插导尿管？”

然后，它会给出判断——不仅如此，它还会把推理的每一步都写出来，明明白白地告诉你：

“我之所以判断是菌血症，因为……我推荐使用庆大霉素，因为……”

这在今天看来依然很动人。因为在医疗AI遍地开花的时代，我们依然在追求那件事：可解释性。

我们不想让AI给我们一个“黑箱”答案。我们想知道：它为什么这么想？它的依据是什么？它有没有可能错了？

而费根鲍姆在五十年前，就已经把“可解释性”作为专家系统的核心设计原则之一。他说：

“如果一个人不能解释他的判断，那我们就不能说他是聪明的，机器也一样。”

MYCIN从未真正投入临床使用——不是因为技术不行，而是因为当时的计算机太贵、太慢，而且法律和伦理问题尚未解决，但它的意义远远超越了应用本身。

MYCIN向世界证明：机器可以在一个高度复杂的、关乎生死的领域里，做出接近甚至超过人类专家的判断。

这是人工智能历史上的一座里程碑。

六、知识工程：一个学科的诞生

DENDRAL和MYCIN的成功，不仅仅是在技术上证明了某件事可行。更重要的是，它们催生了一个全新的学科分支：

知识工程。

费根鲍姆意识到，要让机器真正“懂得”，光靠一两个系统是不够的。他需要一套方法论——一套系统化的、可重复的、能让更多人参与进来的方法论。

于是他开始思考三个核心问题：

1.如何从人类专家那里获取知识？

专家们往往不知道自己是怎么思考的。他们的很多判断是直觉性的、下意识的。你问他“你怎么知道的”，他可能会说“凭经验”。费根鲍姆花了大量时间研究如何“挖掘”这些隐性的知识——这个过程后来被称为知识获取。

2.如何把知识形式化为计算机可以处理的东西？

人类的知识是模糊的、情境化的、充满了例外和假设。费根鲍姆和他的学生们开发了一系列知识表示方法——产生式规则、框架、语义网络——让这些飘忽不定的知识，变成了计算机可以稳稳握住的东西。

3.如何构建、验证和维护大规模知识库？

一个专家系统可能有几千条规则。随着系统变大，规则之间会出现冲突、冗余、甚至矛盾。费根鲍姆提出了“知识库的工程化”理念，把软件工程的方法引入到知识系统的构建中。

他还提出了一个著名的概念：知识获取瓶颈。

他说：专家系统最大的障碍，不是计算机不够快，不是算法不够好，而是知识太难获取了。每一个规则，每一条事实，都需要人类专家和知识工程师花费大量的时间和精力去提炼、编码、验证。

这个问题，至今仍然是人工智能领域的核心挑战之一。而费根鲍姆在四十多年前，就已经把它清晰地摆在了桌面上。

七、走出象牙塔：知识应该流动

费根鲍姆不是一个喜欢待在象牙塔里的人。

他相信一件事：知识不应该被锁在论文和实验室里。

1980年代，人工智能经历了第一次商业浪潮。专家系统走出了大学，走进了工厂、医院、银行、保险公司。通用电气、杜邦、美国运通……那些最聪明的大公司，都开始尝试用AI解决实际问题。

费根鲍姆没有袖手旁观。

他走出斯坦福的红瓦屋顶，创办了IntelliCorp和Teknowledge公司。他要把专家系统技术商业化，让更多人用上。

有人问他：一个教授，为什么要去开公司？

他说：

“如果一个想法真的有用，它就应该走出去。实验室的四面墙挡不住真正的好东西。”

那是一个属于专家系统的时代。全世界的公司都在抢购AI软件，咨询公司排着队请费根鲍姆去讲课。《商业周刊》把他称为“人工智能的商业先驱之一”。他的名字出现在《华尔街日报》上，而不是仅仅停留在学术期刊里。

费根鲍姆的双手，一边握着粉笔，一边握着商业计划书。他没有觉得矛盾。

在他看来，让知识流动起来，才是对知识最大的尊重。

知识不是用来炫耀的，不是用来收藏的。知识是用来解决问题的。如果AI只能待在实验室里写论文，那它就没有完成它的使命。

八、图灵奖与远望

1994年，费根鲍姆与拉吉·瑞迪共同获得了图灵奖——计算机界的诺贝尔奖。

瑞迪也是一位人工智能先驱，在语音识别和机器人领域做出了开创性的贡献。两人同年获奖，象征着人工智能从两个不同方向——知识和感知——都取得了决定性的突破。

颁奖词这样写道：

“表彰他们在设计和构建大规模人工智能系统方面的开创性工作，证明了人工智能技术的实际重要性和潜在的商业影响。”

这是一个迟来的肯定。

费根鲍姆的工作，早在1960年代就已经开始了。三十年后，世界终于追上了他的脚步。专家系统已经成为一个产业，人工智能不再是科幻小说里的概念，而是实实在在改变世界的力量。

在那之后，他还担任过美国空军的首席科学家，为国家的科技战略提供咨询。他被选入AI名人堂，被选入计算机历史博物馆。他获得过无数头衔和荣誉——院士、博士、终身成就奖、名字被用来命名学术奖项……

但据说，他最怀念的，还是斯坦福那间堆满草稿纸的实验室里，深夜亮着的那盏灯。

灯下，一个系统正在安静地回答一个化学问题。键盘声轻轻的，像雨打在窗玻璃上。那是人类知识第一次，被温柔地装进了机器的胸膛里。

九、那些比技术更重要的东西

费根鲍姆的故事里，有一些比技术更重要的东西。

第一，是谦逊。他不认为AI要取代人类。他说：专家系统不是要“取代”专家，而是要把专家的知识放大、复制、传播。一个医生加上一个好系统，可以胜过十个没有系统的医生。人和机器，不是对手，是搭档。

第二，是实用主义。他不追求那种“通用人工智能”的宏大叙事。他相信，真正的智能，总是具体的、局部的、扎根于某个领域的。一个懂化学的系统，和一个懂医学的系统，是两个不同的系统。这不是缺点，而是智能的本质。

第三，是对知识的敬畏。他花了整整一生，去理解一件事：知识是珍贵的。它是人类花了数千年，一点一滴积累起来的。每一滴知识背后，都有一个人、一个故事、一次失败、一次顿悟。费根鲍姆做的所有事情，本质上只有一件事：让这些珍贵的东西，不被浪费。

他说过一句很朴素的话：

“知识就是力量。但力量只有被使用时，才有意义。”

十、遗产：那条看不见的河流

费根鲍姆的洞见，像一条看不见的河流，静静地流淌在人工智能的每一条支脉里。

今天，当我们和大语言模型对话，当AI帮医生看片子、帮化学家设计分子、帮工程师写代码、帮律师检索判例的时候，那条河流依然在。

它的源头，就是1965年斯坦福那间小房间里，一个年轻教授轻声说出的那句话：

“智能的关键，是知识。”

我们现在有了知识图谱，有了向量数据库，有了海量的参数和万亿级的训练数据。我们有了BERT、GPT、Llama这些听起来像魔法一样的模型。但底层逻辑，依然是费根鲍姆在半个多世纪前种下的那颗种子：

机器可以没有情感，但可以拥有知识。

知识可以被编码，然后温柔地传承。

他教会机器的，不是算计，不是博弈，不是赢过人类。

他教会机器的，是“懂得”。

懂得化学，懂得医学，懂得那些人类花了无数个日夜才弄明白的事情。

而“懂得”，是一件比“知道”更温柔的事。

尾声：懂得

爱德华·费根鲍姆的一生，像一本安静的书。

没有太多戏剧性的转折，没有惊天动地的宣言。他不是一个喜欢站在聚光灯下的人。他说话的声音不大，语速不快，每一个字都像是经过了深思熟虑。

他只是在正确的时间，轻声说了一句正确的话；然后用一生的时间，把这句话变成代码、变成系统、变成公司、变成学科、变成一个时代。

他让我们相信：

智能从来不是凭空而来的天才，而是无数知识被认真安放之后，自然开出的花。

如今，他已经是耄耋之年。斯坦福的校园里，阳光依然从百叶窗的缝隙里漏进来，落在某个实验室的黑板上。新的研究者们来了又走，新的系统一个接一个地诞生，新的突破每天都在发生。

但那个问题依然年轻：

“如果我们把所有人类已知的东西，认认真真地教给机器，会发生什么？”

答案正在我们眼前，一天一天地展开。

从DENDRAL到ChatGPT，从几千条规则到万亿个参数，从一间堆满草稿纸的小房间到覆盖全球的云服务器——这条路，走了六十多年。

而费根鲍姆，那个在新泽西雪夜里出生的男孩，那个在卡内基的图书馆里熬夜读哲学的青年，那个在斯坦福的咖啡杯之间点亮第一盏灯的人，早已在AI的星辰大海里，留下了他的名字。

不是刻在石碑上，不是印在奖状上。

而是写在每一行试图让机器“懂得”的代码深处。

写在每一次AI给出答案时，那句温柔的“因为……”

写在人类与机器之间，那道正在慢慢变薄的墙上。

“懂得”，是比“知道”更温柔的事。他教会了机器这件事。而我们，才刚刚开始学会。

02. 我的思考与感受

读罢爱德华·费根鲍姆的故事，我久久沉默。

不是因为他的成就太过宏大让我无言，恰恰相反——是因为他做的那件事，听起来太朴素了。他只是说：智能的关键是知识。只是把人类已知的东西，认认真真地教给机器。只是在一个迷恋推理的时代，轻声提醒大家：别忘了知识本身。

可就是这种朴素，让我觉得震撼。

我们这个时代太迷恋“聪明”了。我们追求更快的算法、更深的网络、更多的参数。我们崇拜那些能够“举一反三”的通用智能，崇拜那些不需要太多数据就能学会新任务的模型。这当然没有错。但费根鲍姆提醒我们：在聪明之前，先要有内容。

一个孩子再聪明，如果没读过书、没见过世界，他也说不出什么有深度的话。一台机器再会推理，如果它的知识库是空的，它也解决不了任何实际问题。这个道理简单到几乎像一句废话。可恰恰是这句“废话”，改变了人工智能的走向。

我想起自己第一次接触专家系统时的感受。那是很多年前的一门课，老师花了一整个学期讲规则、讲推理引擎、讲反向链接。我当时觉得这些东西好“老派”——比起现在动辄几十亿参数的神经网络，几百条规则的专家系统像一台手摇计算机。可后来我慢慢明白：专家系统留给我们的，不是技术本身，而是一种态度。

一种对知识的敬畏态度。

费根鲍姆用一生告诉我们：知识不是某种可以被随意替换的“数据”，它是人类智慧的结晶，是一代又一代人用汗水、失败和顿悟换来的东西。它不是免费的，不是理所当然的。我们把它教给机器，不是因为机器“需要”它，而是因为它太珍贵了，值得被更广泛地传播和使用。

还有一个让我动容的地方，是费根鲍姆的温和。

他不激进，不狂热，不喊口号。他没有说“AI将取代人类”，也没有说“专家系统是终极答案”。他只是安安静静地做一件事：让机器懂得一个化学公式，懂得一种细菌感染，懂得一个医生为什么会做出那样的判断。他相信的是人与机器的协作，而不是对抗或替代。

这种温和，在今天的AI讨论中越来越稀缺了。

最后，我想说：费根鲍姆的故事让我重新思考了一个问题——我到底希望机器学会什么？是学会赢棋、学会写诗、学会骗过人类？还是学会那些真正重要的、能够帮助人类活得更好一点的知识？

答案不言自明。

谢谢你，费根鲍姆，谢谢你让机器学会了“懂得”。也谢谢你让我重新想起：知识，从来都是温柔的。

03. 本期提问

文章精选：

1.强化学习之父、图灵奖得主 Sutton 隔空回应 图灵奖得主Hinton：目前的 AI “理解不足，调参有余”