DENDRAL：首个专家系统
Edward Feigenbaum 等人开发 DENDRAL，首个基于知识的专家系统，用于推断分子结构。
事件概述
1965年，斯坦福大学的 Edward Feigenbaum、Joshua Lederberg 和 Bruce Buchanan 开始开发 DENDRAL 系统。这个系统的目标是根据质谱数据自动推断有机化合物的分子结构。DENDRAL 引入了"知识工程"的概念，将化学家的专业知识编码成推理规则，开创了专家系统这一重要 AI 研究方向。系统包含大量关于化学结构的启发式规则，能够在可能的分子结构空间中进行有效搜索。DENDRAL 被认为是第一个成功的专家系统，它证明了将领域专家知识嵌入计算机系统的可行性，为后来的专家系统浪潮奠定了基础。
深度学习笔记
背景、原理、影响与要点，一次读懂这个事件
背景与脉络
1965 年，Edward Feigenbaum、Joshua Lederberg、Bruce Buchanan 等人在斯坦福启动 DENDRAL 项目，旨在用计算机辅助有机化学家从质谱数据推断未知分子结构。Lederberg 是诺贝尔奖得主、遗传学家，Feigenbaum 是 Simon 的博士生，Buchanan 研究哲学——跨学科组合罕见。项目起初受 NASA 资助（设想用于外星无人探测），后获 DARPA 支持。它被视为第一个专家系统，因其把人类化学家的“决策与解题行为”自动化，并开创了“知识工程”这一把专家知识编码进程序的方法学。
核心要点
- 11965 年斯坦福启动，被视为史上第一个专家系统。
- 2目标：从质谱与化学知识反推未知有机分子的结构。
- 3由 Heuristic DENDRAL（表现系统）与 Meta-DENDRAL（学习系统）两部分组成。
- 4核心是“计划—生成—测试”范式：CONGEN 生成候选结构，再用约束剪枝。
- 5Meta-DENDRAL 从数据中归纳质谱规则，反哺 Heuristic DENDRAL，是早期机器学习。
- 6催生 MYCIN、PROSPECTOR、XCON 等后代专家系统。
原理与技术细节
DENDRAL 的任务是“逆问题”：已知分子被打碎后的碎片质量谱，反推原分子结构。它分两层。Heuristic DENDRAL 先用 CONGEN 生成器，依原子质量与化合价规则列出所有满足分子量的候选图（Lederberg 等证明该生成既完备又不冗余）；再用“计划”环节的启发式约束砍掉大批不可能者，最后由“测试”环节按预测谱与观测谱的相似度给候选排序。Meta-DENDRAL 反过来：拿“结构—谱”样本归纳出“某结构特征产生某碎片”的规则，再交回 Heuristic DENDRAL 作更强约束。整个系统是“计划—生成—测试”范式与知识工程的结合，且表现系统与学习系统分离。
影响与后续
DENDRAL 证明了“把专家知识编码为规则 + 推理引擎”的路线可行，直接催生了医学诊断专家系统 MYCIN，以及 PROSPECTOR、XCON 等，掀起 1980 年代专家系统热潮。其局限是知识获取“瓶颈”——规则靠人工从专家口中费力抽取，难以扩展；且它只胜任结构确定的化学子领域。今日同类质谱工具已不再标榜“AI”，但 DENDRAL 作为知识工程与专家系统的奠基地位不可动摇。
学习要点
- 专家系统的威力来自“领域知识”，而非通用算法。
- 把“表现系统”与“学习系统”分离，是可持续改进的架构。
- 知识获取的瓶颈提醒我们：数据/知识比算法往往更决定上限。
术语表
把人类专家的领域知识编码为规则，由推理引擎据此解题的 AI 程序。
将专家经验系统化地抽取并编码进程序的方法学，DENDRAL 首创。
DENDRAL 的问题求解范式：生成候选、用知识约束剪枝、再测试筛选。