第二讲 · 符号主义：专家系统与专家控制

对应 PPT：第二讲《专家系统》专家系统采用一条很直接的路线：把人类专家的经验写成规则，让机器按规则推理。

1. 历史定位：符号主义

专家系统是符号主义学派的代表。符号主义认为，智能可以用符号、规则和逻辑显式表达。上世纪 80 年代 AI「第二次崛起」的三件标志性事件中，第一件就是专家系统（代表人物 Edward Feigenbaum，「专家系统之父」，1994 年图灵奖）；另外两件是 Hopfield 网络（1982）和 BP 算法（1986），第五讲会放在连接主义里介绍。

AI 关键历史节点（背景时间线）：

1950 图灵《计算与智能》 → 1956 达特茅斯会议 → 1957 感知机
  → 1974 第一次低谷 → 1980 XCON → 1982 Hopfield → 1987 第二次低谷
  → 1997 深蓝 → 2006 Hinton 深度学习 → 2011 Watson → 2016 AlphaGo

2. 核心思想：把经验写成规则

专家系统可以概括为：把专家经验写成 IF-THEN 规则，再由推理机循环匹配规则。

以自动驾驶为例，规则本质上就是「人类驾驶经验的形式化」：

规则1: IF 前方检测到红灯       THEN 减速并停车
规则2: IF 前方车距 < 安全距离   THEN 降低车速
规则3: IF 行人进入车道         THEN 紧急制动

工作流程（正向推理）：环境感知 → 形成事实 → 匹配规则 → 产生控制决策。扫地机器人的推理机本质就是个无限循环：

while Robot_is_Running:
    front = read_sensor("Front")
    left  = read_sensor("Left")
    if front == CLEAR:
        execute_action("前进")
    elif front == BLOCKED and left == CLEAR:
        execute_action("左转")
    else:
        execute_action("后退并调头")

专家系统的行为完全由规则库决定：规则没有覆盖的情况，系统就无法据此做出可靠判断。这也是知识获取和规则维护困难的直接原因。

3. 结构：知识库 + 推理机

专家系统主要由两大件构成：

知识库（Knowledge Base）：存知识。包含三类——基于专家经验的判断性规则、用于推理的控制性规则、说明问题状态的数据。
推理机（Inference Engine）：利用知识库中的规则和事实推导结论。

发展三阶段：初创期（1965–1971，DENDRAL 化学分子结构、MACSYMA 数学）、成熟期（1972–1977，MYCIN 血液感染诊断、HEARSAY 语音）、发展期（1978 至今）。

3.1 一套完整专家系统怎样建立

真实工程不只有两个方框。知识库内部还要分成规则库和数据库，并提供查询、检索、增删、修改和扩充；推理机内部包含解释程序和调度程序。系统一端通过知识获取接口向领域专家收集经验，另一端通过咨询接口向用户提问、给结论并解释理由。

专家系统的知识库、推理机与人机接口

建立过程可以按三层设计：

知识库：先区分叙述性、过程性和控制性知识，再选择表示方法，并实现规则的保存、编辑、删除、增加和搜索；
推理机：选择正向、反向或双向推理，再选深度优先、广度优先或启发式搜索等算法；
人机接口：用户接口负责咨询理解和结论解释，专家接口负责知识扩充与系统维护。

开发时既可以直接使用 C、Prolog、Lisp 等语言，也可以使用已有的专家系统“空壳”：框架已经带好知识表示和推理机，只需装入领域知识。

4. 三种推理方式

正向推理：从已知条件出发往前推得到结论（数据驱动）。扫地机器人是正向推理。
反向推理：先提出假设结论，再找支持证据；证据存在则假设成立（目标驱动）。MYCIN 是反向推理。
双向推理：用正向推理提出假设，再用反向推理证实。

5. 知识表示与确定性因子 CF

知识表示方法有产生式规则（最流行）、框架、语义网络、过程。产生式规则的标准形式：

IF E THEN H WITH CF(E,H)

E 是前提（证据），H 是结论（假设），CF 是规则强度。

确定性因子 CF（Certainty Factor） 用来处理专家知识中的不确定性。医学诊断、机器人感知等判断往往不是绝对确定的，可以用 CF 量化可信度：

$-1 \le CF(E,H) \le 1$

$CF = 1$ 完全确定， $CF = 0$ 不确定， $CF = -1$ 完全否定。例：IF 病人持续高烧 THEN 可能细菌感染，可信度约 70%，即 $CF = 0.7$ 。CF 让专家系统能处理不确定知识——这是它比纯逻辑系统强的地方，也是 MYCIN 的首创贡献。

6. 从「专家系统」到「专家控制」

K. J. Åström（瑞典）1983 年把专家系统引入控制领域，1986 年提出「专家控制（Expert Control）」。形象地说——在传统控制基础上「加入」一个富有经验的控制工程师。

课件重点比较了专家控制与专家系统：

维度	专家系统	专家控制
任务	辅助用户决策	独立、实时的自动决策
工作方式	离线	在线（需在线获取反馈）
可靠性 / 抗干扰	一般	要求更高

一句话记忆：专家系统是「顾问」，专家控制是「司机」——顾问可以慢慢想，司机必须实时闭环。

按作用分两类：直接型专家控制器（直接取代常规控制器，模拟「操作工人」，专家 PID 属此类）和间接型专家控制器（与常规控制器结合做高层决策，模拟「控制工程师」，又分优化型 / 适应型 / 协调型 / 组织型）。

6.1 专家控制的知识怎样组织

专家控制要同时保存对象与控制两侧的知识：对象知识包括开环特性等先验知识和运行中间状态等动态知识；控制、辨识和诊断知识又分成算法形式的定量知识与经验、逻辑、直觉形式的定性知识。数据库进一步按推理层级组织为：

事实：传感器误差、报警阈值、操作约束等静态数据；
证据：带噪声、延迟甚至互相冲突的实时测量；
假设：由事实和证据推出的状态估计等中间结果；
目标：稳定性、工作点寻优和控制律是否要调整等性能要求，可预先给定，也可在线生成。

这套系统既能利用先验知识，也能通过增加规则积累经验，还能用“超调小”“偏差增大”等定性语言描述和解释性能，并从闭环故障中获取新规则。间接型控制器的运行方式也不同：优化型、适应型通常要在线实时运行；协调型、组织型可以离线充当计算机辅助系统。

落地的四个关键问题是：怎样表示知识、怎样从传感器识别定量信号、怎样把定性经验变成控制量、怎样持续获取规则。由此得到它的三项工程特点：灵活性、适应性、鲁棒性。

7. 专家 PID 控制

思想：基于受控对象和控制规律的各种知识，无需精确模型，用专家经验来设计 / 整定 PID 参数。它是一种直接型专家控制器。

7.1 回顾 PID

控制问题就是让某个量（车速、温度、位置）达到目标。定义误差 $e =$ 目标值 $-$ 当前值， $e(k)$ 是第 $k$ 个采样时刻的误差。控制器要根据误差算出控制量 $u$ （油门、电压、阀门开度），把误差压到 0。PID 用三个视角看误差：

P 比例：误差现在多大，大就使劲。像「离目标还远，踩深油门」。
I 积分：误差累计了多久，专治「持续的小误差」（如上坡总差 2 km/h 到不了目标）。累加历史误差、持续加码直到误差归零，消除稳态误差。
D 微分：误差变化多快，预测性地防冲过头。像「快到目标了提前收油」。

连续时间形式：

$u(t) = k_p\,e(t) + k_i\int_0^t e(\tau)\,d\tau + k_d\frac{de(t)}{dt}$

7.2 数字化：位置式与增量式

计算机每隔采样周期算一次，把积分换成求和、微分换成差分，得到位置式 PID：

$u(k) = k_p\,e(k) + k_i\sum_{j=0}^{k} e(j) + k_d\,[e(k)-e(k-1)]$

位置式直接计算控制量的绝对值。实现时可以维护一个累计积分状态，不必保存全部历史误差；但执行器饱和后，积分状态仍可能继续增长，形成积分饱和。

增量式的巧思：不算「 $u$ 该是多少」，只算「这一步 $u$ 要增减多少」，即 $\Delta u(k)=u(k)-u(k-1)$ 。把 $u(k)$ 和 $u(k-1)$ 两式相减，三项各自变成：

P 项 → $k_p\,[e(k)-e(k-1)]$
I 项 → $k_i\,e(k)$ （两次累计和相减后只剩当前误差，但输出 $u(k)$ 仍会逐步累积）
D 项 → $k_d\,[e(k)-2e(k-1)+e(k-2)]$

合起来：

$\Delta u(k) = k_p[e(k)-e(k-1)] + k_i\,e(k) + k_d[e(k)-2e(k-1)+e(k-2)]$

$u(k) = u(k-1) + \Delta u(k)$

每一项现在读作： $k_p[e(k)-e(k-1)]$ 是误差这一步变化了多少（一阶差分）； $k_i\,e(k)$ 是当前误差本身； $k_d[e(k)-2e(k-1)+e(k-2)]$ 是误差的二阶差分（误差曲线的弯曲 / 加速度）。

增量式只需最近几个误差就能计算 $\Delta u(k)$ ，而且直接给出控制量的变化，适合阀门、步进电机等增量执行场景。但 $u(k)$ 由 $u(k-1)$ 累加得到，所以它不会自动消除积分饱和，一次错误增量也可能保留在后续输出中。实际实现仍需输出限幅、积分分离或反算等 anti-windup 机制；手自动切换时也要让内部状态与当前执行器输出对齐，才能做到无扰切换。

7.3 专家 PID 的 5 种情况

专家 PID 观察典型二阶系统阶跃响应的误差曲线，按误差大小与变化趋势分 5 种情况切换控制策略（设阈值 $M_1 > M_2 > 0$ ，极小误差界 $\varepsilon$ ）。记 $\Delta e(k)=e(k)-e(k-1)$ ：

误差极大： $|e(k)| > M_1$ 。不管趋势，输出取最大 / 最小（开环 bang-bang），以最快速度把误差拉回。
误差在恶化： $e(k)\,\Delta e(k) > 0$ （误差正朝绝对值增大方向走）。若 $|e(k)| \ge M_2$ → 强控制，增量乘放大系数 $k_1>1$ ；若 $|e(k)| < M_2$ → 一般控制，用标准增量 PID。
误差在好转： $e(k)\,\Delta e(k) < 0$ 且 $\Delta e(k)\,\Delta e(k-1) > 0$ 。保持输出不变 $u(k)=u(k-1)$ ，别去干扰这个好趋势。
误差处于极值（拐点）： $e(k)\,\Delta e(k) < 0$ 且 $\Delta e(k)\,\Delta e(k-1) < 0$ 。若 $|e(k)| \ge M_2$ → 较强控制 $\Delta u(k) = k_1 k_p\, e_m(k)$ ；若 $|e(k)| < M_2$ → 较弱控制 $\Delta u(k) = k_2 k_p\, e_m(k)$ （ $k_2 < 1$ ， $e_m(k)$ 为误差极值）。
误差极小： $|e(k)| \le \varepsilon$ 。加入积分作用，消除稳态误差。

核心直觉：误差大→猛踩（甚至开环全力），误差在变好→别乱动，到极值→适度修正，误差很小→用积分抹平静差。这正是一个老司机的「手感」，被翻译成了 5 条规则。

8. 四大经典案例

系统	团队 / 年代	领域	亮点
XCON	CMU / 1980	DEC 计算机配置	第一个深度商用成功；正向推理；约 1 万条规则；准确率 >95%；年省约 4000 万美元
MYCIN	斯坦福 / 1970s	血液感染诊断	首创确定性因子 CF；反向推理；首次实现「知识库与推理机分离」；因法律 / 伦理未临床
PROSPECTOR	斯坦福研究所	地质探矿	概率推理；1980 发现钼矿，价值约 1 亿美元；AI 首次在非学术领域产生巨大直接经济效益

工业案例 LINKMAN（英国蓝圈水泥，1980s）：把老师傅「看火」经验提成规则，如 IF 烧成带温度下降 AND 尾气氧含量偏高 THEN 增加煤粉进给量，是「专家系统 + 自动控制」结合最成功的早期工业案例。

MYCIN 的故事很有教益：技术成功 ≠ 能落地——它输在了「误诊责任归属」这类社会 / 伦理问题上（呼应第九讲安全与伦理）。

9. 专家系统的局限与后续发展

三个根本困境：

知识获取困境：专家的隐性经验（直觉、手感）「只可意会，不可言传」，转成严谨的 IF-THEN 极其困难。
缺乏泛化能力：规则库没覆盖的情况就不会处理，不能举一反三。
难扩充维护：规则从几十条涨到数万条，新规则极易与旧规则逻辑冲突。

2006 年后，AI 主流范式逐渐从「人工编写规则」转向「从数据中学习规律」。专家系统并没有消失：在自动驾驶底层安全策略、医疗核心诊断等高安全领域，显式规则仍可作为确定性的安全约束，并与深度学习结合成神经符号系统（Neuro-Symbolic）。

专家的经验很难完整写成规则，这个「知识获取困境」限制了符号主义方法。下一讲用连续隶属度表达模糊经验，第五讲则转向从数据中学习规则。

下一讲：模糊逻辑——把「温度有点高就把阀门关小一点」这种模糊话，量化成机器能算的控制律。