如何开发人工智能系统：从专家系统到机器学习

1. 引言

人工智能听起来很复杂，但它的开发方法其实有清晰的路径可循。本文基于一份图文笔记整理，带你从两个经典例题出发，理解人工智能系统的两种主要开发方式：专家系统和机器学习，并掌握它们各自的适用场景与选择标准。

2. 例题一：判断三角形类别

2.1 专家系统实现

当任务规则明确时，我们可以直接将人类知识转化为计算机程序。例如区分直角三角形与其他三角形，通过编写一条简单规则即可实现：

若三角形有一个 90 度角，则归为 A 类。

2.2 适用场景

这种方式适用于规则明确且人类可总结的任务，例如：

• 医疗诊断中的体温判断：体温 > 38℃ 判定为发烧
• 各类专家系统

这类系统虽然简单，但确实具备智能行为特征。

3. 例题二：语音信号和手写体数字识别

3.1 规则提取难点

对于以下任务，人类虽能轻松完成，却难以总结出明确规则：

• 语音识别：同一词语的不同发音变体
• 手写数字识别：数字 “2” 的不同写法
• 人脸识别：同一张脸的不同角度、光线

3.2 核心差异

与三角形分类不同，这类问题的输入存在高度变异性——同一类别的不同实例差异很大，无法用简单的条件语句描述所有可能性。

4. 机器学习：让计算机自动学习规则

4.1 核心思想：构建映射函数

将智能系统视为从输入到输出的映射函数 f(x)，通过数据自动学习函数参数，而非人工指定规则。

函数实例化示例：

4.2 统一框架

不同领域问题均可抽象为函数逼近问题，区别仅在于输入输出形式：

• 输入：语音波形 / 图像像素 / 棋盘状态 / 文本字符串
• 输出：文字 / 数字 / 坐标 / 翻译结果

5. 芒果机器学习案例

5.1 数据准备

• 训练数据需随机采样（不同品牌/产地），避免偏差
• 特征工程：颜色、大小、形状、产地、品牌、价格等 d 维特征向量 x
• 标注输出：每个芒果的甜度标签 y

5.2 学习阶段

• 目标：从 N 个训练样本 (xₙ, yₙ) 中学习 f(x) ≈ y
• 模型类型：包括确定性映射和概率模型 P(y|x)

5.3 验证方法

• 使用独立测试集评估
• 指标：准确率 = 预测正确样本数 / 总样本数

6. 知识获取的三条途径

选择标准

• 规则可描述性
• 数据获取成本
• 人类执行难度
• 反馈机制明确性

7. 知识小结

8. 总结

开发人工智能系统，核心在于判断任务的规则可描述性：

• 规则明确 → 用专家系统，直接编写规则
• 规则未知但人类易执行 → 用监督学习，准备大量标注数据
• 规则未知且执行困难 → 用强化学习，依赖结果反馈

理解这三条路径的差异，你就能在面对实际问题时，选择最合适的 AI 开发方法。