AI史论5-符号主义最后一次系统性冲锋及其历史意义

今天的大模型一旦接入互联网和海量语料，往往会展现出惊人的语言理解与知识调用能力。但如果回到1984年，在没有互联网、没有现代算力、没有大规模数据的时代背景下，人工智能研究者面对的不是“如何让机器更强”，而是一个更加原始、更加尴尬的问题：机器根本没有常识。

当时许多被称为“超级AI”的系统，已经能算微积分、做逻辑推理、在少数专业任务中胜过人类专家，但一旦进入现实世界，就会因为缺乏背景常识而频频给出荒谬结论。面对这一困局，符号主义阵营并没有立刻放弃原有路线，而是选择了一次极端的补救：既然机器没有常识，那就由人类把常识一条一条拆开，翻译成代码，再喂给机器。

这项计划后来被命名为 Cyc。它不是一项普通的软件工程，而是人工智能史上最雄心勃勃、也最具悲剧色彩的“常识补全计划”。它试图用形式逻辑穷尽人类经验世界，最终却反过来证明了一个决定性的事实：人类常识并不是可以被轻易压缩成几百万条规则的东西。

也正因为这场失败如此彻底，它反而成为后来整个AI领域重新理解“智能应当如何产生”的关键转折点。

一、Cyc之所以出现，是因为符号主义已经走到悬崖边

Cyc并不是在技术一帆风顺时自然诞生的，而是在符号主义陷入深层危机的背景下，被当作“最后一次自救”推出来的。1980年代初，专家系统在工业和商业场景中已经取得一定成功，它们可以在狭窄任务中替代部分专家，成为企业的赚钱工具。但在更高层次的学术和技术判断中，顶尖研究者非常清楚，这类系统存在一个无法回避的根本缺陷：它们不会理解人类语言背后的隐含前提。

文本中举了一个非常典型的例子：如果向计算机输入“林肯在剧院被刺杀”，人类会自动调动大量常识背景——林肯本人遭到伤害，但他穿的衣服还在，剧院屋顶不会跟着“死亡”，观众会逃离，凶手用的是某种武器。这些内容对人类而言近乎本能，但对机器而言却完全不存在。若不把这些背景条件显式写进程序，系统就可能根据机械逻辑不断追问一些在人类看来荒诞的问题。

这正是传统符号逻辑最致命的智力盲区：它能处理已经被明确写出的命题关系，却无法自动获得人类在长期进化和现实生活中积累起来的隐性常识。因此，当专家系统在产业层面看似繁荣时，符号主义阵营内部其实已经感受到深深的不安：若这个缺口无法补上，那么它们离真正“理解世界”的目标仍然非常遥远。

二、莱纳特的回答：机器不够聪明，不是因为路线错了，而是规则还不够多

道格拉斯·莱纳特正是在这样的背景下登场的。作为一位坚定的符号逻辑信徒，他并不认为机器之所以显得愚蠢，是因为“规则式智能”这条路线有问题；相反，他的判断几乎正好相反：机器之所以笨，是因为人类写给它的规则还不够多。

莱纳特并不是没有见过规则系统的威力。文本提到，他曾设计过一个系统，能通过利用规则漏洞，以极不符合常规的方式击败兵棋推演冠军。这类经历使他坚信：只要规则足够透彻、逻辑没有漏洞，机器完全可以表现出惊人的能力。于是，当专家系统因缺乏常识而不断撞墙时，他给出的不是“另寻他路”，而是一个更彻底、更激进的符号主义方案——把人类社会里的常识全部翻译成刻板判定语句，手工写进机器。

在正常市场环境下，这种计划几乎不可能拿到资金。它听起来不像可快速变现的技术，更像一场可能耗时数十年的哲学实验。但1984年的美国并不处于正常市场环境。日本“第五代计算机计划”引发的强烈地缘政治焦虑，让美国政府和科技产业急于寻找可能的战略突破口。正是在这种外部威胁叙事下，莱纳特的计划被放大为一项具有国家级意义的工程，并顺利获得MCC支持和巨额预算。Cyc由此正式启动。

这意味着，Cyc从一开始就不是普通研究项目，而是符号主义在产业、学术和国家战略三重压力下展开的最后一次系统性冲锋。

三、Cyc真正做的事，不是“编程”，而是把常识强行翻译成逻辑

Cyc启动后，出现的并不是许多人想象中的高科技实验室场景。没有震撼人心的硬件测试，也没有不断自我学习的系统自动成长。相反，最核心的工作是一种极其枯燥、却又异常艰难的知识翻译劳动。几十位受过高度训练的研究者坐在终端前，试图把人类日常生活中理所当然的经验，一条条翻译成机器专属的逻辑语言 CycL。

为完成这一任务，莱纳特招募了大量哲学家、语言学家和逻辑学家，他们被称为“本体工程师”。因为单纯的程序员很快就会发现，常识问题并不是普通编程问题，而是一个关于概念边界、关系定义和语境拆解的巨大工程。CycL建立在一阶逻辑之上，知识库被分成“术语”和“断言”两部分：先严格定义对象和概念，再通过断言把它们之间的关系固定下来。

表面上看，这种做法非常严谨，仿佛只要把概念定义得足够清楚、把关系绑定得足够完整，机器就能够逐步获得常识。但恰恰从这里开始，Cyc团队给自己挖下了最深的陷阱。因为人类常识并不是一组天然适合被一阶逻辑切割的对象。一旦开始形式化，研究者立刻会发现：每一条看似简单的常识背后，都连着一张巨大而隐性的背景网络。

四、常识一旦被拆开，就会裂变成无穷补丁

Cyc最早遭遇的困难，并不是知识录入速度，而是任何一条常识一旦被显式化，都会立刻裂变出更多前提、例外和补丁需求。 例如，“拿杯子喝水”在人类看来极其简单，但如果系统中没有写明“杯口必须朝上”，它就可能为了最短路径建议你把杯子倒过来拿。于是研究者不得不再补上与重力、液体流动和容器朝向相关的一整套规则。

同样，“人死不能复生”也不是一条写进去就结束的常识。它会立刻引发关于尸体位置、火化过程、化学燃烧、空间坐标等一系列问题。甚至连“林肯是美国总统”这样看似简单的事实，都会因为没有时间约束而在系统中变成“林肯在任何时刻都是总统”的荒谬结论。为避免这类错误，研究者又必须引入时间逻辑、空间逻辑、身份连续性和事件范围等约束。

最根本的困难在于，人类生活经验本质上是网状而非线性的。它充满大量默认前提、情境转换和伦理边界。比如，“人饿了会寻找食物”听起来合理，但若不额外写明这种寻找必须受法律、道德和食物类型约束，系统就可能推导出捕猎同类也可满足饥饿需求。也就是说，每增加一条规则，不是让问题变少，而往往会撕开新的漏洞。

于是，Cyc很快就从“不断积累知识”变成了“不断修补知识表示结构带来的漏洞”。团队陷入一种典型的西西弗斯式循环：每堵住一个洞，又在更大逻辑网络上撕出新的裂口。问题不再是工程量巨大，而是这套表示方法本身与人类常识的真实结构之间存在深层不匹配。

五、当知识库变大，真正的灾难才开始出现

如果前一阶段的困难还可以被理解为“常识太复杂、还需继续努力”，那么知识库扩大后的变化则说明：问题并不只是录入不够，而是系统结构本身开始失稳。随着知识库规模突破数十万条，Cyc迎来了更严重的系统级危机：逻辑自相矛盾开始大规模出现。

这并不难理解。人类社会本来就是一个充满灰度、上下文和情境切换的混沌系统。普通人可以自然地区分“现实新闻中的断指意味着紧急医疗”与“恐怖电影里的断指只是剧情设定”，可以在不同语境中瞬间切换判断标准。但在严格的一阶逻辑体系里，如果两条规则在不同知识板块中稍有冲突，系统就可能整体报错或停止推理。

为了解决这个问题，莱纳特被迫引入“微理论（microtheories）”机制，把整个常识知识库拆成大量相互隔离的小板块，尽量让每个板块内部保持逻辑一致。这个措施确实暂时缓解了系统冲突，但代价也非常明显：机器不再拥有一个统一的“常识世界”，而变成一个被切碎的、拥有无数平行设定的机械体。每当面对稍复杂、稍带跨域性质的问题，它都必须先判断自己该调用哪个板块、不同板块冲突时该信哪一套规则。

也就是说，微理论修补了系统崩溃，却进一步削弱了Cyc最初想追求的目标。人类之所以表现出高级智能，恰恰在于能够快速跨越不同语境进行联想；而Cyc在被切碎之后，反而离这种能力更远了。

六、规模没有带来涌现，反而把Cyc拖成了巨大的资金黑洞

Cyc最初承诺的愿景之一，是随着知识库达到某个临界规模，系统会发生某种“常识奇点”——也就是当规则足够多时，机器将自然展现出更完整的理解能力。但现实发展恰恰相反。为了修补无穷无尽的边缘漏洞，规则数量从几十万一路飙升到几百万，参与录入的本体工程师换了一批又一批，而所谓“奇点”始终没有出现。

不仅如此，随着知识库体量扩大，Cyc的推理速度也大幅下降。在有限硬件条件下，稍复杂的常识问题就可能需要长时间后台运算，结果依旧严重偏离常理。系统越来越大、越来越贵、越来越难维护，却没有越来越聪明。它逐渐从“机器大脑底座”演变成一个典型的高投入、低回报项目。

与此同时，1980年代末的外部环境也开始变化。X86架构和个人电脑崛起，廉价PC迅速取代昂贵专用机，旧有AI产业链失去支撑；日本第五代计算机计划自身也未能走通技术路线，外部威胁叙事随之削弱；美国政府收紧预算，企业开始重新核算系统维护成本。在这种环境下，Cyc从“战略工程”迅速变成了“资金黑洞”。最终，MCC在1994年剥离该项目。

从制度与工程角度看，这一刻几乎等于正式宣告：符号主义试图通过手工穷举常识来通向通用智能的路线，已经失去主流支持。

七、Cyc失败真正证明了什么

Cyc最重要的历史价值，不在于它留下了多少规则，而在于它用极高成本向全行业证明了一件事：人类常识并不是可以被降维成数百万条一阶逻辑代码的对象。

常识不是规则清单，而是肉身经验、物理互动、文化背景、隐喻理解、非理性妥协和模糊边界交织而成的动态系统。人类的大脑之所以能自然地处理它，并不是因为我们脑中真的存在一张巨大的“If-Then”表，而是因为常识早已深深嵌入感知、行动和环境互动之中。试图用0和1的形式逻辑去完整丈量这样一个混沌世界，最终必然在表示、扩展、冲突和性能上同时撞墙。

换句话说，Cyc失败并不是因为团队不够努力，也不是因为经费不足，而是因为它所依赖的基本设想本身就与常识的真实结构不匹配。

八、它并非完全没有遗产，但它的真正意义不在成功，而在排除错误选项

当然，Cyc也并非一无所获。文本提到，它在被剥离后，并未彻底消失，而是在高度约束、规则严密、逻辑溯源要求极强的情报分析场景中找到了特定用途。例如在反恐背景下，它能够通过大量结构化数据做逻辑推演，帮助发现资金流、身份伪装和关系网络中的异常。换句话说，Cyc不适合“理解世界”，却可以在少数高约束领域发挥符号推演优势。

但从更大的技术史角度看，Cyc留下的最重要遗产并不是这些局部应用，而是它帮助整个AI领域完成了一次关键排除：它用一代学者的时间、巨额预算和长期工程实践，彻底验证了“手工写出全知视角”并不是通往智能的主路。也正因为这条路被撞得如此彻底，后来整个领域才更容易把目光转向另一种完全不同的思路——不再由人类逐条写世界，而是构建一个足够大的参数网络，让机器在数据与误差中自行形成表示。

因此，Cyc的历史意义恰恰在于它失败得足够彻底。它不是“差一点就成功”的技术，而是一场用巨大代价完成的方向性排除。