【Datawhale组队学习202602】Hello-Agents task02 智能体发展史

• task00 环境配置+前言
• task01 初识智能体
• task02 智能体发展史
• task03 大语言模型基础
• task04 智能体经典范式构建
• task05 基于低代码平台的智能体搭建
• task06 框架应用开发实战

• Datawhale教程地址 – Hello Agents

只有深刻理解现代智能体为何呈现出如今的形态，以及其核心设计思想的由来，才能更好的理解现代智能体。

• 演进方向：每一个新范式的出现，都是为了解决上一代范式的核心“痛点”或根本局限。而新的解决方案在带来能力飞跃的同时，也引入了新的、在当时难以克服的“局限”，而这又为下一代范式的诞生埋下了伏笔。

人工智能领域的早期探索，深受数理逻辑和计算机科学基本原理的影响。

• 符号主义（Symbolicism），也被称为“逻辑AI”或“传统AI”。
• 核心思想：智能行为的核心是基于一套明确规则对符号进行操作。
• 因此，一个智能体可以被视为一个物理符号系统：它通过内部的符号来表示外部世界，并通过逻辑推理来规划行动。这个时代的智能体，其“智慧”完全来源于设计者 Agent 智能体 预先编码的知识库和推理规则。

符号主义时代的理论根据，是1976年由艾伦·纽厄尔（Allen Newell）和赫伯特·西蒙（Herbert A. Simon）共同提出的物理符号系统假说（PhysicalSymbol SystemHypothesis, PSSH)。

• 物理符号系统，指的是一个能够在物理世界中存在的系统，它由一组可被区分的符号和一系列对这些符号进行操作的过程组成。
• 一句话理解 ： 智能 = 对符号的表示 + 对符号的操作
• 而计算机就是这样一个“物理”存在的系统：它用内存中的比特（）表示符号，用 CPU 执行指令来操作它们。这正是 所说的“物理符号系统”。
• 该假说包含两个核心论断：

• 指导了早期 AI 方向，提供了一个可实现的路径，也是为认知科学奠定了基础。

在物理符号系统假说的直接影响下，专家系统（Expert System）成为符号主义时代最重要、最成功的应用成果。

• 核心思想：把专家的“经验”写成计算机能执行的“IF-THEN规则”，再用一个通用引擎去自动推理。
• 这正是物理符号系统假说的工程实践：知识 = 符号化的规则，智能 = 对规则的匹配与推理。

2.2.1 三大核心

• 典型专家系统的三大核心部分构成:
  • 知识库
  • 推理机
  • 用户界面
• 知识库只管“存规则”，推理机只管“用规则”。修改知识（增删规则）无需重写推理程序——这是软件工程中“关注点分离”的早期典范。
• 假设要构建一个“校园选课推荐专家系统”：

2.2.2 两种推理方式

• 推理机有两种推理方式：

1. 正向链（Forward Chaining）：从已知事实出发，不断匹配规则的IF部分，触发THEN部分的结论，并将新结论加入事实库，直到最终推导出目标或无新规则可匹配。这是一种“数据驱动”的推理方式。
2. 反向链（Backward Chaining）：从一个假设的目标（比如“病人是否患有肺炎”）出发，寻找能够推导出该目标的规则，然后将该规则的IF部分作为新的子目标，如此递归下去，直到所有子目标都能被已知事实所证明。这是一种“目标驱动”的推理方式。

• 从上面可以看出：
  • 正向链 = “我有什么 → 能推出什么”（适合监控、诊断）
  • 反向链 = “我想知道什么 → 需要什么证据”（适合问答、故障排查）
• 历史上应用专家系统的明星，但是到了80年代末都未能逃离AI寒冬。

如果说专家系统展示了符号AI在专业领域的 “深度”，那么由特里·威诺格拉德（Terry Winograd）于1968-1970年开发的 项目[3]，则在 “广度” 上实现了革命性的突破。

• 如果将 与大语言模型做个对比

• 是AI史上的一座灯塔：它证明了将语言、推理、行动集成于统一系统是可能的，为智能体研究指明了方向；同时也是一面镜子：它的脆弱性揭示了脱离真实世界体验的符号操作，难以通向真正的理解。

1. 常识鸿沟，符号系统难以表示“水是湿的”“玻璃易碎”这类默认常识，需要海量人工编码
2. 感知缺失，它擅长逻辑推理，但难以处理图像、语音等原始感官信息（“符号接地问题”）
3. 灵活性不足，人类能模糊推理、类比迁移，而符号系统依赖精确规则，容错性差

• 核心思想：智能从来不是一个机器、一个大脑、一个天才的事，而是来自无数无数普通的协作。
• 马文·明斯基说：人类智能没有魔法，它的力量源于 多样性（diversity） 而非 统一性（uniformity）。就像蚁群没有“蚁王”指挥，却能建造复杂巢穴——智能是“涌现 emergence”出来的，不是“设计”出来的。

如果智能无法被完全设计，那么它是否可以被学习出来？

• 作为对符号主义局限性的直接回应，联结主义（Connectionism） 在20世纪80年代重新兴起。
• 联结主义是一种自下而上的方法，其灵感来源于对生物大脑神经网络结构的模仿[8]。它的核心思想可以概括为以下几点：

1. 物理符号系统假说是符号主义时代的理论基石。请分析：
   • 该假说的”充分性论断”和”必要性论断”分别是什么含义？
   • 结合本章内容，说明符号主义智能体在实践中遇到的哪些问题对该假说的”充分性”提出了挑战？
   • 大语言模型驱动的智能体是否符合物理符号系统假说？

• 充分性论断说明了
• 遇到问题有知识瓶颈，常识性知识无法显式规则，图像、声音等无法学习，不够灵活自主，存储和计算需求量爆炸。
• 符合又不符合，最不符合的就是大模型内部深度神经网络的黑盒机制，那是无法用符号及操作来解释的。

2. 专家系统MYCIN[2]在医疗诊断领域取得了显著成功，但最终并未大规模应用于临床实践。请思考：
   • 提示：可以从技术、伦理、法律、用户接受度等多个角度分析
   • 除了本章提到的”知识获取瓶颈”和”脆弱性”，还有哪些因素可能阻碍了专家系统在医疗等高风险领域的应用？
   • 如果让现在的你设计一个医疗诊断智能体，你会如何设计系统来克服MYCIN的局限？
   • 在哪些垂直领域中，基于规则的专家系统至今仍然是比深度学习更好的选择？请举例说明。

在2.2节中，我们实现了一个简化版的ELIZA聊天机器人。请在此基础上进行扩展实践：

提示：这是一道动手实践题，建议实际编写代码