专家型系统
在实际商业层面上、人工智能应用范畴广泛；而在哲学目标层面上，人工智能则面临诸多挑战，举步维艰。囿于上述困境，人工智能的社会技术研发道路总是跌宕起伏、曲折盘桓。在针对20世纪50年代至90年代人工智能发展历史的描述当中，人工智能研究者兼企业家丹尼尔·克勒维耶(Daniel Crevier)将当初人工智能的构建努力描述为科学家为了揭示人类思想复杂本质所做的种种尝试。实际上。这并非只是单纯的想象。事实上，20世纪50年代和60年代的人工智能研究首先就是一种实验，具体尝试都在研究实验室之内进行，旨在模仿人类在数学与计算处理当中的决策思维过程。结果，到了20世纪70年代中期，人工智能研究领域迎来了第一个“人工智能的冬天”。由于缺乏实际应用的可能性与可行性，这些最初的雄心壮志在投资界的吸引力降至冰点(Crevier。1993)。
然而，在20世纪70年代，基于逻辑编程的“专家型系统”研发为人工智能的初步商业化创造了全新的想象空间。因此，在20世纪80年代，通过从人类专家那里搜集信息并将其编码为计算机的规则与程序(Alpaydin，2016)，专家型系统被成功创造出来，从而支持其至取代专业环境中的人脑决策。
这些系统起初在降低人力资源成本方面的目标尤为宏远。克勒维耶提供了20世纪80年代来自各行各业的各种案例。这些行业用专家型系统取代了人类专家，目的就是降低人员培训以及调动现场专家分享知识(如：排除问题)所要支付的经济成本。其中一个例子就是北美通用电气公司，该公司的资深工程师大卫·史密斯（1)avidSmith)是全公司唯一一个能够处理电力机车维修问题的技术专才，因此他需要身体力行地到处修理坏掉的发动机。1981年，当史密斯考虑退休之际，通用电气公司想方设法将他的专业知识编入了一个专家型系统，并将其命名为柴电机车故障排除辅助工具(DELTA)。
权力的数据伦理学：大数据与人工智能时代的人本方法新解
88