Dendral是一个具有影响力的早期专家系统，于1960年代中期在斯坦福大学开发。它旨在帮助有机化学家解读质谱数据，以推断未知化合物的分子结构。该项目正式名称为Dendral项目，被广泛认为是Artificial intelligence成功应用于现实科学问题的最早实例之一，为基于规则的推理和知识工程奠定了基础概念。
该系统由计算机科学家Edward Feigenbaum和遗传学家Joshua Lederberg领导的团队创建，化学家Carl Djerassi也做出了关键贡献。开发工作始于1965年左右，第一个可用版本名为Dendral 1，于1966年完成。“Dendral”这一名称源自“树状算法”，反映了其重点，即生成可能的分子配置树状结构。
启发式DENDRAL与基于规则的推理
Dendral的核心创新在于利用启发式规则来剪枝广阔的分子结构搜索空间。给定分子式和质谱数据，系统生成所有合理的结构异构体，然后应用由专家化学家推导出的规则集，以排除那些与光谱证据不一致的异构体。这种方法后来被称为“生成-测试”范式，已成为专家系统的标志特征。
20世纪60年代后期开发的启发式DENDRAL程序，编码了化学家Carl Djerassi的质谱碎裂规则。这些规则捕捉了分子在电子冲击下如何分解，系统能够据此预测光谱中会出现哪些碎片。通过将预测的碎片与观察到的峰匹配，Dendral可以对候选结构排序并提出最可能的候选结构。
元DENDRAL与机器学习
后续组件Meta-DENDRAL扩展了系统，使其从数据中学习新的碎裂规则。Meta-DENDRAL采用分析已知化合物及其光谱的方法，而不是仅依赖手工编码的专业知识，自动归纳出键断裂模式的规则，这代表了Machine learning的早期形式，特别是归纳规则学习，并展示了人工智能系统如何改进自身知识库。
Meta-DENDRAL的工作在20世纪70年代初发表，影响了后来关于自动知识获取的研究，并为同样来自斯坦福的MYCIN医疗诊断系统的发展做出了贡献。由Feigenbaum的团队构建的MYCIN采用了Dendral开创的规则架构。
影响与遗产
Dendral的成功为Artificial intelligence建立了几个关键原则：领域特定知识的重要性、启发式搜索的实用性以及领域专家与计算机科学家之间密切合作的价值。它也有助于定义知识工程这一领域，在其中将人类专业知识编码为机器可读的规则。
该项目持续了二十余年，其版本被斯坦福及其他机构的化学家使用。虽然现代计算化学在很大程度上已用更复杂的算法取代了基于规则的系统，Dendral仍是人工智能历史上的里程碑。它常被视为“第一个专家系统”，先于术语本身，其方法论影响了从医学到工程等多个领域的后续系统。
系统架构
Dendral的架构包括三个主要模块：计划生成器、结构生成器和预测器。计划生成器使用质谱图提出一组合理的子结构或候选碎片的“优质清单”。结构生成器基于图论算法，枚举所有与分子式和建议子结构一致的可能的分子图。预测器随后使用碎裂规则模拟每个候选的质谱，将预测谱与观察谱进行比较。
这种模块化设计允许逐步改进。早期版本使用直接枚举，但加入启发式规则后，候选数量大幅减少，使其能够胜任包含约20个原子的分子。该系统运行在当时的巨型计算机上，如PDP-6及后来的DEC-10，并用Lisp语言编写，当时的人工智能研究员偏好此语言。
历史背景
Dendral出现的时期，正好是Artificial intelligence研究快速扩展的阶段，Xerox PARC、MIT CSAIL和Carnegie Mellon University均有相关项目开展。其专注于科学问题解决，与更抽象的AI研究不同，展示了AI能在专业领域带来实际成果。该项目获得了美国国立卫生研究院和国家科学基金的资助，体现了其跨学科吸引力。
到20世纪70年代末，随着EMYCIN等新的专家系统壳为构建基于规则的系统提供了更通用的工具，Dendral的影响力减弱。然而，其遗产在现代AI应用中仍然存在，特别是在Generative AI与Deep learning领域中，其中领域特定知识和结构化推理仍然重要。Dendral项目也因其使用的早期Data Augmentation类似技术而著称，它通过生成合成光谱来测试其规则。
至今，Dendral被视为一个衔接化学与计算机科学的先驱努力 ，为后续数十载AI研究打下了基础。它的故事常在AI课程中教授，作为例子展示专门知识与算法思维如何共同解决复杂问题。