- Objective: hand-designed rule - Breadcrumb: # 概念阐释 - 符号人工智能，又称**符号主义**（Symbolism），是AI研究的一个主要分支，强调使用符号（规则，即离散的、可理解的表示，如语言、逻辑表达式）来模拟和处理智能行为。 - 它基于这样一种假设：人类思维可以通过操作符号来实现，因此计算机也可以通过处理符号来模拟人类智能。 ## 核心特点 1. **符号表示**：使用明确的符号和结构化的数据来表示知识和信息。 2. **逻辑推理**：依赖形式==逻辑、规则和推理机制==来进行决策和问题解决。 3. **可解释性**：符号AI系统通常具有较高的可解释性，因为其推理过程基于明确的规则和逻辑。 4. **知识驱动**：强调预先定义的知识库和规则系统，依赖专家知识的编码。 ## 三点局限： - scalability 可扩展性: 不可能预测全部的规则； - adaptability可适应性：同一套规则如果换一个事物就失效了； - closed world 虚拟世界：无法在真实世界里工作。 # 实例 ## 典型应用 - **[[专家系统]]** - **知识图谱** - **逻辑编程（如Prolog）** - **自然语言处理中的早期系统** - 1964-66，ELIZA，早期的自然语言处理程序，模拟心理治疗师的程序； 1. 70年代初，[[SHRDLU]]: block world+natural language： 1. 由 Terry Winograd 边写程序，计算机根据人类语言执行操作 2. 80 年代，[[MYCIN]]： 1. 识别导致感染性疾病和细菌性脑膜炎的细菌 2. 需要先收集传染病专家提供的事实和规则，但最好的诊断师并不依赖规则 3. 80 年代中期，[[Cyc]] 项目： 1. 将常识代码化，用计算机重建常识 2. 非常有野心的想法，但是符号人工智能无法实现 4. 90年代的人工智能寒冬时期，都是逻辑系统，也就是所谓的专家系统。深蓝在国际象棋比赛中击败了加里·卡斯帕罗夫（俄罗斯国际象棋棋手，国际象棋特级大师，前国际象棋世界冠军），这些都是预编程系统，实际上是程序员和系统设计者解决了问题，并将其封装成规则。——[902 诺奖得主、DeepMind创始人：AI离彻底改变人类社会的能力只有10年](https://readwise.io/reader/shared/01jdjzcsdjzjpqyze5eezyc93c) # 相关内容 ## 什么是符号 - 在**符号人工智能**中，“符号”指的是可以被人和机器都理解并操作的**明确表示**，例如文字、符号、逻辑公式等。它们往往经过**预先定义的规则**来表达知识、关系或推理过程。   ## 符号人工智能与[[ANN 人工神经网络]] - 通过分析数据，人工神经网络可以自主学习，这就是[[machine learning 机器学习]]  ## 现代 AI 中的位置 - 现代AI研究开始重新重视符号方法与统计方法的结合，尝试融合两者的优势，推动**[[神经符号AI]]**（Neuro-Symbolic AI）的发展。 - **融合趋势**： 1. **知识图谱与[[Deep Learning 深度学习|深度学习]]**：将符号化的知识图谱与深度学习模型结合，提升模型的知识理解和推理能力。 2. **可解释AI**：借鉴符号AI的可解释性方法，提升深度学习模型的透明度和可理解性。 3. **混合模型**：开发结合符号推理和神经网络的混合模型，兼具符号逻辑的严谨性和神经网络的学习能力。 # 参考资料 - [[李飞飞 2016 年公开演讲 - AI 简史]] - 《深度学习革命》凯德·梅茨 - 《深度学习》谢诺夫斯基