如今，人工智能主要是關于人工神經網絡和深度學習。但這并非總是如此。實際上，在過去的十年中，該領域大部分都由象征性人工智能主導，也被稱為“經典AI”，“基于規則的AI”和“老式的AI”。

[[328884]]

象征性AI涉及將人類知識和行為規則顯式嵌入計算機程序中。在AI研究的最初幾十年中，這種實踐顯示出了很大的希望。但是近年來，隨著神經網絡(也被稱為連接主義AI)獲得廣泛關注，象征性AI逐漸被淘汰。

符號在人工智能中的作用

符號是我們用來表示其他事物的事物。符號在人類的思想和推理過程中起著至關重要的作用。如果我告訴你我看見貓爬在樹上，那么你的腦海就會迅速聯想到圖像。

我們一直使用符號來定義事物(貓，汽車，飛機等)和人員(老師，警察，營業員)。符號可以表示抽象概念(銀行交易)或不存在的事物(網頁，博客文章等)。它們還可以描述操作(運行)或狀態(不活動)。可以將符號組織為層次結構(汽車由門，窗，輪胎，座椅等制成)。它們也可以用來描述其他符號(耳朵毛茸茸的貓，紅地毯等)。能夠用符號進行交流是使我們變得聰明的主要因素之一。因此，符號在人工智能的創造中也起著至關重要的作用。

AI的早期開拓者認為，“原則上可以精確地描述學習的每個方面或智能的任何其他特征，從而可以制造出機器來對其進行仿真。”因此，象征性AI成為焦點，成為研究項目的重點。科學家開發了定義和操作符號的工具。

您在計算機科學中發現的許多概念和工具就是這些努力的結果。符號AI程序基于創建顯式結構和行為規則。符號AI工具的一個示例是面向對象的編程。OOP語言允許您定義類，指定它們的屬性并在層次結構中組織它們。您可以創建這些類的實例(稱為對象)并操縱其屬性。類實例還可以執行動作，也稱為函數，方法或過程。每種方法都執行一系列基于規則的指令，這些指令可能讀取和更改當前對象和其他對象的屬性。

使用OOP，您可以創建執行各種任務的廣泛而復雜的符號AI程序。

象征性AI的好處和局限性

符號人工智能在AI和計算的曙光中顯示出早期的進步。您可以輕松地可視化基于規則的程序的邏輯，進行通信并進行故障排除。

對于規則非常清晰的設置，符號人工智能非常方便，您可以輕松獲取輸入并將其轉換為符號。實際上，基于規則的系統仍占當今大多數計算機程序的成本，包括那些用于創建深度學習應用程序的程序。

但是，當您必須應對世界的混亂時，象征性AI就開始崩潰。例如，考慮一下計算機視覺，這是使計算機能夠理解圖像和視頻內容的科學。假設您有一副貓的圖片，并且想創建一個程序來檢測包含貓的圖像。您創建一個基于規則的程序，該程序將新圖像作為輸入，將像素與原始貓圖像進行比較，并通過說出您的貓是否在這些圖像中進行響應。

僅當您向程序提供原始圖像的精確副本時，此方法才有效。貓的圖片略有不同將產生否定的答案。例如，如果您從另一角度拍攝貓的圖片，則該程序將失敗。

一種解決方案是從不同角度拍攝貓的圖片，并為您的應用程序創建新規則，以將每個輸入與所有這些圖像進行比較。即使您為貓拍了100萬張照片，您也不會考慮所有可能的情況。光照條件或圖像背景的變化將改變像素值，并導致程序失敗。您將需要數百萬其他圖片和規則。

如果要創建一個可以檢測到任何貓的程序該怎么辦?您需要為此創建多少規則?

貓的例子聽起來可能很愚蠢，但是這些都是象征性AI程序一直努力解決的問題。您無法為現實世界中存在的混亂數據定義規則。例如，如何定義自動駕駛汽車的規則以檢測其可能遇到的所有不同行人?

此外，某些任務無法轉換為直接規則，包括語音識別和自然語言處理。

已經做出了一些努力來創建包含某些特定領域的眾多規則的復雜的符號AI系統。這些象征性的AI模型稱為專家系統，使用硬編碼的知識和規則來處理諸如醫學診斷之類的復雜任務。但是它們需要領域專家和軟件工程師的大量努力，并且只能在非常狹窄的用例中工作。將問題一概而論之后，就會有大量新規則要添加(還記得貓檢測問題嗎?)，這將需要更多的人工。正如一些AI科學家指出的那樣，符號AI系統無法擴展。

神經網絡與符號AI

神經網絡幾乎與符號AI一樣古老，但是由于它們效率低下并且需要當時無法使用的計算資源，因此在很大程度上被淘汰了。在過去的十年中，由于數據和處理能力的巨大可用性，深度學習獲得了普及，并超越了象征性的AI系統。

神經網絡的優勢在于它們可以處理雜亂且非結構化的數據。以貓探測器為例。您可以手動在許多貓的圖片上訓練深度學習算法，而不用人工操作檢測貓像素的規則。然后，神經網絡為貓的圖像建立統計模型。當您為其提供新圖像時，它將返回它包含貓的概率。

深度學習和神經網絡在符號AI難以勝任的任務上表現出色。他們在諸如面部識別和癌癥檢測之類的計算機視覺應用領域掀起了一場革命。深度學習還推動了語言相關任務的發展。

深度神經網絡也非常適用于強化學習，通過多種反復試驗發展其行為的AI模型。這種AI可以掌控Go，StarCraft和Dota等復雜游戲。

但是深度學習和神經網絡的好處并非沒有取舍。與象征性AI相比，深度學習具有許多深刻的挑戰和劣勢。值得注意的是，深度學習算法是不透明的，弄清楚它們的工作方式甚至困擾著他們的創造者。而且很難溝通和解決他們的內部工作。

神經網絡也非常需要數據。與符號AI不同，神經網絡沒有符號和知識的層次表示的概念。這種局限性使得很難將神經網絡應用于需要邏輯和推理的任務，例如科學和高中數學。

符號AI的當前狀態

有些人認為象征性AI已死。但是這個假設離事實還差得遠。實際上，基于規則的AI系統在當今的應用中仍然非常重要。許多領先的科學家認為，符號推理將繼續成為人工智能的重要組成部分。

現在，人們進行了多種努力來將神經網絡和符號AI相結合。這樣的項目之一就是神經符號概念學習器(NSCL)，這是由MIT-IBM Watson AI Lab開發的一種混合AI系統。NSCL使用基于規則的程序和神經網絡來解決視覺問題。與基于純神經網絡的模型相反，混合AI可以用更少的數據學習新任務，并且可以解釋。與僅使用符號的模型不同，NSCL無需努力分析圖像的內容。

也許在將來，我們將發明既可以推理又可以學習的AI技術。但是目前，符號AI是處理需要邏輯思維和知識表示的問題的主要方法。