符号人工智能

符号人工智能就像是一个可以进行逻辑推理的机器人，其程序里包含两个部分，一部分是对人类而言可理解的单词或短语，也即符号。例如“油热了”。程序会将这句话表示为一个逻辑符号，比如 P=“油热了”。另一部分是可供程序对这些符号进行组合和处理的规则，这两部分组合在一起使其可以执行指定任务。根据上面的例子，即如果 P 为真，那么 Q=“可以下葱姜蒜炒香” 也为真。

符号人工智能这一派认为想要在计算机上获得智能，并不需要构建模仿大脑运行的程序。相反，受到数学逻辑以及人们描述自身意识思考过程的方式的影响，其认为通用智能可以通过正确的符号处理程序来获得，由符号、符号组合、符号规则（symbols and rules）和运算组成。一个经典例子就是 Herbert Simon 和 Allen Newell 发明的通用问题求解器。由通用问题求解器所阐释的这类符号人工智能，在人工智能领域发展的最初 30 年里占据了主导地位，其中以专家系统（expert systems）最为著名。在专家系统中，人类专家为计算机程序设计用于医疗诊断和法律决策等任务的规则。

20 世纪 80 年代中期，通过人类创建和赋予特定领域专家知识规则的符号人工智能方法——专家系统，越来越暴露其缺陷和脆弱性，它在面对新情况的时候无法自适应和调整。究其根本原因，编写规则的人类专家实际上还是依赖着许许多多难以觉察的隐性知识，而这些知识很难通过程序化的规则和演绎来获取，回到一开始做饭的例子，菜谱某种程度上是这种努力的表现，但是对于老厨师来说，菜谱依旧是局限和不足的，很多做饭时候出现的料理时刻都无法在菜谱上体现。只可意会不可言传的部分限制了符号人工智能方法的广泛应用。而根据 Connectionism 的观点，智能的关键在于构建一个合适的计算结构以及系统从现实世界中的行为（数据）进行学习的能力。