符號人工智能

GOFAI
上级分类人工智能 编辑
人工智能系列内容
主要目标
实现方式
人工智能哲學
历史
人工智能的应用
主题与列表

符号人工智能（英語：symbolic artificial intelligence），又称符号AI、逻辑主义AI[1]，是人工智能研究中的一个集合术语，泛指所有基于高级「符号」（人类可读的符号表征）、数理逻辑和搜索算法的方法。从1950年代中期到1980年代后期，符号AI一直是AI研究的主要范式。1985年，约翰·豪格兰德在《人工智能：非常的思想》一书中将其命名为GOFAI（Good Old-Fashioned Artificial Intelligence，「有效的老式人工智能」）[2][3]。

该方法基于物理符号系统假设（由艾伦·纽厄尔和赫伯特·西蒙在1960年代中期提出）：智能的许多特征可以通过符号处理来实现。常见的符号AI形式是专家系统，它使用产生式规则网络——即以IF-THEN语句连接符号——来进行推理，并确定还需要哪些信息、还需要问哪些问题。符号AI的对立者包括罗德尼·布鲁克斯等机器人学专家（他们主张生产无符号表征或仅具最低限度的自律机器人），以及计算智能研究人员（他们应用神经网络和最优化等技术来解决机器学习和控制工程中的问题）。自2010年代以来，神经符号AI——整合神经网络与符号推理——成为活跃的研究方向[4]。

历史

第一次AI之夏（1948–1966年）

符号AI的起源可追溯至二战后的计算理论进展。1948年，阿兰·图灵在其关于「机器智能」的报告中提出了智能机器的基本概念[5]。1956年夏天，约翰·麦卡锡、马文·明斯基、克劳德·香农等人在达特茅斯学院举办暑期研讨会，标志着人工智能作为独立研究领域的诞生。

这一时期的AI研究分为两大阵营：「整洁派」（neats）和「凌乱派」（scruffies）。整洁派主张使用形式逻辑来建模推理——这一路线产生了自动定理证明、归结原理（约翰·艾伦·罗宾逊，1965年）和逻辑编程[6]。凌乱派则从人类认知出发，使用框架（明斯基，1974年）、语义网络和脚本等表示方法，强调思维的非逻辑特性[7]。

启发式搜索是这一时期的核心成就之一。艾伦·纽厄尔和赫伯特·西蒙的通用问题求解器（1957年）以及理查德·卡尔普的A*搜索算法（1968年）奠定了AI搜索的理论基础[8][9]。

第一次AI之冬（1967–1977年）

1960年代末期，符号AI面临严重的挑战。机器翻译未能达到预期目标，约翰·皮尔斯伯爵领导的皮尔斯报告（1966年）大幅削减了英国AI研究经费。1969年的莱特希尔报告批评AI「在核心目标上几乎没有任何进展」，导致英国AI资金大幅减少[10]。这期间研究人员认识到「简单搜索」的局限性：现实世界的常识性知识浩如烟海，无法通过简单的逻辑公理化全部覆盖——这一认识后来被称为框架问题[11]。

第二次AI之夏（1978–1987年）

1980年代，符号AI的焦点从通用推理转向了特定领域的知识。知识系统（knowledge-based systems）成为新的研究重心。专家系统如MYCIN（诊断血液感染）、DENDRAL（质谱分析）和XCON（计算机配置）在特定任务上达到了人类专家的水平，赢得了产业界的认可[12]。日本政府于1982年启动第五代计算机项目，目标是开发基于逻辑编程的智能系统，引发了全球范围的AI投资热潮[13]。

第二次AI之冬（1988–1993年）

专家系统的高维护成本和知识获取瓶颈导致AI产业再次降温。专家系统中的规则难以调试和扩展，随着知识库规模的增大，规则之间的冲突成为严重问题。第五代计算机项目未能实现其宏大的目标，许多AI公司破产或缩减规模[14]。

严谨基础的建立（1993–2011年）

这一时期符号AI研究转向了更严谨的形式化基础。研究者开始在符号框架内处理不确定性——贝叶斯网络、马尔可夫逻辑网络和概率图模型成为重要工具[15]。与此同时，基于统计方法的机器学习迅速发展，为后来的深度学习革命奠定了基础。

深度学习与神经符号AI（2011年至今）

深度学习的兴起在图像识别、语音处理等领域取得了远超符号AI的结果，但端到端神经网络也暴露了缺乏可解释性和符号推理能力的弱点。这催生了神经符号AI——整合神经网络的学习能力与符号系统的逻辑推理能力[4]。将神经网络的向量嵌入与符号操作相结合的方法（如神经定理证明、图神经网络的逻辑推理）成为当代表达符号AI方向的主流[16]。

主要技术与贡献

搜索

搜索是符号AI的核心技术之一。从盲目搜索（广度优先、深度优先）到启发式搜索（A*、最佳优先），搜索算法构成了符号AI问题求解的基础框架[17]。博弈树搜索（如alpha-beta剪枝）在深蓝等系统击败人类国际象棋冠军中发挥了关键作用。

知识表示与推理

符号AI开发了多种知识表示方案：语义网络（概念与关系的图结构）、框架（带槽位和默认值的类别描述）、描述逻辑（带形式语义的分类推理）以及产生式规则。自动定理证明系统如一阶逻辑归结和Prolog的逻辑推理引擎支持了这些表示形式[18]。约束满足问题（CSP）在调度、规划和资源分配中有广泛应用。

自动规划

自动规划系统将问题建模为状态空间，通过搜索从初始状态到达目标的动作序列。STRIPS（理查德·菲克斯等人，1971年）是第一个成熟的规划系统，定义了基于谓词逻辑的动作表示。偏序规划和层次任务网络（HTN）等扩展处理更复杂的现实规划问题[19]。

自然语言处理

早期自然语言处理（NLP）完全基于符号方法——使用语法规则、词典和语义网络来解析和理解语言。SYSTRAN等系统用于机器翻译，SHRDLU（特里·威诺格拉德，1970年）能够在一个「积木世界」中理解和执行英语命令[20]。现代NLP已转向基于神经网络的统计方法，但符号知识（如知识图谱、本体）仍然发挥重要作用。

AI编程语言

符号AI催生了专用的编程语言。Lisp（约翰·麦卡锡，1958年）基于λ演算，以符号处理和递归为核心，长期是AI研究的主要语言[21]。Prolog（阿兰·科尔默勒，1972年）基于霍恩子句的归结推理，在逻辑编程和专家系统中广泛使用[18]。

智能体与多智能体系统

智能体（agent）是能够感知环境并采取行动以实现目标的自主系统。符号AI中的智能体通常基于信念-愿望-意图模型（BDI）进行推理和决策[22]。多智能体系统研究多个智能体之间的协调、协商和合作，在机器人编队、分布式控制和电子商务中有广泛应用。

争议

框架问题

麦卡锡和海耶斯在1969年提出了框架问题（frame problem）：在一个基于逻辑的表示中，如何有效地指定哪些事物在行动后保持不变？例如，「拿起杯子」动作不能要求逐一列出未受影响的千万条事实。这一问题暴露了一阶逻辑在建模动态世界方面的局限性，催生了非单调逻辑和情境演算的发展[11]。

连接主义AI之争

符号方法与连接主义（神经网络）之间的争论贯穿了整个AI历史。连接主义认为智能可以源自大规模并行处理的简单单元（神经元），而非符号操作[23]。1980年代反向传播算法的流行使连接主义再次兴起，与符号AI形成了竞争关系。至2010年代深度学习革命后，神经网络在许多任务上超越了符号方法，但可解释性和推理能力成为新的瓶颈。

情境机器人学

罗德尼·布鲁克斯在1980年代后期提出了情境机器人学（situated robotics）的批判：智能行为不需要集中的符号表征，只需简单的感知-行动回路即可产生复杂的自调节行为。布鲁克斯的「包容架构」（subsumption architecture）在六足机器人等系统中取得了成功，挑战了物理符号系统假设[24]。他的著名论断「世界是其自身最好的模型」指向与符号AI截然不同的研究方向。

当前观点

当今的共识是符号AI和连接主义并非互斥，而是互补。神经符号AI致力于整合两者的优势：神经网络提供从数据中学习的能力，符号系统提供结构化的知识和可解释的推理。在知识图谱推理、科学发现和数学验证等领域，符号方法仍然发挥着不可替代的作用[25]。

参见

参考文献

  1. ^ Haugeland, John. Artificial Intelligence: The Very Idea. Cambridge, Mass: MIT Press. 1985. ISBN 0-262-08153-9 （英语）. 
  2. ^ Haugeland, John. Artificial Intelligence: The Very Idea. MIT Press. 1985. ISBN 0-262-08153-9 （英语）. 
  3. ^ Kosko, Bart. Fuzzy Thinking. Hyperion. 1993. ISBN 978-0786880218 （英语）. 
  4. ^ 4.0 4.1 Garcez, Artur S. d'Avila; Lamb, Luis C.; Gabbay, Dov M. Neural-Symbolic Cognitive Reasoning. Springer. 2009. ISBN 978-3540732457 （英语）. 
  5. ^ Turing, Alan. Computing Machinery and Intelligence. Mind. 1950, 59 (236): 433–460. doi:10.1093/mind/LIX.236.433 （英语）. 
  6. ^ Robinson, John Alan. A Machine-Oriented Logic Based on the Resolution Principle. Journal of the ACM. 1965, 12 (1): 23–41. doi:10.1145/321250.321253 （英语）. 
  7. ^ Minsky, Marvin. A Framework for Representing Knowledge. MIT-AI Laboratory Memo 306. 1974. （原始内容存档于2021-01-07） （英语）. 
  8. ^ Newell, Allen; Simon, Herbert A. Human Problem Solving. Prentice-Hall. 1972. ISBN 978-0134454030 （英语）. 
  9. ^ Hart, Peter E.; Nilsson, Nils J.; Raphael, Bertram. A Formal Basis for the Heuristic Determination of Minimum Cost Paths. IEEE Transactions on Systems Science and Cybernetics. 1968, 4 (2): 100–107. doi:10.1109/TSSC.1968.300136 （英语）. 
  10. ^ Lighthill, James. Artificial Intelligence: A General Survey (报告). Science Research Council. 1973 （英语）. 
  11. ^ 11.0 11.1 McCarthy, John; Hayes, Patrick J. Some Philosophical Problems from the Standpoint of Artificial Intelligence. Machine Intelligence. 1969, 4: 463–502 （英语）. 
  12. ^ Hayes-Roth, Frederick; Waterman, Donald; Lenat, Douglas. Building Expert Systems. Addison-Wesley. 1983. ISBN 978-0-201-10686-2 （英语）. 
  13. ^ Feigenbaum, Edward A.; McCorduck, Pamela. The Fifth Generation: Artificial Intelligence and Japan's Computer Challenge to the World. Addison-Wesley. 1983. ISBN 978-0201115192 （英语）. 
  14. ^ Crevier, Daniel. AI: The Tumultuous History of the Search for Artificial Intelligence. Basic Books. 1993. ISBN 978-0465001040 （英语）. 
  15. ^ Pearl, Judea. Probabilistic Reasoning in Intelligent Systems. Morgan Kaufmann. 1988. ISBN 978-1558604797 （英语）. 
  16. ^ Garcez, Artur S. d'Avila; Lamb, Luis C. Neural-Symbolic AI: The Current State and Future Directions. AI Communications. 2020, 33 (3–4): 133–148. doi:10.3233/AIC-200632 （英语）. 
  17. ^ Russell, Stuart; Norvig, Peter. Artificial Intelligence: A Modern Approach 3rd. Prentice Hall. 2010. ISBN 978-0136042594 （英语）. 
  18. ^ 18.0 18.1 Kowalski, Robert. Logic for Problem Solving. North-Holland. 1979. ISBN 978-0444003652 （英语）. 
  19. ^ Fikes, Richard E.; Nilsson, Nils J. STRIPS: A New Approach to the Application of Theorem Proving to Problem Solving. Artificial Intelligence. 1971, 2 (3–4): 189–208. doi:10.1016/0004-3702(71)90010-5 （英语）. 
  20. ^ Winograd, Terry. Understanding Natural Language. Cognitive Psychology. 1972, 3 (1): 1–191. doi:10.1016/0010-0285(72)90002-3 （英语）. 
  21. ^ McCarthy, John. Recursive Functions of Symbolic Expressions and Their Computation by Machine, Part I. Communications of the ACM. 1960, 3 (4): 184–195. doi:10.1145/367177.367199 （英语）. 
  22. ^ Rao, Anand S.; Georgeff, Michael P. BDI Agents: From Theory to Practice. Proceedings of the First International Conference on Multi-Agent Systems. 1995: 312–319 （英语）. 
  23. ^ Smolensky, Paul. On the Proper Treatment of Connectionism. Behavioral and Brain Sciences. 1988, 11 (1): 1–23. doi:10.1017/S0140525X00052432 （英语）. 
  24. ^ Brooks, Rodney. Intelligence without Representation. Artificial Intelligence. 1991, 47 (1–3): 139–159. doi:10.1016/0004-3702(91)90053-M （英语）. 
  25. ^ Garcez, Artur S. d'Avila; Lamb, Luis C. Neural-Symbolic AI: The Current State and Future Directions. AI Communications. 2020, 33 (3–4): 133–148. doi:10.3233/AIC-200632 （英语）. 
This article is issued from Wikipedia. The text is available under Creative Commons Attribution-Share Alike 4.0 unless otherwise noted. Additional terms may apply for the media files.