符号 AI

符号人工智能，通常被称为传统人工智能（GOFAI），是人工智能（AI）的一个分支，专注于通过显式规则和符号来表示人类知识。从20世纪50年代到80年代末，这种方法是人工智能研究中的主导范式。与现代数据驱动方法不同，符号人工智能基于这样的原则：通过操纵表示现实世界概念的符号（由一组逻辑规则控制）可以实现智能。以约翰·麦卡锡为代表的核心思想是构建能够以类似于人类演绎逻辑的方式推理世界的系统。

符号 AI 如何工作

符号人工智能系统通常由两个主要组成部分组成：知识库和推理引擎。

• 知识库： 一个结构化的数据库，包含事实、概念以及它们之间的关系，所有这些都以符号语言编码。这些知识通常由人类专家手动管理。这种概念的现代等价物可以在知识图谱中看到。
• 推理引擎： 一套规则和算法，将逻辑推理应用于知识库，以推导出新的信息或做出决策。它使用形式逻辑，例如 IF-THEN 语句，以处理查询和解决问题。这个过程非常透明，使其成为以下内容的基础 可解释的 AI (XAI).

诸如 Lisp 和 Prolog 之类的编程语言是专门为支持这种基于规则的编程风格而开发的。

符号人工智能 vs. 机器学习

符号人工智能从根本上不同于机器学习（ML），后者是大多数现代人工智能应用的基础，包括先进的计算机视觉（CV）模型，如Ultralytics YOLO。

关键的区别在于知识是如何获得的：

• 符号人工智能是一种自上而下的方法。 人工专家将规则和知识显式地编程到系统中。系统的推理仅限于这种预定义的知识。
• 机器学习是一种自下而上的方法。 模型，特别是那些使用深度学习和神经网络 (NN)的模型，通过分析大量的训练数据来隐式地学习模式和关系。例如，YOLO 模型通过在数千张标记图像上进行训练来学习执行对象检测，而不是被告知构成“汽车”或“人”的明确规则。

虽然 ML 模型擅长处理复杂的非结构化数据，但它们的决策过程可能不透明。相比之下，符号 AI 的推理很容易追踪，这对于问责制和AI 伦理至关重要的应用至关重要。

真实应用与案例

虽然如今不太常见，但符号 AI 已经为几个重要的应用程序提供了动力，并且其原理仍然具有相关性。

1. 专家系统： 这些是符号人工智能最成功的应用之一。专家系统旨在模拟人类专家在特定领域中的决策能力。例如，MYCIN 是 20 世纪 70 年代开发的著名专家系统，用于识别引起严重感染的细菌并推荐抗生素。它使用了一个由医学专家提供的约 600 条规则的知识库。
2. 早期自然语言处理 (NLP)： 在统计方法和 大型语言模型 (LLM) 兴起之前，NLP 系统依赖于符号方法。他们使用形式语法和句法规则来解析句子并理解语言结构。早期的自动语法检查器和机器翻译系统就是建立在这些原则之上的。

未来：混合AI

符号 AI 的局限性（尤其是在面对新的或模棱两可的情况时的脆弱性，以及扩展其知识库的难度）促成了机器学习的兴起。然而，未来可能在于结合两种方法优势的混合 AI 模型。通过将符号 AI 的逻辑推理与机器学习的模式识别能力相结合，开发人员可以创建更强大、更透明和更具能力的 AI 系统。这些混合系统旨在利用符号系统的结构化知识来增强基础模型的学习过程，这是 神经符号 AI 等领域探索的一个概念。诸如 Ultralytics HUB 之类的平台简化了 机器学习模型的部署，这些模型有朝一日可能会整合这些混合技术。