符号 AI

符号人工智能通常被称为 "老式人工智能"（GOFAI），是人工智能（AI）的一个分支。 人工智能（AI）的一个分支。 是人工智能（AI）的一个分支，它依赖于高级的、人类可读的问题表征和明确的规则来处理信息。与现代 从海量数据集中学习模式的现代数据驱动方法不同，符号人工智能的前提是 智能可以通过使用逻辑规则操作符号来实现。这种范式主导了 20 世纪 50 年代到 80 年代的人工智能 研究的主流。 麦卡锡（John McCarthy）等先驱的倡导下，这一范式在 20 世纪 50 年代到 80 年代的人工智能研究中占据了主导地位。 今天，在需要严格遵守逻辑约束和明确可解释性的应用中，这种范式仍然具有重要意义。

符号系统的核心组成部分

符号 AI 系统通过处理明确定义的知识来模仿人类推理。它们通常由两个 主要架构组件：

• 知识库： 包含世界事实和信息的集中存储库，通常以 结构为 知识图谱 或一组 IF-THEN 语句。这个数据库代表了系统智能的 "内容"。
• 推理引擎：将逻辑规则应用于知识库的处理单元，用于推理新信息或做出决策。 新信息或做出决策的处理单元。通过使用 引擎通过演绎推理 通过符号得出结论，确保结果是基于输入的数学证明。

这种结构允许高度 可解释的人工智能（XAI），因为系统的 决策路径可以通过其应用的规则逐步追溯。

符号人工智能与统计人工智能

要了解现代人工智能的发展状况，必须将符号人工智能与以下两者区分开来 统计人工智能。

• 符号人工智能采用的是一种自上而下的方法。程序员明确编码系统规则。它 它擅长抽象推理、数学和规划，但在处理含糊不清和杂乱无章的非结构化数据（如原始像素或音频）时却很吃力 如原始像素或音频。
• 统计人工智能，包括 机器学习 (ML)和 深度学习 (DL) 采用的是自下而上的方法。 这些模型包括 卷积神经网络（CNN） 从训练数据中隐性地学习模式，而不是 而不是被告知如何识别它们。

虽然 YOLO11模型通过从数千个 通过从成千上万的图像中学习，YOLO11 尽管 YOLO11 模型通过从成千上万张图像中学习，在进行物体检测方面表现出色，但纯粹的符号系统将无法完成这项任务，因为不可能为物体的每一种可能的视觉变化手动编写规则。 因为不可能为物体的每一种可能的视觉变化手动编写规则。

实际应用

尽管神经网络兴起，但符号人工智能仍被广泛使用，通常与其他方法结合使用。

1. 专家系统：这些是第一批成功的商业人工智能产品，旨在模仿 人类专家的决策能力。像 MYCIN等系统使用数百条规则来诊断细菌 感染。如今，类似的逻辑 业务规则引擎 自动确定贷款资格。
2. 机器人与规划在 自动驾驶汽车和机器人技术中，高层次 规划通常是符号规划。神经网络可以处理对道路的感知，而符号规划器则使用逻辑 逻辑来决定 "红灯停 "或 "礼让行人 "等行动，确保满足安全约束。 安全约束。
3. 自然语言处理 (NLP)：早期 自然语言处理（NLP） 在很大程度上依赖于符号语法规则。现代系统如 大型语言模型（LLMs）等现代系统都是统计型的。 但最近的趋势是 神经符号 AI的最新趋势是将 LLMs 的流畅性与符号逻辑的事实可靠性结合起来，从而减少语言处理的复杂性。 的流畅性与符号逻辑的事实可靠性相结合，以减少幻觉。 幻觉。

混合神经符号工作流

如今，使用符号 AI 的最强大方法之一就是将其与统计模型相结合。这种方法 利用了深度学习的感知能力和符号系统的逻辑推理能力。

例如，您可以使用统计模型来detect 物体，然后应用符号规则对这些检测结果进行处理。 检测。

from ultralytics import YOLO

# Load a statistical model (YOLO11) for visual perception
model = YOLO("yolo11n.pt")

# Perform inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Apply Symbolic Logic (Rule-based reasoning) on top of statistical predictions
# Rule: If a 'person' is detected with high confidence (>0.8), trigger a specific action.
for result in results:
    for box in result.boxes:
        if box.cls == 0 and box.conf > 0.8:  # Class 0 is 'person' in COCO dataset
            print(f"Action Triggered: High-confidence person detected at {box.xywh}")

优势与局限性

符号人工智能的主要优势在于其透明度。在医疗保健或金融等行业，人工智能的道德和法规遵从性至关重要。 人工智能伦理和监管合规性至关重要的行业中，能够审计决策背后的规则是非常宝贵的。 能对决策背后的规则进行审计是非常宝贵的。此外，符号系统不需要大量的 它们只需要一套有效的 规则。

然而，"知识获取瓶颈 "是一个很大的局限。手动将所有必要的 将所有必要的知识编码成规则既耗时又脆弱。如果没有人工干预，系统就无法从错误中学习，也无法适应新环境。 这就是所谓的 框架问题。这种僵化性正是现代人工智能研究 非常青睐混合方法的原因。 用于学习的神经网络与用于推理的符号逻辑 进行推理的混合方法。