Symbolic AI

符号人工智能是一种人工智能（AI）方法，它将知识表示为人类可读的符号，例如 bird、penguin 或“苏格拉底是人”，并通过明确的规则、逻辑和搜索进行推理。从 1956 年的达特茅斯研讨会到 20 世纪 80 年代，符号人工智能一直主导 AI 研究。哲学家 John Haugeland 后来于 1985 年将其称为“老派人工智能”（GOFAI）。符号系统得出的每个结论都可以追溯到人类编写且能够读懂的规则，因此具有可审计性；但系统中的每一条知识都必须手动编写，因此难以扩展。

符号人工智能的工作原理#

符号系统由两部分组成。知识库使用一阶逻辑、if-then 产生式规则或知识图谱等形式语言存储事实（“苏格拉底是人”）和规则（“所有人都会死”）。推理引擎应用规则推导出未存储的事实（“苏格拉底会死”）。正向链式推理从已知事实出发，执行所有满足条件的规则，直到不再产生新事实。反向链式推理则从目标出发，反向推导能够证明目标的事实；逻辑编程语言 Prolog就采用了这种策略。

这种方法的理论基础是 Allen Newell 和 Herbert Simon 于 1976 年提出的物理符号系统假设，该假设认为，操作符号对于通用智能既是必要条件，也是充分条件。下面用几行纯 Python 代码就能实现正向链式推理引擎：

# Knowledge base: IF every premise is a known fact THEN add the conclusion
rules = [
    ({"has_feathers", "lays_eggs"}, "bird"),
    ({"bird", "cannot_fly", "swims"}, "penguin"),
]
facts = {"has_feathers", "lays_eggs", "cannot_fly", "swims"}

# Forward chaining: keep firing rules until no new fact appears
changed = True
while changed:
    changed = False
    for premises, conclusion in rules:
        if premises <= facts and conclusion not in facts:
            facts.add(conclusion)
            changed = True
            print(f"{conclusion} <- {sorted(premises)}")

该引擎会先打印 bird <- ['has_feathers', 'lays_eggs']，然后打印 penguin <- ['bird', 'cannot_fly', 'swims']：只有第一条规则添加了 bird，第二条规则才会触发。每一行输出都完整解释了结论成立的原因；这类推理轨迹正是可解释 AI（XAI）方法试图为神经网络重建的内容。

专家系统#

20 世纪 70 年代和 80 年代，符号人工智能通过专家系统进入工业领域。斯坦福大学的 MYCIN 根据从医生处收集的约 600 条规则，识别严重感染背后的细菌并推荐抗生素；Digital Equipment Corporation 的 XCON 则为 VAX 计算机配置客户订单。专家系统在基本引擎之外，还包含知识工程师和解释功能：知识工程师会访谈领域专家，将其知识编码为规则；解释功能则会重放得出每个答案所依据的规则。

访谈环节成了瓶颈。专家很难将直觉表述为规则，大型规则库会在遇到无人预料的情况时失效，而且系统无法从数据中学习。Doug Lenat 于 1984 年启动了 Cyc 项目，试图手工编码常识，这项工作已持续数十年。20 世纪 80 年代末，专家系统的预算大幅削减，该领域因此进入第二次“AI 寒冬”。

符号 AI 与统计 AI#

统计式 AI从示例中学习模式，是现代机器学习（ML）和深度学习（DL）的基础。这两种范式各自在对方不擅长的领域失效：

• 符号人工智能：精确、透明，完全不需要训练数据，适用于算术、规划、法规和形式证明。但它无法处理原始感知，因为没人能编写出仅凭像素值识别猫的规则；对于规则未曾预料到的输入，它也会失效。
• 统计式 AI：直接从数据中学习感知和语言，并能够容忍噪声；但它需要大型数据集，决策过程难以检查，而且语言模型可能生成流畅却错误的回答，即所谓的幻觉。

符号人工智能如今的应用场景#

• 规则引擎与合规： 税务软件和业务规则引擎会将法规编码为明确规则，因此每个结果都能追溯到生成该结果的条款。
• 规划与调度： 自动规划器会根据对行动、前置条件和效果的符号化描述进行搜索，为物流、工厂作业和航天器运行制定计划。
• 形式验证： Microsoft 的 Z3 等 SAT 和 SMT 求解器可证明芯片和软件的性质；Lean 等证明助手则会逐步检查数学证明。
• 知识图谱： 搜索引擎和 Wikidata 会将数十亿条事实存储为实体和关系，以便查询遍历。

神经符号 AI#

神经符号 AI结合了这两种范式：神经网络负责感知和模式识别，符号组件则负责规则、约束和精确推理。通过函数调用调用计算器、SQL 数据库或代码解释器的语言模型，也采用了相同的分工。在视觉流水线中，像 Ultralytics YOLO26这样的检测器会将像素转换为符号，即所检测到目标的类别名称，再由简单规则对这些符号进行推理：

from ultralytics import YOLO

# 神经感知：检测目标，并将其类别名称保留为符号事实
model = YOLO("yolo26n.pt")
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]
facts = {result.names[int(c)] for c in result.boxes.cls}

# 符号推理：如果存在一辆公交车并且有一个人，则发出警报
if {"bus", "person"} <= facts:
    print("Rule fired: pedestrians next to a bus")

更改规则会立即改变系统行为，无需重新训练。Google DeepMind 的 AlphaGeometry将同样的分工用于数学：神经语言模型提出辅助构造，符号演绎引擎根据这些构造证明结果；两者结合，在 2024 年发表于 Nature 的论文中解出了 30 道国际数学奥林匹克竞赛几何题中的 25 道。