符号 AI

符号人工智能（Symbolic AI），常被称为 "老式人工智能"（GOFAI），是人工智能（AI）的一个分支，其重点是通过明确的规则和符号来表示人类的知识。从 20 世纪 50 年代到 80 年代末，这种方法一直是人工智能研究的主流范式。与现代数据驱动的方法不同，符号人工智能的运行原理是，通过操纵代表现实世界概念的符号，并在一系列逻辑规则的支配下，实现智能。由约翰-麦卡锡（John McCarthy）等先驱倡导的核心理念是，建立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部分组成：知识库和推理引擎。

• 知识库：结构化数据库，包含事实、概念和它们之间的关系，全部用符号语言编码。这些知识通常由人类专家手工整理。知识图谱是这一概念的现代对应物。
• 推理引擎 一套规则和算法，对知识库进行逻辑演绎，以推导出新信息或做出决策。它使用形式逻辑，如 IF-THEN 报表，处理查询和解决问题。这一过程高度透明，是 可解释的人工智能（XAI）.

Lisp和Prolog等编程语言就是专门为支持这种基于规则的编程风格而开发的。

符号人工智能与机器学习

符号人工智能与机器学习（ML）有着本质区别，后者是大多数现代人工智能应用的基础，包括Ultralytics YOLO 等高级计算机视觉（CV）模型。

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。人类专家明确地将规则和知识编程到系统中。系统的推理仅限于这些预先定义的知识。
• 机器学习是一种自下而上的方法。模型，尤其是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 模型通过对成千上万张标注过的图像进行训练，而不是通过被告知什么是 "汽车 "或 "人 "的明确规则，来学习进行物体检测。

虽然人工智能模型擅长处理复杂的非结构化数据，但其决策过程可能并不透明。相比之下，符号人工智能的推理过程易于追踪，这对于问责制和人工智能道德至关重要的应用来说至关重要。

真实世界的应用与实例

尽管符号人工智能在今天已不那么常见，但它仍为一些重要应用提供了动力，其原理也依然适用。

1. 专家系统：这是符号人工智能最成功的应用之一。专家系统旨在模仿人类专家在特定领域的决策能力。例如，MYCIN 是 20 世纪 70 年代开发的著名专家系统，用于识别导致严重感染的细菌并推荐抗生素。它使用的知识库包含约 600 条来自医学专家的规则。
2. 早期的自然语言处理 (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。它们使用形式化的语法和语法规则来解析句子和理解语言结构。早期的自动语法检查程序和机器翻译系统就是基于这些原理建立的。

未来：混合人工智能

符号人工智能的局限性--尤其是在面对新情况或模糊情况时的脆性，以及扩展知识库的困难--导致了人工智能的兴起。不过，未来可能会出现结合两种方法优势的混合人工智能模型。通过将符号人工智能的逻辑推理与人工智能的模式识别能力相结合，开发人员可以创建更强大、更透明、更有能力的人工智能系统。这些混合系统旨在利用符号系统的结构知识来增强基础模型的学习过程，神经符号人工智能等领域已经探索了这一概念。Ultralytics HUB等平台简化了ML 模型的部署，这些模型有朝一日可能会采用这些混合技术。