如今，人工智能主要是关于人工神经网络和深度学习。但这并非总是如此。实际上，在过去的十年中，该领域大部分都由象征性人工智能主导，也被称为“经典AI”，“基于规则的AI”和“老式的AI”。

象征性AI涉及将人类知识和行为规则显式嵌入计算机程序中。在AI研究的最初几十年中，这种实践显示出了很大的希望。但是近年来，随着神经网络(也被称为连接主义AI)获得广泛关注，象征性AI逐渐被淘汰。

符号在人工智能中的作用

符号是我们用来表示其他事物的事物。符号在人类的思想和推理过程中起着至关重要的作用。如果我告诉你我看见猫爬在树上，那么你的脑海就会迅速联想到图像。

我们一直使用符号来定义事物(猫，汽车，飞机等)和人员(老师，警察，营业员)。符号可以表示抽象概念(银行交易)或不存在的事物(网页，博客文章等)。它们还可以描述操作(运行)或状态(不活动)。可以将符号组织为层次结构(汽车由门，窗，轮胎，座椅等制成)。它们也可以用来描述其他符号(耳朵毛茸茸的猫，红地毯等)。能够用符号进行交流是使我们变得聪明的主要因素之一。因此，符号在人工智能的创造中也起着至关重要的作用。

AI的早期开拓者认为，“原则上可以精确地描述学习的每个方面或智能的任何其他特征，从而可以制造出机器来对其进行仿真。”因此，象征性AI成为焦点，成为研究项目的重点。科学家开发了定义和操作符号的工具。

您在计算机科学中发现的许多概念和工具就是这些努力的结果。符号AI程序基于创建显式结构和行为规则。符号AI工具的一个示例是面向对象的编程。OOP语言允许您定义类，指定它们的属性并在层次结构中组织它们。您可以创建这些类的实例(称为对象)并操纵其属性。类实例还可以执行动作，也称为函数，方法或过程。每种方法都执行一系列基于规则的指令，这些指令可能读取和更改当前对象和其他对象的属性。

使用OOP，您可以创建执行各种任务的广泛而复杂的符号AI程序。

象征性AI的好处和局限性

符号人工智能在AI和计算的曙光中显示出早期的进步。您可以轻松地可视化基于规则的程序的逻辑，进行通信并进行故障排除。

对于规则非常清晰的设置，符号人工智能非常方便，您可以轻松获取输入并将其转换为符号。实际上，基于规则的系统仍占当今大多数计算机程序的成本，包括那些用于创建深度学习应用程序的程序。

但是，当您必须应对世界的混乱时，象征性AI就开始崩溃。例如，考虑一下计算机视觉，这是使计算机能够理解图像和视频内容的科学。假设您有一副猫的图片，并且想创建一个程序来检测包含猫的图像。您创建一个基于规则的程序，该程序将新图像作为输入，将像素与原始猫图像进行比较，并通过说出您的猫是否在这些图像中进行响应。

仅当您向程序提供原始图像的精确副本时，此方法才有效。猫的图片略有不同将产生否定的答案。例如，如果您从另一角度拍摄猫的图片，则该程序将失败。

一种解决方案是从不同角度拍摄猫的图片，并为您的应用程序创建新规则，以将每个输入与所有这些图像进行比较。即使您为猫拍了100万张照片，您也不会考虑所有可能的情况。光照条件或图像背景的变化将改变像素值，并导致程序失败。您将需要数百万其他图片和规则。

如果要创建一个可以检测到任何猫的程序该怎么办？您需要为此创建多少规则？

猫的例子听起来可能很愚蠢，但是这些都是象征性AI程序一直努力解决的问题。您无法为现实世界中存在的混乱数据定义规则。例如，如何定义自动驾驶汽车的规则以检测其可能遇到的所有不同行人？

此外，某些任务无法转换为直接规则，包括语音识别和自然语言处理。

已经做出了一些努力来创建包含某些特定领域的众多规则的复杂的符号AI系统。这些象征性的AI模型称为专家系统，使用硬编码的知识和规则来处理诸如医学诊断之类的复杂任务。但是它们需要领域专家和软件工程师的大量努力，并且只能在非常狭窄的用例中工作。将问题一概而论之后，就会有大量新规则要添加(还记得猫检测问题吗？)，这将需要更多的人工。正如一些AI科学家指出的那样，符号AI系统无法扩展。

神经网络与符号AI

神经网络几乎与符号AI一样古老，但是由于它们效率低下并且需要当时无法使用的计算资源，因此在很大程度上被淘汰了。在过去的十年中，由于数据和处理能力的巨大可用性，深度学习获得了普及，并超越了象征性的AI系统。

神经网络的优势在于它们可以处理杂乱且非结构化的数据。以猫探测器为例。您可以手动在许多猫的图片上训练深度学习算法，而不用人工操作检测猫像素的规则。然后，神经网络为猫的图像建立统计模型。当您为其提供新图像时，它将返回它包含猫的概率。

深度学习和神经网络在符号AI难以胜任的任务上表现出色。他们在诸如面部识别和癌症检测之类的计算机视觉应用领域掀起了一场革命。深度学习还推动了语言相关任务的发展。

深度神经网络也非常适用于强化学习，通过多种反复试验发展其行为的AI模型。这种AI可以掌控Go，StarCraft和Dota等复杂游戏。

但是深度学习和神经网络的好处并非没有取舍。与象征性AI相比，深度学习具有许多深刻的挑战和劣势。值得注意的是，深度学习算法是不透明的，弄清楚它们的工作方式甚至困扰着他们的创造者。而且很难沟通和解决他们的内部工作。

神经网络也非常需要数据。与符号AI不同，神经网络没有符号和知识的层次表示的概念。这种局限性使得很难将神经网络应用于需要逻辑和推理的任务，例如科学和高中数学。

符号AI的当前状态

有些人认为象征性AI已死。但是这个假设离事实还差得远。实际上，基于规则的AI系统在当今的应用中仍然非常重要。许多领先的科学家认为，符号推理将继续成为人工智能的重要组成部分。

现在，人们进行了多种努力来将神经网络和符号AI相结合。这样的项目之一就是神经符号概念学习器(NSCL)，这是由MIT-IBM Watson AI Lab开发的一种混合AI系统。NSCL使用基于规则的程序和神经网络来解决视觉问题。与基于纯神经网络的模型相反，混合AI可以用更少的数据学习新任务，并且可以解释。与仅使用符号的模型不同，NSCL无需努力分析图像的内容。

也许在将来，我们将发明既可以推理又可以学习的AI技术。但是目前，符号AI是处理需要逻辑思维和知识表示的问题的主要方法。