符号主义是什么？认为智能就是对符号进行操作的 AI 学派

符号主义（Symbolism），也叫逻辑主义或心理学派，是人工智能领域的三大主要学派之一，另外两个是连接主义和行为主义。符号主义认为，智能的本质就是对符号进行处理和操作：人类的思维过程可以看作是在用符号表示知识，并按照逻辑规则对这些符号进行推理和运算。因此，只要让计算机能够表示知识、进行逻辑推理，就能实现人工智能。

物理符号系统假说

符号主义的理论核心是艾伦·纽厄尔和赫伯特·西蒙在 1976 年正式提出的“物理符号系统假说”：一个物理符号系统具有产生一般智能行为的必要和充分的手段。这里的物理符号系统，是指能够创建、复制、修改和组合符号的系统，人脑和计算机都是这样的系统。这个假说意味着：任何表现出智能的系统，本质上都在进行符号处理；而任何足够强大的符号处理系统，都能够表现出智能。纽厄尔和西蒙因为在人工智能和认知心理学方面的开创性工作，共同获得了 1975 年的图灵奖。

代表性的成果

逻辑理论家：1956 年，纽厄尔、西蒙和克利夫·肖编写了这个程序，它能够自动证明怀特海和罗素的《数学原理》中的数学定理，被认为是第一个人工智能程序之一，在同年的达特茅斯会议上进行了展示。通用问题求解器：纽厄尔和西蒙在 1957 年开始开发的程序，试图用一种通用的方法来解决各种问题，它的核心是“手段-目的分析”：比较当前的状态和目标状态之间的差距，然后寻找能够缩小这个差距的操作。专家系统：20 世纪 70 到 80 年代，符号主义的思想在专家系统中取得了巨大的商业成功。专家系统把某个领域的专家知识整理成大量的规则，再通过推理引擎进行推理，比如用于医疗诊断的 MYCIN、用于配置计算机的 XCON。此外，约翰·麦卡锡发明的 LISP 语言、后来的 Prolog 逻辑编程语言，以及知识表示、自动定理证明、规划等研究方向，都是符号主义的重要成果。

面临的困难

符号主义在处理需要明确知识和严密推理的问题上表现出色，但也遇到了很多根本性的困难。知识获取的瓶颈：要把专家的知识完整、准确地转化为规则，需要耗费大量的人力，而很多知识是隐性的，连专家自己也说不清楚。常识问题：人类拥有海量的常识，比如“水往低处流”“人不能同时在两个地方”，要把它们全部用符号写出来几乎是不可能的。道格拉斯·莱纳特从 1984 年开始的 Cyc 项目，试图手工地构建一个包含人类常识的知识库，投入了巨大的努力，但仍然远远不够。感知和学习的困难：符号系统很难处理图像、声音这类原始的感知数据，也难以从数据中自动地学习。脆弱性：只能处理规则覆盖到的情况，遇到意料之外的情况就无能为力。随着专家系统热潮的退去，以神经网络为代表的连接主义和以统计学习为代表的方法逐渐成为人工智能的主流。

今天的意义

尽管深度学习如今占据主导地位，符号主义的思想并没有消失。知识图谱、规则引擎、自动规划、形式化验证等技术仍然被广泛使用。人们也越来越认识到，神经网络在可解释性、可靠的逻辑推理、利用明确的知识等方面存在不足，而这些恰恰是符号方法的长处。因此，把神经网络与符号推理结合起来的神经符号人工智能，被认为是一个很有前景的方向。