今天，AI主要与人工神经网络和深度学习有关。但情况并非总是如此。事实上，在过去的十年里，该领域主要由符号人工智能主导，也被称为“经典人工智能”、“基于规则的人工智能”和“老式人工智能”。符号人工智能涉及将人类知识和行为规则明确嵌入到计算机程序中。在人工智能研究的头几十年，这种做法显示出很大的希望。但符号人工智能近年来已被淘汰，因为神经网络（也称为连接主义人工智能）获得了很多关注。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中起着至关重要的作用。如果我告诉你我看到一只猫在爬树，你的脑海里会很快联想到这个画面。我们一直使用符号来定义事物（猫、汽车、飞机等）和人（老师、警察、销售人员）。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）。符号可以组织成层次结构（汽车由门、窗、轮胎、座椅等组成）。它们也可以用来描述其他符号（毛茸茸的耳朵的猫、红地毯等）。能够用符号进行交流是使我们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。人工智能的早期先驱们认为，“学习的每个方面，或智能的任何其他特征，原则上都可以精确地描述，以至于可以建造机器来模仿它。”因此，符号人工智能成为研究项目的重点和支柱。重点。科学家开发工具来定义和操作符号。您在计算机科学中发现的许多概念和工具都是这些努力的结果。符号人工智能程序基于创建明确的结构和行为规则。符号AI工具的一个例子是面向对象编程。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）并操作它们的属性。类实例也可以执行操作，也称为函数、方法或过程。每个方法执行一系列基于规则的指令，这些指令可以读取和更改当前对象和其他对象的属性。使用OOP，您可以创建广泛而复杂的符号AI程序来执行各种任务。SymbolicAI的优点和局限性SymbolicAI显示了AI和计算的早期进展。您可以轻松地对基于规则的程序的逻辑进行可视化、交流和故障排除。符号AI对于规则非常明确的设置非常方便，您可以轻松地获取输入并将其转换为符号。事实上，基于规则的系统仍然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。但当你不得不应对世界的混乱时，象征性的AI开始崩溃。例如，考虑计算机视觉，使计算机能够理解图像和视频内容的科学。假设您有一张猫的图片，并且您想要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，它将新图像作为输入，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来做出响应。仅当您向程序提供原始图像的精确副本时，此方法才有效。一张略有不同的猫图片会得出否定的答案。例如，如果你从另一个角度拍一张猫的照片，程序就会失败。一种解决方案是从不同角度拍摄猫的照片，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。即使你拍了一百万张猫的照片，你也没有考虑到每一种可能的情况。光照条件或图像背景的变化都会改变像素值，导致程序失败。您将需要数以百万计的其他图片和规则。如果您想创建一个可以检测任何猫的程序怎么办？您需要为此创建多少条规则？猫的例子可能听起来很傻，但这些都是符号AI程序一直在努力解决的问题。您无法为现实世界中存在的混乱数据定义规则。例如，您如何为自动驾驶汽车定义规则以检测它可能遇到的所有不同行人？此外，某些任务无法转化为直接规则，包括语音识别和自然语言处理。已经做出一些努力来创建复杂的符号AI系统，其中包含针对某些特定领域的大量规则。这些代币AI模型称为专家系统，使用硬编码的知识和规则来处理复杂的任务，例如医疗诊断。但它们需要领域专家和软件工程师付出大量努力，而且只能在非常狭窄的用例中发挥作用。一旦问题泛化，就会有大量新规则需要添加（还记得猫检测问题吗？），这将需要更多的人力。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，但基本上已经过时，因为它们效率低下并且需要当时不可用的计算资源。在过去十年中，由于数据和处理能力的巨大可用性，深度学习已经流行起来并超越了代币AI系统。神经网络的优势在于它们可以处理混乱和非结构化的数据。以猫探测器为例。无需手动操作检测猫像素的规则，您可以在多张猫图片上手动训练深度学习算法。然后神经网络为猫的图像建立一个统计模型。当你给它一个新的图像时，它会返回它包含一只猫的概率。深度学习和神经网络擅长处理符号AI难以处理的任务。它们彻底改变了计算机视觉应用，例如面部识别和癌症检测。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合强化学习，通过多次试验和错误开发其行为的AI模型。这个AI可以掌握围棋、星际争霸和Dota等复杂游戏。但深度学习和神经网络的好处并非没有取舍。与符号人工智能相比，深度学习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，弄清楚它们的工作原理甚至让它们的创造者感到困惑。而且很难沟通和了解他们的内部运作方式。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。这种限制使得神经网络很难应用于需要逻辑和推理的任务，例如科学和高中数学。符号人工智能的现状有些人认为符号人工智能已经死了。但这个假设与事实相去甚远。事实上，基于规则的人工智能系统在今天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。现在有多种努力将神经网络和符号AI结合起来。其中一个项目是Neuro-SymbolicConceptLearner(NSCL)，这是一种由麻省理工学院-IBM沃森人工智能实验室开发的混合人工智能系统。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比，混合人工智能可以用更少的数据学习新任务并且是可解释的。与仅使用符号的模型不同，NSCL不需要分析图像的内容。也许在未来，我们会发明出既能推理又能学习的人工智能技术。但就目前而言，符号人工智能是解决需要逻辑思维和知识表示的问题的主要方法。
