如今，人工智能主要是關(guān)于人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)。但這并非總是如此。實(shí)際上，在過去的十年中，該領(lǐng)域大部分都由象征性人工智能主導(dǎo)，也被稱為“經(jīng)典AI”，“基于規(guī)則的AI”和“老式的AI”。

象征性AI涉及將人類知識(shí)和行為規(guī)則顯式嵌入計(jì)算機(jī)程序中。在AI研究的最初幾十年中，這種實(shí)踐顯示出了很大的希望。但是近年來，隨著神經(jīng)網(wǎng)絡(luò)（也被稱為連接主義AI）獲得廣泛關(guān)注，象征性AI逐漸被淘汰。

符號(hào)在人工智能中的作用

符號(hào)是我們用來表示其他事物的事物。符號(hào)在人類的思想和推理過程中起著至關(guān)重要的作用。如果我告訴你我看見貓爬在樹上，那么你的腦海就會(huì)迅速聯(lián)想到圖像。

我們一直使用符號(hào)來定義事物（貓，汽車，飛機(jī)等）和人員（老師，警察，營業(yè)員）。符號(hào)可以表示抽象概念（銀行交易）或不存在的事物（網(wǎng)頁，博客文章等）。它們還可以描述操作（運(yùn)行）或狀態(tài)（不活動(dòng)）。可以將符號(hào)組織為層次結(jié)構(gòu)（汽車由門，窗，輪胎，座椅等制成）。它們也可以用來描述其他符號(hào)（耳朵毛茸茸的貓，紅地毯等）。能夠用符號(hào)進(jìn)行交流是使我們變得聰明的主要因素之一。因此，符號(hào)在人工智能的創(chuàng)造中也起著至關(guān)重要的作用。

AI的早期開拓者認(rèn)為，“原則上可以精確地描述學(xué)習(xí)的每個(gè)方面或智能的任何其他特征，從而可以制造出機(jī)器來對(duì)其進(jìn)行仿真。”因此，象征性AI成為焦點(diǎn)，成為研究項(xiàng)目的重點(diǎn)。科學(xué)家開發(fā)了定義和操作符號(hào)的工具。

您在計(jì)算機(jī)科學(xué)中發(fā)現(xiàn)的許多概念和工具就是這些努力的結(jié)果。符號(hào)AI程序基于創(chuàng)建顯式結(jié)構(gòu)和行為規(guī)則。符號(hào)AI工具的一個(gè)示例是面向?qū)ο蟮?a target="_blank">編程。OOP語言允許您定義類，指定它們的屬性并在層次結(jié)構(gòu)中組織它們。您可以創(chuàng)建這些類的實(shí)例（稱為對(duì)象）并操縱其屬性。類實(shí)例還可以執(zhí)行動(dòng)作，也稱為函數(shù)，方法或過程。每種方法都執(zhí)行一系列基于規(guī)則的指令，這些指令可能讀取和更改當(dāng)前對(duì)象和其他對(duì)象的屬性。

使用OOP，您可以創(chuàng)建執(zhí)行各種任務(wù)的廣泛而復(fù)雜的符號(hào)AI程序。

象征性AI的好處和局限性

符號(hào)人工智能在AI和計(jì)算的曙光中顯示出早期的進(jìn)步。您可以輕松地可視化基于規(guī)則的程序的邏輯，進(jìn)行通信并進(jìn)行故障排除。

對(duì)于規(guī)則非常清晰的設(shè)置，符號(hào)人工智能非常方便，您可以輕松獲取輸入并將其轉(zhuǎn)換為符號(hào)。實(shí)際上，基于規(guī)則的系統(tǒng)仍占當(dāng)今大多數(shù)計(jì)算機(jī)程序的成本，包括那些用于創(chuàng)建深度學(xué)習(xí)應(yīng)用程序的程序。

但是，當(dāng)您必須應(yīng)對(duì)世界的混亂時(shí)，象征性AI就開始崩潰。例如，考慮一下計(jì)算機(jī)視覺，這是使計(jì)算機(jī)能夠理解圖像和視頻內(nèi)容的科學(xué)。假設(shè)您有一副貓的圖片，并且想創(chuàng)建一個(gè)程序來檢測包含貓的圖像。您創(chuàng)建一個(gè)基于規(guī)則的程序，該程序?qū)⑿聢D像作為輸入，將像素與原始貓圖像進(jìn)行比較，并通過說出您的貓是否在這些圖像中進(jìn)行響應(yīng)。

僅當(dāng)您向程序提供原始圖像的精確副本時(shí)，此方法才有效。貓的圖片略有不同將產(chǎn)生否定的答案。例如，如果您從另一角度拍攝貓的圖片，則該程序?qū)⑹　?/p>

一種解決方案是從不同角度拍攝貓的圖片，并為您的應(yīng)用程序創(chuàng)建新規(guī)則，以將每個(gè)輸入與所有這些圖像進(jìn)行比較。即使您為貓拍了100萬張照片，您也不會(huì)考慮所有可能的情況。光照條件或圖像背景的變化將改變像素值，并導(dǎo)致程序失敗。您將需要數(shù)百萬其他圖片和規(guī)則。

如果要?jiǎng)?chuàng)建一個(gè)可以檢測到任何貓的程序該怎么辦？您需要為此創(chuàng)建多少規(guī)則？

貓的例子聽起來可能很愚蠢，但是這些都是象征性AI程序一直努力解決的問題。您無法為現(xiàn)實(shí)世界中存在的混亂數(shù)據(jù)定義規(guī)則。例如，如何定義自動(dòng)駕駛汽車的規(guī)則以檢測其可能遇到的所有不同行人？

此外，某些任務(wù)無法轉(zhuǎn)換為直接規(guī)則，包括語音識(shí)別和自然語言處理。

已經(jīng)做出了一些努力來創(chuàng)建包含某些特定領(lǐng)域的眾多規(guī)則的復(fù)雜的符號(hào)AI系統(tǒng)。這些象征性的AI模型稱為專家系統(tǒng)，使用硬編碼的知識(shí)和規(guī)則來處理諸如醫(yī)學(xué)診斷之類的復(fù)雜任務(wù)。但是它們需要領(lǐng)域?qū)＜液蛙浖?a target="_blank">工程師的大量努力，并且只能在非常狹窄的用例中工作。將問題一概而論之后，就會(huì)有大量新規(guī)則要添加（還記得貓檢測問題嗎？），這將需要更多的人工。正如一些AI科學(xué)家指出的那樣，符號(hào)AI系統(tǒng)無法擴(kuò)展。

神經(jīng)網(wǎng)絡(luò)與符號(hào)AI

神經(jīng)網(wǎng)絡(luò)幾乎與符號(hào)AI一樣古老，但是由于它們效率低下并且需要當(dāng)時(shí)無法使用的計(jì)算資源，因此在很大程度上被淘汰了。在過去的十年中，由于數(shù)據(jù)和處理能力的巨大可用性，深度學(xué)習(xí)獲得了普及，并超越了象征性的AI系統(tǒng)。

神經(jīng)網(wǎng)絡(luò)的優(yōu)勢在于它們可以處理雜亂且非結(jié)構(gòu)化的數(shù)據(jù)。以貓探測器為例。您可以手動(dòng)在許多貓的圖片上訓(xùn)練深度學(xué)習(xí)算法，而不用人工操作檢測貓像素的規(guī)則。然后，神經(jīng)網(wǎng)絡(luò)為貓的圖像建立統(tǒng)計(jì)模型。當(dāng)您為其提供新圖像時(shí)，它將返回它包含貓的概率。

深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)在符號(hào)AI難以勝任的任務(wù)上表現(xiàn)出色。他們?cè)谥T如面部識(shí)別和癌癥檢測之類的計(jì)算機(jī)視覺應(yīng)用領(lǐng)域掀起了一場革命。深度學(xué)習(xí)還推動(dòng)了語言相關(guān)任務(wù)的發(fā)展。

深度神經(jīng)網(wǎng)絡(luò)也非常適用于強(qiáng)化學(xué)習(xí)，通過多種反復(fù)試驗(yàn)發(fā)展其行為的AI模型。這種AI可以掌控Go，StarCraft和Dota等復(fù)雜游戲。

但是深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的好處并非沒有取舍。與象征性AI相比，深度學(xué)習(xí)具有許多深刻的挑戰(zhàn)和劣勢。值得注意的是，深度學(xué)習(xí)算法是不透明的，弄清楚它們的工作方式甚至困擾著他們的創(chuàng)造者。而且很難溝通和解決他們的內(nèi)部工作。

神經(jīng)網(wǎng)絡(luò)也非常需要數(shù)據(jù)。與符號(hào)AI不同，神經(jīng)網(wǎng)絡(luò)沒有符號(hào)和知識(shí)的層次表示的概念。這種局限性使得很難將神經(jīng)網(wǎng)絡(luò)應(yīng)用于需要邏輯和推理的任務(wù)，例如科學(xué)和高中數(shù)學(xué)。

符號(hào)AI的當(dāng)前狀態(tài)

有些人認(rèn)為象征性AI已死。但是這個(gè)假設(shè)離事實(shí)還差得遠(yuǎn)。實(shí)際上，基于規(guī)則的AI系統(tǒng)在當(dāng)今的應(yīng)用中仍然非常重要。許多領(lǐng)先的科學(xué)家認(rèn)為，符號(hào)推理將繼續(xù)成為人工智能的重要組成部分。

現(xiàn)在，人們進(jìn)行了多種努力來將神經(jīng)網(wǎng)絡(luò)和符號(hào)AI相結(jié)合。這樣的項(xiàng)目之一就是神經(jīng)符號(hào)概念學(xué)習(xí)器（NSCL），這是由MIT-IBM Watson AI Lab開發(fā)的一種混合AI系統(tǒng)。NSCL使用基于規(guī)則的程序和神經(jīng)網(wǎng)絡(luò)來解決視覺問題。與基于純神經(jīng)網(wǎng)絡(luò)的模型相反，混合AI可以用更少的數(shù)據(jù)學(xué)習(xí)新任務(wù)，并且可以解釋。與僅使用符號(hào)的模型不同，NSCL無需努力分析圖像的內(nèi)容。

也許在將來，我們將發(fā)明既可以推理又可以學(xué)習(xí)的AI技術(shù)。但是目前，符號(hào)AI是處理需要邏輯思維和知識(shí)表示的問題的主要方法。