符号人工智能（symbolic AI）
/ sim-BOL-ik AY-EYE /
符号人工智能是让机器变聪明的最早、自上而下的路子：把人类知识明明白白地写成符号和规则，再让计算机用逻辑去操弄它们。假如你想让系统对家谱进行推理，你就会写下这样的规则：「若X是Y的父母，且Y是Z的父母，则X是Z的祖父母。」在这种观点里，智能就是按照清晰规则，小心翼翼地摆弄有意义的符号——很像解一道逻辑谜题，或者做代数。
从1950年代到1980年代，这都是主导范式，它带来了逻辑定理证明器、规划器和专家系统。它最大的长处是透明：因为每一步都遵循一条写明的规则，你可以读出系统的推理过程，清清楚楚看到它为什么得出这个结论。它还能优雅地处理那些界定清晰的领域——象棋、形式逻辑、排程——而无需堆积如山的训练数据。
它最大的短处则是这个乱糟糟的真实世界。要为人类所知的一切手写规则，结果难得不可思议：单是常识就有数以十亿计、从未明说的事实，而当现实不肯落入整齐的格子时，规则又脆弱不堪。符号人工智能在感知上（那是猫还是狐狸？）以及在那些模糊到写不下来的知识上，都举步维艰。现代AI转向了相反的方向，去从数据中学习规律（即联结主义）。不过二者并非冤家——当下许多研究正试图把符号的可读性与学习的灵活性结合起来，这条路被称为神经符号AI。
一个符号式的医疗助手可能持有这样的规则：「若病人发烧、且颈部僵硬、且出现皮疹，则怀疑脑膜炎并建议紧急检查。」你能读懂它、核对它，还能拿它和医生争论——但每一条这样的规则都得有人手写，而规则没说的，系统便一无所知。
符号人工智能用人类可读的规则进行推理——强大、透明，但一出手写知识的范围便很脆弱。
符号人工智能常被戏称为GOFAI（「好的老式人工智能」）。它并没有「失败」——它在逻辑与结构化推理上极为出色——只是无法扩展到日常感知中那些杂乱、未明说的知识，而那正是「从数据中学习」接手之处。