1 定義と基本概念
シンボリックAI（記号人工知能）は、人間の知的活動を記号とその操作によってモデル化する人工知能のアプローチである。知識を明示的な記号表現で表し、論理的推論やルール適用によって問題解決を行うことを特徴とする。
1.1 記号とは何か
記号（シンボル）とは、外界の対象や概念を抽象化して表現するための要素である。例えば「犬」という記号は現実の動物を指し示し、「茶色」という記号は色属性を表す。記号はそれ自体が意味を持たず、人間やシステムによる解釈によって意味が付与される。シンボリックAIでは、これらの記号を組み合わせて複雑な知識を表現する。
1.2 記号操作と物理記号システム仮説
記号操作とは、記号を規則に従って変換・結合・分解する処理である。物理記号システム仮説は、ニューウェルとサイモンによって提唱され、「知的システムは物理記号システムとして実現可能である」と主張する。この仮説によれば、コンピュータは記号の操作を通じて人間と同等の知的振る舞いを示すことができる。
1.3 推論と探索の基本原理
シンボリックAIの推論は、主に演繹推論（前提から結論を導く）と帰納推論（事例から一般則を導く）に基づく。探索は、可能な状態空間の中で目標に到達する経路を見つける手法であり、幅優先探索や深さ優先探索、ヒューリスティック探索（A*アルゴリズムなど）が用いられる。
2 歴史的発展
2.1 ダートマス会議と初期のAI研究
1956年のダートマス会議は人工知能という分野が正式に誕生した場とされる。マッカーシー、ミンスキー、シャノンらが参加し、「人間の知能を機械で模倣する」という目標を掲げた。この会議を契機に、記号処理による知能実現への期待が高まった。
2.2 汎用問題解決器（GPS）と論理理論家
ニューウェルとサイモンが開発した論理理論家（LT）は、記号操作によって数学の定理を証明する初のプログラムである。その後、汎用問題解決器（GPS）が登場し、目標と現在の状態の差分を縮小する手段-目標分析を用いて様々な問題を解決できることを示した。これらはシンボリックAIの基盤を築いた。
2.3 エキスパートシステムの隆盛（1970～80年代）
1970年代から1980年代にかけて、特定の専門知識をルールベースで表現するエキスパートシステムが発展した。MYCIN（医療診断）、DENDRAL（有機化学構造解析）、XCON（コンピュータ構成）などが代表例であり、実用的な成功を収めた。これによりシンボリックAIは産業応用の道を開いた。
2.4 第五世代コンピュータ計画と衰退
1980年代に日本が推進した第五世代コンピュータ計画は、並列推論マシンとPrologベースの知識処理を目指した。しかし、目標の高さと技術的困難から期待された成果を挙げられず、1990年代初頭に終了した。同時に、ニューラルネットワークの再興や統計的手法の台頭により、シンボリックAIは主流の座を譲ることとなった。
3 主要な手法と技術
3.1 論理プログラミング（Prolog）
Prologは一階述語論理に基づくプログラミング言語であり、事実と規則の集合から問い合わせに対する解を導出する。バックトラッキングによる探索と単一化（ユニフィケーション）が特徴で、エキスパートシステムや自然言語処理に広く用いられた。
3.2 プロダクションシステム（IF-THENルール）
プロダクションシステムは、条件（IF部）と動作（THEN部）からなるルールを多数保持し、ワーキングメモリの状態にマッチするルールを適用して推論を進める。フォワード推論（前向き推論）とバックワード推論（後向き推論）の二方式がある。OPS5などのツールが代表的である。
3.3 フレームとスクリプト
フレームは、対象や概念を属性（スロット）とその値で構造化する知識表現である。例えば「犬」フレームには「足：4本」「鳴き声：ワン」などが格納される。スクリプトは、特定の状況で起こる一連の出来事を定型化したもので、レストランでの食事などの常識的知識を表現するために用いられた。
3.4 意味ネットワーク
意味ネットワークは、ノード（概念）とエッジ（関係）で知識を表現するグラフ構造である。is-a関係（継承）やpart-of関係などが代表的で、自然言語理解や常識推論の基盤となった。後の知識グラフの先駆けである。
3.5 プランニングと問題解決
プランニングは、初期状態から目標状態に至る一連の行動を生成する技術である。STRIPS（Stanford Research Institute Problem Solver）は行動の前提条件と効果を記述し、部分秩序プランニングや階層的タスクネットワーク（HTN）などが発展した。
4 応用事例
4.1 定理証明と数学的問題解決
論理理論家やその後継である定理証明システム（例えばOtter、Coqなど）は、数学の定理を自動証明する。記号操作による厳密な推論が可能であり、数学研究の補助やソフトウェア検証に利用される。
4.2 エキスパートシステム（医療診断、鉱物探査）
MYCINは血液感染症の診断と治療法を提案するエキスパートシステムで、専門医と同等の性能を示した。PROSPECTORは鉱物探査を支援し、実際にモリブデン鉱床を発見したことで知られる。
4.3 自然言語理解の初期モデル
SHRDLUはブロックワールド内での自然言語による対話を実現した。ユーザーの指示を構文解析と意味解析で理解し、物体の操作を実行した。また、ELIZAは簡単なパターンマッチングによる対話システムとして知られる。
4.4 ゲームプレイ（チェス、将棋）
シンボリックAIはチェスや将棋のプログラムに応用された。深い探索木と評価関数を用いる手法が一般的であり、1997年にはIBMのDeep Blueがチェスの世界チャンピオンに勝利した。これは記号操作による探索とハードウェアの力を結集した成果である。
5 限界と批判
5.1 記号接地問題
記号接地問題とは、記号が現実世界の意味とどのように結びつくのかという問題である。例えば「赤」という記号を知覚経験なしに理解することは難しい。シンボリックAIは記号の内部操作に専念し、外界との接続を十分に扱えなかった。
5.2 フレーム問題
フレーム問題は、行動によって変化しない事柄をいかに効率的に扱うかという問題である。ナイーブな実装ではすべての事実を再検証する必要が生じ、計算量が爆発する。常識的推論に必要とされるが、完全な解決は困難であった。
5.3 常識推論の困難
人間が自然に行う常識的な推論（例えば「コップを倒せば水がこぼれる」）をルール化するのは極めて難しい。例外や文脈依存性が多く、完全な知識ベースの構築は事実上不可能に近い。
5.4 学習能力の欠如
シンボリックAIは知識を人手で記述する必要があり、データからの自動学習が苦手であった。ルールの追加や変更は専門家の手作業に依存し、大規模な知識ベースのメンテナンスは非現実的だった。
6 現代における位置づけと再評価
6.1 ニューラルシンボリック統合
近年、深層学習（ニューラルネットワーク）とシンボリック推論を統合するニューラルシンボリックAIが注目されている。ニューラルネットでパターン認識や学習を行い、その出力を記号推論に渡すハイブリッドモデルが研究されている。
6.2 知識グラフとオントロジー
GoogleのKnowledge GraphやWikidataなど、大規模な知識グラフが実用化されている。これらはシンボリックAIの知識表現技術を継承しつつ、統計的手法と組み合わせて情報検索や質問応答に利用される。
6.3 統計的推論との融合
確率的グラフィカルモデルやベイジアンネットワークとシンボリック推論を融合する研究が進んでいる。不確実性を扱える統計的手法が、シンボリックAIの厳密な推論と補完し合う。
6.4 今後の展望
シンボリックAIは、解釈可能性や説明可能性が求められる領域（医療診断、法律推論、科学発見）で再評価されている。また、大規模言語モデルなどの統計的手法と組み合わせることで、より堅牢で理解しやすいAIシステムの実現が期待される。