1 定义与核心假设
符号主义人工智能（Symbolic AI）是人工智能研究的一个主要学派，其核心思想是：智能行为可以通过对显式符号的操作来实现。这些符号代表现实世界中的概念、实体或关系，并通过一系列明确的规则进行操作和组合，从而模拟推理、学习、问题求解等认知过程。与连接主义试图模拟大脑神经网络不同，符号主义更强调符号的表征能力和逻辑推理的严密性。
1.1 物理符号系统假说
物理符号系统假说是符号主义最根本的理论基础，由艾伦·纽厄尔和赫伯特·西蒙于1976年提出。该假说认为，任何能够通过符号操作展示智能的系统（无论是人类、动物还是机器）都必须是一个物理符号系统。所谓物理符号系统，是指一组被物理实现（如计算机内存中的比特）的符号，以及对这些符号进行生成、复制、修改、比较和删除等操作的基本过程。该假说的核心论断是：物理符号系统拥有足够的必要和充分手段来实现通用智能行为。这意味着，只要一个系统具备符号处理能力，并且设计足够复杂，它就能展现出智能。这个假说为符号主义提供了强大的理论支撑，也奠定了经典人工智能的研究框架。
1.2 知识表示与推理的基本概念
知识表示是将关于世界的信息转化为计算机可操作的形式，而推理则是基于这种表示进行逻辑推演，从而得出新结论或解决复杂问题。符号主义认为，知识必须被显式地编码、分门别类地组织，并且能够被程序精确地操纵。
1.2.1 符号与符号结构
符号是知识表示的基本原子，它代表客观世界中的一个实体、属性或关系（例如“猫”、“红色”、“是-猫-的颜色”）。符号本身是无意义的，其意义来源于它在符号系统内部与其他符号之间的关系。符号通过组合形成更复杂的符号结构，如列表、树图、逻辑公式或语义网络。例如，谓词是哺乳动物(猫)就是一个符号结构，它将符号“猫”和“哺乳动物”通过关系连接起来。这种结构化的表示方式允许系统表达复杂的语义和逻辑关系。
1.2.2 基于逻辑的形式化语言
为了确保推理的精确性和可计算性，符号主义广泛使用基于逻辑的形式化语言，如一阶谓词逻辑、霍恩子句逻辑、描述逻辑等。这些语言具有严格的语法和语义；语法规定了合法公式的构成规则，语义则赋予每个公式明确的真假条件。通过这种形式化，一个复杂的知识库（由大量逻辑语句组成）就可以通过机械的推理规则（如假言推理、归结）自动推导出蕴含在其中的新事实。这极大地提升了系统的可靠性和可验证性。
1.3 符号主义与连接主义的根本分歧
符号主义与连接主义（神经网络）在方法论上存在根本分歧。符号主义认为智能的核心在于对显式符号的操纵和逻辑推理，强调知识的显式表达和可解释性。而连接主义则认为智能源于大量简单单元（人工神经元）之间的分布式连接和权重调整，智能行为是涌现的，而非逻辑演绎的结果。符号主义擅长处理结构化知识、因果推理和形式化任务，但难以处理感知、模式识别和模糊的、不完整的知识；连接主义在图像识别、语音处理等感知任务上表现出色，但往往像一个“黑箱”，其决策过程难以解释，并且缺乏对抽象关系和逻辑结构的自然表达能力。近年来的“神经符号系统”试图融合两者的优势，走向统一。
2 历史发展
2.1 早期奠基（1950s–1960s）
符号主义人工智能的起源可追溯到20世纪50年代，当时计算能力不断提升，科学家们开始探索能否让计算机像人类一样思考和推理。
2.1.1 逻辑理论家与通用问题求解器
1955-1956年，艾伦·纽厄尔、赫伯特·西蒙和约翰·肖开发了“逻辑理论家”（Logic Theorist），它被认为是第一个真正的人工智能程序。逻辑理论家能够证明《数学原理》中的形式逻辑定理，证明了机器能够进行创造性思维。随后，他们于1957年推出“通用问题求解器”（General Problem Solver, GPS），GPS试图通过“手段-目的分析”（Means-Ends Analysis）策略解决任何可以被形式化描述的问题，其核心思想是将复杂问题分解为子目标，然后寻找减少当前状态与目标状态之间差异的操作。尽管GPS的适用性远非“通用”，但它开创了基于搜索和符号推理的问题求解范式。
2.1.2 Lisp语言的诞生与符号计算
1958年，约翰·麦卡锡发明了Lisp语言（LISt Processing）。Lisp是专门为符号计算设计的，其核心数据结构是原子和列表，这使得表达和处理符号表达式变得异常灵活。Lisp引入了递归、函数式编程、自动内存管理（垃圾回收）等现代编程语言的核心特性，成为了人工智能（特别是符号主义）研究的“母语”。早期的许多重要AI系统，如专家系统、定理证明器，都是用Lisp编写的，它极大地推动了符号主义的发展。
2.2 黄金时代（1970s–1980s）
20世纪70至80年代，在知识表示和专家系统取得突破的推动下，符号主义进入了发展的黄金时代。
2.2.1 专家系统的兴起
专家系统是符号主义最成功的应用范式之一。它通过将特定领域的人类专家知识（通过“知识工程师”访谈并提炼）编码成显式的规则库，使计算机能够进行高水平的决策和咨询。
2.2.1.1 MYCIN与DENDRAL
MYCIN是斯坦福大学开发的医疗诊断专家系统，专注于识别细菌感染并推荐抗生素治疗方案。它可以解释自己的推理过程和提供建议的理由，其诊断准确率甚至超过了实习医生。DENDRAL（Dendritic Algorithm）则是早期的质谱分析专家系统，能够根据质谱数据和核磁共振数据推断未知有机化合物的分子结构。这些系统的成功极大地提振了人工智能领域的信心，也证明了显式知识库的巨大潜力。
2.2.1.2 知识工程方法论
随着专家系统的推广，知识工程逐渐成为一门独立学科。知识工程关注如何从人类专家那里获取、表示、验证和维护知识。它发展出一套成熟的方法论：知识获取、知识表示、推理机设计、解释设施开发等。其中，知识获取被认为是最大的瓶颈，一个系统80%以上的开发时间都花在与专家沟通、抽取和形式化知识上。
2.2.2 框架理论与语义网络
为解决知识表示的复杂性和常识知识问题，马文·明斯基于1975年提出“框架理论”。框架是一种结构化的数据结构，它将关于一个典型概念（如“房子”）的所有相关信息（属性、默认值、与其他概念的关系，甚至操作或程序）封装在一个数据包中。语义网络（由奎廉于1968年提出）则是一种基于图的表示，节点代表概念，带标签的边代表它们之间的关系（如“是...的一种”、“...的部件”、“...位于...”）。这些理论丰富了符号主义的表示能力，使其能够处理更复杂的知识结构。
2.3 衰退与转型（1990s至今）
进入20世纪90年代，符号主义逐渐暴露出其固有的局限性，尤其是与感知和学习相关的任务难以突破，导致其热度下降。
2.3.1 符号主义面临的批评
符号主义遭受的主要批评包括：知识获取瓶颈（专家知识难以形式化、费时费力）；脆弱性（一旦推理规则稍有不足或超出其知识边界，系统就完全失败）；常识知识难题（缺乏人类普遍的、模糊的、难以言传的常识）；以及符号接地问题（词语的意义与感知世界脱节）。这些缺陷使符号主义在应对动态、模糊、大规模的现实世界时显得力不从心，而连接主义和统计学习技术则在这些方面展现出优势。
2.3.2 与统计学习方法的融合尝试
认识到单独依靠符号逻辑不足以解决所有问题，学者们开始探索符号主义与统计学习方法的融合。例如，基于马尔可夫逻辑网的统计关系学习、概率图模型用于不确定性推理、以及将逻辑规则作为约束添加到神经网络损失函数中等。这些尝试为“神经符号系统”的兴起奠定了基础，体现了符号主义在现代化浪潮中寻求变革与重生的努力。
3 核心理论与方法
3.1 知识表示
符号主义的核心是如何有效地表示知识。
3.1.1 产生式规则
产生式规则是最简单的知识表示形式之一，它采用“如果...那么...”的形式，即“如果（条件）则（动作/结论）”。例如：“如果 动物是哺乳动物而且有腿 则 它是狮子”。规则库由大量这样的规则组成，推理机通过模式匹配（寻找条件为真的规则）并执行动作进行推理。产生式系统易于理解、修改和进化，在许多专家系统中得到广泛应用。
3.1.2 语义网络与框架
语义网络通过有向图表示知识：节点代表概念或对象（如“狗”、“猫”、“哺乳动物”），有向边代表它们之间的关系（如“是-一种”、“拥有”、“发出-声音”）。推理可通过沿边进行“继承”（dog is-a mammal，所以狗也拥有哺乳动物的属性）来实现。框架则将关于一个典型对象的信息打包成一个“槽”（slot），每个槽可以填充属性值、默认值或过程。框架允许表示对象的类别、层次结构和默认推理。
3.1.3 描述逻辑与本体
描述逻辑（Description Logic, DL）是一类用于知识表示的形式化语言，它是一阶逻辑的一个可判定子集。描述逻辑的核心是定义概念、角色（关系）和个体，并通过构建子（如“∩”、“∪”、“∃”）构建复杂的类。本体现论（Ontology）是描述逻辑的现实应用，用于定义特定领域内共享的概念体系、关系和约束，从而实现知识的结构化共享和重用。
3.1.3.1 OWL与知识图谱
OWL（Web Ontology Language）是基于描述逻辑的标准网络本体语言，被W3C推荐用于构建语义网上的可共享知识。知识图谱（如Google的知识图谱或DBpedia）就是基于图的知识库，将实体（节点）与关系（边）进行大规模关联，其底层的逻辑基础就是描述逻辑。知识图谱的出现使符号主义从狭义的逻辑推理走向了大规模网络化知识的管理与应用。
3.2 推理机制
推理是从已有知识推导出新知识的逻辑过程。
3.2.1 归结原理与定理证明
归结原理（Resolution Principle，由J. A. Robinson于1965年提出）是自动定理证明的核心推理规则。它将一个待证明的公式转化为取范式，然后寻找互补的文字对（如P和¬P）并将其消去，直到推导出空子句（代表矛盾），从而证明原公式在给定公理中成立。归结提供了一个完备的证明过程，是许多早期规划系统和定理证明器的基础。
3.2.2 前向链与后向链
前向链（Forward Chaining）从已知事实出发，不断匹配产生式规则的条件，若条件满足则执行动作（添加新事实或执行操作），直到推导出目标状态。后向链（Backward Chaining）则从目标出发，反向寻找能推导出目标的规则，并检查这些规则的条件是否被已知事实满足。前向链适用于监控和实时系统，后向链适用于目标驱动的诊断和咨询系统（如MYCIN）。
3.2.3 非单调推理与默认推理
经典逻辑是单调的（新知识不会否定旧结论）。但在现实世界中，推理往往是缺省的，即在不确定情况下基于常识作出假设，当获得反面证据时，需撤回之前的结论。非单调推理正是为处理这种情况而设计的，其典型代表是缺省逻辑。例如，默认规则“鸟类会飞”，但当知道“这只鸟是企鹅（一种不会飞的鸟）”时，原结论“它会飞”就会被废止。
3.3 搜索策略
在解决问题时，符号主义通常也涉及到搜索——在可能的状态空间中寻找一条从初始状态到目标状态的路径。
3.3.1 盲目搜索与启发式搜索
盲目搜索（如广度优先搜索、深度优先搜索）在搜索空间中没有方向性，系统地展开所有可能的路径，适用于小规模问题。启发式搜索（如A*算法）利用启发函数（Heuristic Function）评估当前状态与目标的距离，优先探索最有潜力的路径，极大地提升了效率。启发式搜索是符号主义在游戏博弈（如国际象棋）中的核心。
3.3.2 与或图搜索
与或图（AND-OR Graph）是一种用于表示问题分解的图形结构。“与”节点表示解决一个问题需要同时解决其多个子问题，“或”节点表示有多个不同方案可供选择。与或图搜索算法（如AO*）通过递归地分解问题、评估代价、选择最小代价方案，最终找到全局解法。它是通用问题求解器（GPS）和早期规划系统（如STRIPS）的核心。
3.4 规划与问题求解
规划是自动生成一个动作序列，以达到期望的世界状态。
3.4.1 STRIPS与PDDL
STRIPS（Stanford Research Institute Problem Solver）是1971年由理查德·费恩斯等人开发的经典规划系统。它使用一种简洁的表示法来描述动作：每个动作包含前提列表（完成动作前必须为真的事实）和效果列表（动作执行后发生变化的真值事实）。PDDL（Planning Domain Definition Language）是1998年诞生的规划领域标准语言，它规范了规划问题的定义格式（包括领域描述和问题描述），极大地促进了规划算法的竞赛和交流。
3.4.2 部分可观测环境下的规划
经典的STRIPS假设完全可观测（知悉所有状态信息）。但在现实中，智能体通常只能感知部分世界状态（部分可观测）。处理这种情境的规划称为“部分可观测马尔可夫决策过程（POMDP）规划”。在符号主义框架下，这类规划常通过“信念状态”（Belief State）来表示对世界状态的概率分布，并基于信念状态进行搜索和规划。蒙特卡洛树搜索、决策论规划等技术被用于解决此类问题。
4 应用领域
4.1 专家系统
专家系统是符号主义最成熟的应用。
4.1.1 医疗诊断系统
MYCIN是典型代表。它通过询问症状、检查结果，并运用规则库推断出导致感染的病菌类型及推荐抗生素。另一个例子是Internist-I/QMR，用于复杂的内科诊断。这些系统能解释其推理路线，提供“为什么”、“如何”等解释，增强医生对其结论的信任。
4.1.2 故障诊断与配置
在工程领域，专家系统被广泛应用于设备故障诊断（如汽车发动机诊断、打印机故障排除）和产品配置（如VAX计算机配置专家系统XCON，用于自动选择并组合计算机组件）。XCON每年为DEC公司节省数千万美元，是历史上最著名的工业AI系统之一。
4.2 自然语言处理
早期自然语言处理很大程度上基于规则和符号。
4.2.1 基于规则的分词与句法分析
在中文等无空格分隔的语言中，初始的自动分词任务完全靠手工构建词典和规则（如最大匹配、回溯）。句法分析则依赖短语结构语法（如上下文无关语法）或依存语法定义的规则集，构建句子的分析树。虽然没有现代深度学习的强大适应性，但基于规则的系统在特定领域（如医疗报告）的准确率非常高。
4.2.2 语义解释与逻辑形式转换
符号主义在理解自然语言语义方面尝试推导出有逻辑形式的表达。例如，句子“Every human loves a machine”会被解析为逻辑公式(∀x)(Human(x) → (∃y)(Machine(y) ∧ Loves(x,y)))。通过这种转换，系统可以执行基于逻辑的语义解释，如回答关于句子真值的复杂问题。
4.3 自动定理证明
4.3.1 数学定理证明器
自动定理证明（Automated Theorem Proving, ATP）使用符号推理程序证明数学定理。早期的“逻辑理论家”就是范例。现代系统如Vampire、Eprover、Coq等，能够处理复杂的非平凡数学证明，甚至帮助发现新定理。它们在形式化数学、验证工业系统安全属性中具有应用。
4.3.2 程序验证
符号主义与程序验证紧密相连。通过将程序代码及其规约（如功能、安全性）形式化为逻辑断言，使用演绎验证（如Hoare逻辑、弱化前提条件计算）可以自动证明程序是否完全符合规约。这在航空航天、金融系统等高安全性软件领域至关重要，例如确保没有空指针解引用或竞态条件。
4.4 游戏与博弈
4.4.1 国际象棋程序（如Deep Blue）
IBM的Deep Blue在1997年击败了世界冠军加里·卡斯帕罗夫，是符号主义在博弈领域的巅峰之作。Deep Blue使用巨大的搜索树（结合盲目搜索、启发式评估和剪枝技术）评估大量候选走法，其知识主要由专家手工编写的评估函数和开局库构成。
4.4.2 通用游戏编程
通用游戏编程（General Game Playing, GGP）的目标是创建一个能玩任何给定形式化规则的游戏的智能体。GGP智能体接收游戏规则（通常用Lisp-like语言表示），不依赖领域特定知识，而是通过符号推理（如游戏状态空间搜索、博弈理论推理和学习规划）自动学习并玩好任意未知游戏。
5 主要局限与批评
5.1 常识知识瓶颈
符号系统依赖完整、精确的显式知识库，但人类常识（如“水是湿的”、“鸟通常会飞”）极其庞大、碎片化且常含有默认值和例外。构建一个覆盖所有常识的知识库几乎不可能（如Cyc项目花费数十年仍未完成）。任何未编码的常识常识缺失都会导致系统在边界情况崩溃。
5.2 符号接地问题
符号接地问题（Symbol Grounding Problem）由斯蒂芬·哈纳德于1990年提出。核心质疑在于符号（如“苹果”）的意义仅来自与其他符号的关系（如“水果”、“红色”），但机器从未真正感知过苹果（它的颜色、味道、触感）。因此，符号操作是“无意义的语法游戏”，缺乏真正的理解。没有感知经验的支撑，语义只是空洞的循环。
5.3 计算复杂度与组合爆炸
在面对现实规模的问题时，符号推理往往面临指数级搜索空间（组合爆炸）。即使使用启发式，在非独立或高度复杂的领域（如大规模常识推理、实时控制）中，推理时间常不可接受。穷举搜索在多数现实应用中不切实际。
5.4 对不确定性处理的先天不足
经典一阶逻辑是二值的（真/假），无法处理不确定、不完全的信息。例如，“如果天空灰暗，可能下雨”，逻辑无法直接表示这种概率性。虽然开发了概率逻辑（如贝叶斯逻辑）来处理不确定性，但其计算复杂性和与纯符号方法的整合存在固有困难。
6 现代发展
6.1 神经符号系统
为克服上述局限，神经符号系统（Neuro-Symbolic AI）成为近年来的新兴方向，试图结合神经网络的感知/学习能力与符号系统的推理/解释能力。
6.1.1 将逻辑嵌入神经网络
一个常见思路是将逻辑规则转化为神经网络中的损失函数或约束，使网络在训练时不仅要拟合数据，还要符合逻辑一致性。例如，逻辑正则化器可以在训练分类网络时惩罚违反已知逻辑规则的输出。另一种方式是将符号推理步骤展开成可微的神经网络架构，从而实现端到端训练，如“神经定理证明器”或“逻辑张量网络”。
6.1.2 图神经网络与关系推理
图神经网络（GNN）天然适用于处理图结构数据，其节点和边可以对应符号系统中的概念和关系。GNN在此框架下进行关系推理：给定一个知识图谱或场景图，GNN通过信息传递和聚合进行归纳式推理，例如预测缺失的关系。符号主义（如描述逻辑）为GNN的推理提供可解释的框架，而GNN则可以学习到大规模分布中的潜在结构。
6.2 认知架构中的符号模块
在认知架构（如ACT-R、Soar、Sigma）中，符号模块是心智模型的核心组件。这些架构试图模拟人类认知的各个层面——感知、记忆、推理、学习——并将符号规则作为长期记忆存储的一部分。现代认知架构常融合符号和混合（符号+连接）组件，用于构建像人类一样学习和思考的通用人工智能体。
6.3 符号主义在可解释人工智能中的作用
随着深度学习“黑箱”特性引发信任危机，符号主义在可解释人工智能（XAI）中重新获得重视。符号规则、决策树、逻辑推理天然具有可解释性（规则可以被人类理解）。因此，许多XAI方法试图从深度学习模型中提取符号化的“解释模型”，或者构建混合系统（深度学习做感知和特征提取 + 符号系统做推理和解释），从而在复杂任务的输出同时提供清晰的决策理由。
7 代表人物与经典著作
7.1 艾伦·纽厄尔与赫伯特·西蒙
艾伦·纽厄尔（Allen Newell，1927-1992）和赫伯特·西蒙（Herbert Simon，1916-2001）是符号主义AI的奠基者。他们合作开发了逻辑理论家（1956）、通用问题求解器，提出了物理符号系统假说（1976），并探索了基于产生式规则的认知架构（Soar）。西蒙因对经济组织内的决策过程的研究获得1978年诺贝尔经济学奖；纽厄尔与西蒙共同获得1975年图灵奖。代表作包括纽厄尔的《统一认知理论》和西蒙的《人类问题解决》。
7.2 约翰·麦卡锡与Marvin Minsky
约翰·麦卡锡（John McCarthy，1927-2011）是“人工智能”一词的提出者（达特茅斯会议，1956），发明了Lisp语言，提出了逻辑AI的很多关键思想，如通过逻辑表示常识（“常识与AI”）。他与马文·明斯基（Marvin Minsky，1927-2016）在麻省理工学院共建了AI实验室。明斯基提出了框架理论，并对其符号主义信仰持批判态度，在《心智社会》中提出了智能体由许多微小符号进程组成的思想。麦卡锡和明斯基均获图灵奖。
7.3 爱德华·费根鲍姆与知识工程
爱德华·费根鲍姆（Edward Feigenbaum，1936-）是知识工程（Knowledge Engineering）和专家系统之父。他在斯坦福大学领导开发了DENDRAL（1965）和MYCIN（1970s），开创了“知识就是力量”的范式。他的研究成果展示了结构化显式知识对于智能系统的巨大价值。费根鲍姆与他人合著《知识工程：20世纪的新智慧》一书，并获得1994年图灵奖。
附录A 关键术语索引
| 术语 | 简要说明 | |
|---|---|---|
| 物理符号系统假说 | 智能系统所必须具备的符号处理特性 | |
| 产生式规则 | “IF-THEN”形式的规则，组成专家系统的核心 | |
| 归结原理 | 自动定理证明的核心推理规则 | |
| 语义网络 | 用图（节点与边）表示知识的结构 | |
| 框架 | 结构化的知识表示单元，含默认值 | |
| 本体 | 共享的概念体系，用于逻辑化知识描述 | |
| 描述逻辑 | 一阶逻辑的可判定子集，用于本体的推理 | |
| 前向链/后向链 | 产生式系统的两种推理方向 | |
| 非单调推理 | 允许撤回旧结论的推理形式 | |
| 神经符号系统 | 融合神经网络学习和符号推理的混合范式 | |
| 知识工程 | 获取、表示并维护专家知识的学科 |
附录B 主要符号逻辑系统一览
| 逻辑系统 | 特点 | 适用场景 | |
|---|---|---|---|
| 一阶谓词逻辑 (FOL) | 表达能力最强，但不可判定 | 数学定理证明、规划 | |
| 霍恩子句逻辑 (Horn Logic) | FOL的子集，可判定且支持高效归结 | 逻辑编程（Prolog）、专家系统 | |
| 描述逻辑 (DL) | 表达能力处于FOL与霍恩子句之间，可判定 | 本体、语义网 | |
| 缺省逻辑 (Default Logic) | 支持默认规则和非单调推理 | 常识推理、诊断 | |
| 模态逻辑 | 引入“必然”和“可能”等模态算子 | 知识推理、信念模型 | |
| 时序逻辑 | 在序时轴上推理 | 程序验证、硬件设计 | |
| 概率逻辑 | 将概率与逻辑规则结合 | 不确定性推理、统计关系学习 |