1 历史渊源
1.1 哲学基础
符号主义的哲学根源可追溯至西方理性主义传统。古希腊哲学家亚里士多德提出的形式逻辑，为符号操作提供了早期范式。17世纪，莱布尼茨设想一种“普遍语言”和“推理演算”，企图用符号计算解决一切争论。19世纪末，弗雷格和罗素等人发展出现代数理逻辑，将思维过程抽象为符号变换，直接启发了人工智能的符号主义路径。这些思想共同奠定了“智能即符号操作”的核心信念。
1.2 早期计算机与逻辑
1.2.1 图灵机与可计算性
1936年，艾伦·图灵提出图灵机模型，从数学上定义了“可计算性”。图灵机通过读写符号、改变状态来模拟任意计算过程，这一概念证明：任何可形式化的推理均可由机械步骤完成。图灵机不仅是计算机科学的基础，也为符号主义提供了“智能可算法化”的理论依据。
1.2.2 香农的信息论
1948年，克劳德·香农发表《通信的数学理论》，提出了信息熵、信道容量等概念。信息论将通信中的符号传输纳入数学框架，使“符号”成为可量化的物理量。这为人工智能中符号的编码、存储和处理提供了度量工具，间接支持了符号主义对符号操作的重视。
1.3 1956年达特茅斯会议
1956年夏天，约翰·麦卡锡、马文·明斯基、克劳德·香农、内森·罗切斯特等人在美国达特茅斯学院召开研讨会，正式提出了“人工智能”这一术语。会议的核心议题之一就是“如何让机器使用语言、形成抽象和概念、解决人类特有的问题”。会上展示的早期程序（如逻辑理论家）均为符号操作范例。该会议被公认为符号主义学派的正式诞生标志。
2 核心理论
2.1 物理符号系统假说
2.1.1 符号的定义与性质
物理符号系统假说由纽厄尔和西蒙于1976年明确提出。符号被定义为物理模式（如字母、数字、图形），可与其他模式形成结构（表达式）。符号具有指代性（代表外部事物）和可组合性（可构成复杂结构）。符号系统包含一组符号、一组操作规则（如复制、创建、删除、修改）以及一个解释器。
2.1.2 操作规则与问题求解
基于符号的操作规则，系统可以对知识进行搜索、匹配和变换。问题求解被抽象为在状态空间中搜索路径：初始状态、目标状态和操作算子均为符号表示。纽厄尔和西蒙开发的“通用问题求解器”（GPS）就是这一思想的典型实现。物理符号系统假说断言：任何表现出智能的系统，必然是一个物理符号系统。
2.2 知识表示方法
2.2.1 谓词逻辑
谓词逻辑（一阶逻辑）是符号主义最基础的知识表示形式。它使用谓词（如“是红色的(x)”）、量词（∀、∃）和联结词（∧、∨、¬）构造公式，表达事实与规则。例如，“所有人类都会死”可写作∀x(人(x)→会死(x))。谓词逻辑具有精确的语法和语义，便于进行机械推理。
2.2.2 产生式规则
产生式规则采用“IF条件THEN动作”的形式，适合表示因果或条件性知识。例如：“IF发烧AND咳嗽THEN疑似感冒”。产生式系统由规则库、工作记忆和推理引擎组成，广泛应用于专家系统。其优点在于模块化、易于理解和调试。
2.2.3 语义网络与框架
语义网络用节点（概念）和弧（关系）构成图结构，如“麻雀→是一种→鸟”。框架（Minsky提出）将事物属性组织为槽（slot）和填充值（filler），支持默认值、继承等特性。这两种方法更接近人类联想记忆，适合表示常识和分类知识。
2.3 推理机制
2.3.1 正向推理与反向推理
正向推理从已知事实出发，反复应用规则，直到推出目标或无法继续。反向推理则从目标假设出发，寻找支持该假设的事实，常用于诊断系统。专家系统通常结合两者，如MYCIN采用反向推理为主。
2.3.2 归结原理
归结原理（Resolution Principle）由罗宾逊于1965年提出，是自动定理证明的核心算法。它通过反证法：将待证命题的否定与已知公理结合，不断生成新子句，直到导出矛盾。该方法证明了一阶逻辑的完备性，为Prolog等逻辑编程语言奠定了基础。
3 主要应用领域
3.1 专家系统
3.1.1 医疗诊断（如MYCIN）
MYCIN（1970年代）是斯坦福大学开发的细菌感染诊断系统。它通过反向推理，询问医生症状，使用约600条产生式规则推断病原种类并推荐抗生素。MYCIN在测试中表现优于部分初级医生，成为符号主义成功应用的标志。
3.1.2 地质勘探（如PROSPECTOR）
PROSPECTOR由SRI International开发，用于矿产勘探。它采用语义网络表示地质知识，结合贝叶斯推理进行概率评估。1979年，PROSPECTOR成功预测了华盛顿州的一处钼矿矿床，展现了专家系统在商业领域的价值。
3.2 自然语言处理
3.2.1 句法分析
早期自然语言处理以符号主义为主，基于上下文无关文法（CFG）进行句法分析。系统将句子解析为树形结构（如短语结构树），利用规则匹配识别主语、谓语、宾语。典型工作包括Chomsky的形式语言理论和Woods的ATN（增强转移网络）。
3.2.2 机器翻译（早期范例）
1954年，乔治城的IBM实验演示了俄英机器翻译，采用词典和规则进行词对词转换。虽然质量有限，但确立了符号主义“用规则处理语言”的范式。后续的SYSTRAN系统在1980年代被用于欧盟委员会的翻译工作。
3.3 定理证明与游戏
3.3.1 逻辑程序（如Prolog）
Prolog（1972年）基于归结原理，用户只需声明事实和规则（如父、子关系），系统自动推理出答案。Prolog被广泛用于专家系统、自然语言处理和约束求解，是符号主义逻辑编程的代表。
3.3.2 国际象棋程序（如Deep Blue）
1997年，IBM的Deep Blue击败国际象棋世界冠军卡斯帕罗夫。它采用基于符号的博弈树搜索（α-β剪枝）结合评估函数，每秒评估数亿局面。这一成就被视为符号主义在博弈领域的巅峰，但同时也暴露了依赖手工特征设计的局限。
4 代表人物与贡献
4.1 艾伦·纽厄尔与赫伯特·西蒙
纽厄尔和西蒙是符号主义的奠基人。他们合作开发了逻辑理论家（1956年，首个AI程序）和通用问题求解器（GPS）。1975年共同获得图灵奖，1976年正式提出物理符号系统假说。西蒙还将符号主义思想推广到认知心理学，提出人类思维也是符号操作的过程。
4.2 约翰·麦卡锡
麦卡锡是达特茅斯会议发起人，Lisp语言的发明者（1958年）。Lisp基于符号表达式（S-表达式），成为AI研究的通用语言。他还提出了时间、信念等知识表示问题的“框架问题”，并发展了非单调逻辑。
4.3 马文·明斯基
明斯基在符号主义中贡献了框架理论，并参与达特茅斯会议。他领导MIT AI实验室，在计算机视觉、机器人学和神经网络（早期）均有建树。他的著作《心智社会》试图用符号化的“代理”解释整体智能。
5 批评与局限性
5.1 常识问题与框架问题
符号系统难以处理人类常识——大量隐含、模糊、多样化的背景知识。比如，在推理“将杯子从桌上拿起”时，系统需明确表示“杯子不会穿透桌子”“桌子不会倒下”等无数事实，即“框架问题”。手工列举所有常识几乎不可能，导致系统脆弱。
5.2 符号接地问题
符号接地问题由哈纳德（1990）提出：符号如何获得意义？如果符号只与其他符号关联，而不与真实世界感知相连，则系统无法理解符号的“内容”。例如，中文房间思想实验质疑符号操作本身能否产生意识或理解。
5.3 与连接主义的对比
5.3.1 数据处理方式差异
符号主义处理离散符号，依赖明确规则；连接主义（神经网络）使用连续权重，通过大量数据训练学习。符号主义擅长逻辑推理，但难以处理模式识别；连接主义擅长感知任务，但解释性差。两者形成互补。
5.3.2 鲁棒性与泛化能力
符号系统对噪音和部分错误敏感（规则一旦缺失则失败），且泛化依赖人工编写规则。连接主义系统对噪音有较好容忍度，但泛化有时不稳定，且需要海量数据。符号主义在窄领域精确度高，在开放环境灵活度不足。
6 现代发展与融合
6.1 符号-连接主义混合系统
1990年代以来，研究者尝试将符号推理与神经网络结合。例如，将知识图谱中的逻辑规则嵌入神经网络训练，或用神经网络生成符号候选再经规则筛选。典型如LSTMs与注意力机制用于结构化预测，以及图神经网络处理符号关系。
6.2 神经符号学习
神经符号学习是近年热点，旨在实现端到端的可微分逻辑推理。例如，“神经定理证明器”使用神经网络引导搜索路径；“逻辑神经网络”将符号规则转化为神经网络的附加损失项。这一方向试图兼收符号主义的可解释性与连接主义的学习能力。
6.3 在知识图谱中的应用
知识图谱（如Google Knowledge Graph、Wikidata）以符号形式存储实体和关系（三元组），依赖符号推理进行知识补全和错误检测。现代知识图谱结合嵌入模型（如TransE）实现符号到向量的转换，利用符号规则约束嵌入空间，提高了大规模图谱的推理效率和应用广度。