1 定义与核心思想
1.1 物理符号系统假说
物理符号系统假说（Physical Symbol System Hypothesis）由艾伦·纽厄尔和赫伯特·西蒙于1976年正式提出，是符号主义最核心的理论基石。该假说认为，任何能够处理物理符号的系统——无论由碳基物质还是硅基物质构成——只要具备对符号进行建立、复制、修改、删除等操作的能力，就必然能够表现出智能行为。反过来说，任何具有智能的系统（包括人类大脑）本质上都是一个物理符号系统。该假说将智能还原为符号的操纵过程，为人工智能的可行性提供了理论论证。
1.2 符号的离散性与可组合性
符号主义所处理的“符号”具有两个关键特性：离散性和可组合性。离散性指符号是彼此区分、边界明确的原子单位，例如自然语言中的词语、数学中的数字或逻辑中的谓词。可组合性则指符号可以按照特定规则（如语法）组合成复杂的结构，比如“猫”和“垫子”可组合为“猫在垫子上”。这种特性使符号系统能够通过有限的符号集合生成无限多样的表示，恰如自然语言中有限的词汇生成无限的句子。符号的离散性确保了计算的可行性，而可组合性则保证了表示能力的分层扩展。
1.3 规则驱动的推理机制
符号主义的推理过程基于显式的、可编程的规则。典型的形式是“如果-那么”（IF-THEN）产生式规则，例如“如果患者发烧且喉咙痛，那么诊断为咽炎”。规则本身也以符号形式存在，系统通过遍历、匹配和执行这些规则，从已有知识推导出新知识。这种机制具备明确的因果链条，每一步推理都可以回溯和解释，因此符号系统天然具有可解释性——这是符号主义区别于连接主义（黑箱模型）的重要特征。推理的正确性依赖于规则的正确性和符号表示的精确性。
2 历史发展
2.1 萌芽期（1950s-1960s）
2.1.1 图灵测试与符号计算
1950年，艾伦·图灵在其经典论文《计算机器与智能》中提出“图灵测试”，首次将智能与符号操作联系起来。图灵认为，如果一台机器能够通过文字对话使人类无法区分其与人类的差异，则该机器可被视为具备智能。虽然图灵并未使用“符号主义”这一术语，但他提出的“数字计算机可以操纵符号”的思想，为符号主义奠定了哲学基础。同时期，早期的符号处理软件如模式识别程序和简单的对话系统开始出现。
2.1.2 纽厄尔与西蒙的“逻辑理论机”
1956年，艾伦·纽厄尔、赫伯特·西蒙和J.C.肖合作开发了“逻辑理论机”（Logic Theorist），通常被认为是第一个人工智能程序。该程序能够证明《数学原理》中的逻辑定理，其运作方式完全基于符号推演：将定理表示为符号公式，通过搜索和匹配推理规则来寻找证明路径。逻辑理论机的成功被西蒙形容为“机器第一次解决了人类思维问题”。随后，1958年他们又开发了“通用问题求解器”（General Problem Solver），试图将符号推理泛化到更广泛的领域，标志着符号主义范式的正式确立。
2.2 黄金期（1970s-1980s）
2.2.1 专家系统的兴起
20世纪70至80年代，符号主义迎来了实用化的黄金时代，代表成果是专家系统的兴起。1972年开发的MYCIN系统用于诊断血液感染疾病，DENDRAL系统用于化学结构分析，这些系统将某一领域内专家的知识以符号规则的形式编码，通过推理引擎模仿专家的决策过程。商业界涌现出大量基于规则的系统，如R1/XCON用于计算机配置。专家系统的成功证明了符号主义在受限制的知识领域内可以产生实际价值，也催生了独立的“知识工程”学科。
2.2.2 知识表示方法（谓词逻辑、语义网络）
为了容载更复杂的知识，符号主义研究者开发了多种知识表示框架：一阶谓词逻辑提供了严谨的逻辑基础，能表达关系与数量约束；语义网络（如Quillian于1968年提出）以图结构表示概念之间的层次关系和属性继承；框架（Minsky，1975年）则引入了“默认值”和“槽位”的概念，用于描述原型化的知识结构。这些方法各有侧重，但共同特征是知识被显式地分解为符号及其关联，供推理过程调用。
2.3 挑战与转型（1990s至今）
2.3.1 符号主义的局限：常识问题与符号接地
进入90年代，符号主义暴露了难以逾越的瓶颈。最显著的是“常识知识问题”：尽管专家系统能够在狭窄领域掌握高深知识，却无法理解“水会流”、“杯子里有水才能倒出来”这类人类习以为常的常识。符号规则需要被显式地一条条编写，而世界知识是无限且变幻莫测的。此外，美国哲学家休伯特·德雷福斯早在70年代就批评符号主义忽略了具身性和情境性。更为尖锐的批评来自符号接地问题（Stevan Harnad，1990年），质疑纯粹符号系统如何获得与物理世界对应的意义——如果所有符号只是互相定义，则系统只是“纸上谈兵”。
2.3.2 与连接主义、概率方法的融合
20世纪90年代后，符号主义开始放弃“纯符号”的立场，转向与连接主义（神经网络）及概率方法（贝叶斯网络、统计学习）融合。这种融合体现在混合架构中：例如符号推理层用于高层次的抽象规划，而连接主义层负责感知和模式识别。知识图谱（如Google知识图谱）则将符号化的实体关系与统计学习方法结合。近年来，神经符号学（Neural-Symbolic Computing）试图通过可微分逻辑等工具，弥合符号逻辑与深度学习的缝隙。符号主义不再被视为唯一路径，而是作为AI工具箱中的一种模式，与数据驱动的方法协同工作。
3 关键技术与方法
3.1 知识的符号表示
3.1.1 一阶谓词逻辑
一阶谓词逻辑（First-Order Predicate Logic）是最基础、最严谨的符号表示语言。它使用“谓词”（表示关系或属性，如“猫(x)”、“爱(x,y)”）、“函数”（映射对象，如“父亲(x)”）、“量词”（全称量词∀和存在量词∃）以及逻辑联结词（与、或、非、蕴含）构成公式。例如，“所有猫都爱鱼”可表示为∀x (猫(x) → 爱(x, 鱼))。一阶逻辑具有明确的语义和完备的推理系统（如归结原理），但它无法表达概率、模糊或默认信息。
3.1.2 产生式规则
产生式规则以“IF条件 THEN 动作/结论”的形式书写，是专家系统的核心表示手段。条件部分是一条或多条符号谓词组成的合取式，结论部分可以是新的事实或动作。规则的执行依赖“工作记忆”中已有的符号数据，系统通过“模式匹配”激活规则。典型系统如OPS5提供了完整的产生式语言。产生式规则的优点是模块化、易于理解和增量构建，缺点是当规则数量庞大时可能面临冲突解决和并发控制的问题。
3.1.3 框架与本体
框架（Frame）由Minsky提出，将某一类别实体相关的所有信息封装为一个结构化对象。一个“人”框架可能包含槽位：姓名、年龄、职业，以及继承自“生物”框架的默认值。本体（Ontology）则是更系统化的框架集合，定义领域内概念及其层级关系（如“猫”是“哺乳动物”的子类），并支持逻辑公理约束。本体用于知识共享和复用，典型代表如WordNet和Prolog中使用的术语层次。
3.2 推理机制
3.2.1 正向推理与反向推理
正向推理（Forward Chaining，数据驱动）从已知事实出发，反复应用产生式规则推导新的事实，直到达到目标或无可选规则。反向推理（Backward Chaining，目标驱动）则从目标（假设）开始，反向寻找能证明该目标的规则和子目标，适用于诊断和解释任务。前者适合监测、控制等实时场景，后者适合咨询、诊断等需要明确逻辑路径的场景。
3.2.2 归结原理与消解算法
归结原理（Resolution Principle）由John Alan Robinson于1965年提出，是证明逻辑公式是否矛盾（不可满足）的算法。它基于“如果P∨Q和¬P∨R同时成立，则Q∨R成立”的推理规则，反复进行合并消解，直至推导出空子句（矛盾）。自动定理证明器（如Prover9、E）即以此为基础。归结原理是符号主义中少数完备且有效的推理方法，但在实际应用中效率较低，需要借用各种剪枝和搜索策略。
3.3 搜索策略
3.3.1 深度优先与广度优先
符号系统在进行推理或问题求解时，经常需要搜索可能的状态或证明路径。深度优先搜索（DFS）从起始状态一直沿一条分支深入，直到达到终点或死胡同，再回溯；广度优先搜索（BFS）则逐层展开所有可能性。DFS内存开销小但在无限树中可能陷入无穷分支；BFS保证找到最短路径但状态爆炸明显。绝大多数符号系统结合两者优势，并加入剪枝规则（如只保留当前最优的若干节点）。
3.3.2 启发式搜索（A*算法）
A*算法由Peter Hart、Nils Nilsson和Bertram Raphael于1968年提出，是符号规划中最重要的搜索算法。它结合了到达当前节点的实际代价（g值）和到终点的估计代价（启发式函数h值），总估值f = g + h。通过优先扩展f最小的节点，A*能在保证最优解的前提下大幅缩小搜索范围。启发式函数的设计（如曼哈顿距离、欧几里得距离）直接影响效率，需要从领域知识中获取。A*算法被广泛用于路径规划、游戏AI和机器人运动规划。
4 典型应用领域
4.1 自动定理证明
自动定理证明（Automated Theorem Proving）是符号主义最早的应用之一。系统将数学定理写作逻辑公式，通过归结、重写或自然演绎等符号推理方法自动找到证明。经典案例包括1980年用定理证明器证明了《数学原理》中所有定理，以及1996年EO-1系统自动证明了几何学中的伽罗瓦理论相关引理。虽然纯符号方法在复杂数学问题上仍受限于搜索空间爆炸，但在硬件验证（芯片逻辑等价性检查）中发挥了重要作用。
4.2 专家系统与知识工程
专家系统是符号主义最广为人知的商业应用。典型系统如MYCIN（医疗诊断）、XCON（计算机配置）、TOPAZ（法律推理）等，均基于明确编码的知识库和推理引擎。知识工程包括知识获取（与领域专家访谈）、知识表示（选择合适框架）、测试与维护三阶段。符号主义在此领域面临的最大困境是“知识获取瓶颈”——将专家隐性知识转化为显式规则异常困难，但专家系统在专用、稳定、知识规模可控的领域仍具有不可替代性（如航空航天故障诊断）。
4.3 自然语言处理的符号方法
4.3.1 句法分析与语义解析
符号方法在自然语言处理中早期占据主导地位。句法分析基于上下文无关文法、依存文法或范畴文法，将句子解析为树状结构（短语结构树或依存关系）。语义解析则将句法结构映射为逻辑形式，使用语义角色标注、量词辖域解析等手段。例如，句子“每个学生都读了那本书”会被解析为逻辑公式∀x (学生(x) → 读(x, 那本书))。符号方法的长处在于处理长距离依赖和量化语义，但难以处理歧义和非规范语言。
4.3.2 逻辑形式的构建
逻辑形式（Logical Form）是将自然语言表达的命题转化为计算机可推理的一阶逻辑公式或其他形式化表示的过程。例如，面向数据库的自然语言查询系统将问题转换为SQL查询，而面向推理的系统则构建谓词-论元结构。构建过程涉及指代消解、时态解析和未完成信息的补全。符号方法在此领域需要大规模的手工编写语法和词典，维护成本高，但产生的逻辑表示可被后续推理过程直接利用。
4.4 博弈与规划（如深蓝、STRIPS）
博弈和规划是符号主义在复杂决策领域的典型范例。STRIPS规划器（1971年）使用符号表示的世界状态（如“机器人在房间A”、“盒子在房间B”）和操作符（如“移动(从A到B)”），通过符号空间中的搜索求解行动序列。在博弈方面，IBM的深蓝（Deep Blue，1997年）击败国际象棋世界冠军，其核心是符号化的局面评估函数和极大极小搜索（alpha-beta剪枝），虽然使用了硬件加速，但推理本质仍是符号式的。现代棋类AI（如AlphaZero）已转向神经方法，但符号规划方法在机器人任务规划和自动排程领域仍有广泛应用。
5 代表性人物与学派
5.1 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 A. Simon，1916-2001）是符号主义的双子星。二人共同提出物理符号系统假说，开发逻辑理论机和通用问题求解器，并推动“认知科学”交叉学科的形成。西蒙还因在经济学领域的有限理性理论获1978年诺贝尔经济学奖。他们的合作成果——《人类问题求解》（1972年）——使用符号系统模拟人类解题过程，是将认知心理学与符号人工智能融合的里程碑。纽厄尔晚年提出的“SOAR”认知架构，延续了纯符号主义对通用智能的追求。
5.2 约翰·麦卡锡与马文·明斯基
约翰·麦卡锡（John McCarthy，1927-2011）是人工智能一词的命名者（1956年达特茅斯会议），也是Lisp语言的创始人。他倡导基于逻辑的表示方法，提出了情境演算和人工智能逻辑，强调推理的正确性和完备性。马文·明斯基（Marvin Minsky，1927-2016）则更强调知识的多样性和表示与机制的结合。他提出框架理论，批判神经网络的局限性（《感知机》，1969年，与Seymour Papert合著），同时主张“人工智能应该由许多不同的小学科（Society of Mind）构成而非单一范式”。两人的工作奠定了符号主义的知识表示和推理方向，但也因对连接主义的排斥而备受争议。
5.3 诺姆·乔姆斯基（语言学中的符号主义影响）
诺姆·乔姆斯基（Noam Chomsky，1928年生）是当代语言学之父，但他的影响深刻渗入了符号主义。乔姆斯基提出生成语法（Transformational-Generative Grammar），认为人类语言能力由一套有限的符号规则生成无穷句子，与符号主义“有限符号生成无限组合”的思想高度一致。他的理论直接催生了计算语言学中基于规则的自然语言处理范式。虽然当代自然语言处理已转向统计和神经网络方法，但乔姆斯基强调人类语言可能依赖于先天的“普遍语法”这一观点，与符号主义的符号操纵本质高度契合。
6 批评与争议
6.1 符号接地问题（哈纳德）
美国认知科学家斯蒂文·哈纳德（Stevan Harnad，1945年生）于1990年提出符号接地问题（Symbol Grounding Problem）。他批判纯符号系统无法获得语义意义，因为所有符号只能由其他符号定义，形成“符号-符号”的闭环，却从未连接到外部世界的实物。哈纳德举例说，即便一个中文房间（John Searle的思想实验）中的人按照符号规则完美操纵中文词语，他仍然不知道这些词语的“意义”。符号接地问题动摇了符号主义作为认知模型的合法性，推动了将感知与符号结合的研究（如概念获取、具身认知）。
6.2 联结主义的挑战（鲁梅尔哈特、麦克莱兰）
大卫·鲁梅尔哈特（David Rumelhart，1942-2011）和詹姆斯·麦克莱兰（James McClelland，1948年生）是联结主义（parallel distributed processing）的领军人物。他们于1986年出版的《并行分布式处理》系统阐述了用神经网络模仿人类认知的方法。联结主义认为智能源于大量简单单元（神经元）的并行交互，而非显式的符号规则。例如，他们对“英语动词过去式”的研究表明，网络可以学习不规则形式而没有存储显式规则。这种“无规则”的智能观直接挑战了符号主义的根本假设，引发了20世纪80年代末至90年代初的“符号主义 vs 联结主义”大辩论。
6.3 常识推理与框架问题
常识推理（Common-Sense Reasoning）和框架问题（Frame Problem）是符号主义的内在困难。常识推理要求系统知道大量不言自明的知识（如“物体被释放会下落”），但无法全部显式编码。框架问题则突出表现为演绎推理中的琐碎化：如果受“拿起杯子”这个动作影响，系统必须显式“知道”房间的颜色、天空的云层等无数不受影响的事实仍然保持不变，否则就无法进行推理。丹尼尔·丹尼特（Daniel Dennett）将此归结为“如何不关注不相关的变化”——人类是直觉性的，而符号系统需要一条条规则规定。这一问题促使了“非单调逻辑”和“默认推理”的研究，但仍未根本解决。
7 现代发展
7.1 符号与神经网络的融合（神经符号学）
7.1.1 可微分逻辑与神经推理
神经符号学（Neural-Symbolic Computing）试图将符号逻辑的确定性与神经网络的灵活性结合。可微分逻辑（Differentiable Logic）是将逻辑规则近似为可微分的函数，使系统能够在梯度下降中学习规则参数——例如，将逻辑门（AND、OR）转化为可微的连续函数（如t-norm）。神经推理模块则通过注意力机制或图神经网络，在结构化的符号空间中执行推理。典型系统如DeepProbLog、可微逻辑网络（LNN）允许在符号约束下训练神经网络，实现可解释的预测。
7.1.2 知识图谱增强的深度学习
知识图谱（Knowledge Graphs）是符号知识的现代形式，将实体和关系表示为符号节点和边。现代AI系统常用知识图谱来增强深度学习模型的推理能力：如在问答系统中，将问题中的实体链接到知识图谱，通过图遍历获取关系路径，再馈送给语言编码器。典型应用如Google的搜索增强、IBM Watson的QA系统。这种融合使符号知识作为一种可解释的先验信息，弥补了神经网络对事实知识记忆不牢且难以更新的缺陷。
7.2 大语言模型中的符号成分（思维链、工具调用）
近年来，以大语言模型（LLM，如GPT-4、Claude）为代表的神经网络方法在自然语言处理中取得突破，但研究者发现显式加入“符号推理的痕迹”能显著提升模型性能。思维链提示（Chain-of-Thought Prompting）要求模型在回答前先生成中间步骤的符号化逻辑推理，仿佛在重新引入一种“伪符号系统”。工具调用（Tool Calling）则让模型在对话中主动调用外部符号推理器（如计算器、代码解释器、知识库查询）来“接管”符号推理的部分。例如，模型遇到数学题时调用一个可微分代数系统，而非纯依赖神经元权重。这标志着现代AI的一种妥协：神经感知+符号推理的“混合体”才是当前最实用的范式。
8 延伸阅读与参考文献
- Newell, A., & Simon, H. A. (1976). Computer science as empirical inquiry: Symbols and search. *Communications of the ACM*, 19(3), 113-126.
- Harnad, S. (1990). The symbol grounding problem. *Physica D: Nonlinear Phenomena*, 42(1-3), 335-346.
- Russell, S., & Norvig, P. (2020). *Artificial Intelligence: A Modern Approach* (4th ed.). Pearson.
- Minsky, M. (1975). A framework for representing knowledge. In P. Winston (Ed.), *The Psychology of Computer Vision*. McGraw-Hill.
- Rumelhart, D. E., McClelland, J. L., & the PDP Research Group. (1986). *Parallel Distributed Processing: Explorations in the Microstructure of Cognition* (Vols. 1-2). MIT Press.
- Bader, S., & Hitzler, P. (2022). Neural-symbolic learning and reasoning: A survey and interpretation. *Neurocomputing*, 503, 154-175.
- Wei, J., et al. (2022). Chain-of-thought prompting elicits reasoning in large language models. *Advances in Neural Information Processing Systems*, 35, 24824-24837.