第一代人工智能
1.1 物理符号系统假设
人类的智能行为究竟是如何产生的？为了回答这个问题，纽威尔（Newell）、西蒙（Simon）等人提出了一个模拟人类大脑的符号模型——物理符号系统假设。该假设认为，一个物理符号系统应当包含以下要素：
(1) 一组任意的符号集，以及一组操作这些符号的规则集； (2) 这些操作是纯语法的，即只涉及符号的形式，不涉及语义，操作的内容包括符号的组合与重组； (3) 这些语法具有系统性的语义解释，即它们能够指向特定的对象并描述相应的事态。
1955 年，麦卡锡（McCarthy）和明斯基（Minsky）等学者在达特茅斯人工智能夏季研究项目的建议书中，明确提出了符号 AI 的基本思路："人类思维的很大一部分，是按照推理和猜想规则对’词’进行操作所组成的。" 基于这一思路，他们提出了基于知识与经验的推理模型。正因如此，符号 AI 又被称为知识驱动方法。
1.2 符号 AI 的发展历程
符号 AI 的开创者最初将注意力集中在研究推理的通用方法上，如"手段-目的分析""分而治之""试错法"等，试图通过这些通用方法来解决广泛的现实问题。然而，通用方法本质上是一种"弱方法"，实际上只能解决"玩具世界"中的简单问题——比如机器人摆放积木、下简单的井字棋等，与解决复杂的现实问题相去甚远。
寻求通用 AI 的早期努力最终遭遇了挫折，符号 AI 在 20 世纪 70 年代初跌入了第一个低谷。幸运的是，斯坦福大学教授费根堡姆（Feigenbaum）等人及时转变了思路。他们认为，知识——尤其是特定领域的专业知识——才是人类智能的真正基础，并由此提出了知识工程与专家系统等一系列"强 AI"方法，为符号 AI 重新带来了希望。
他们率先开发了专家系统 DENDRAL（有机化学结构分析系统，1965–1975），随后其他学者相继开发了 MYCIN（血液传染病诊断与抗生素处方系统，1971–1977）、XCON（计算机硬件组合系统）等。不过，早期的专家系统规模普遍较小，难以投入实际应用。直到 1997 年 5 月，IBM 的"深蓝"国际象棋程序击败世界冠军卡斯帕罗夫，符号 AI 才真正证明了自己在大规模复杂系统中的实力。费根堡姆和雷蒂（Reddy）作为设计与构造大型人工智能系统的先驱，共同获得了 1994 年的 ACM 图灵奖。
1.3 符号 AI 在机器学习中的应用
符号 AI 同样可以应用于机器学习领域——将"机器学习"视为一种基于知识的归纳推理过程。下面以**归纳逻辑编程（ILP）**为例，说明符号 AI 的学习机制。
在 ILP 中，正负样本（具体示例）、背景知识和学习结果（假设）均以一阶逻辑子句（即逻辑程序）的形式表示。学习的过程，就是在假设空间中寻找一个最优假设——这个假设应当尽可能多地覆盖正例，尽量不包含负例，同时与背景知识保持一致。
一般情况下，假设空间非常庞大，学习过程十分困难。但引入背景知识之后，就可以极大地缩小假设空间的范围，使学习变得可行。显然，背景知识越丰富，学习速度就越快，效果也越好。
为了解决不确定性问题，近年来研究者又发展出了概率归纳逻辑编程方法。基于知识的学习由于拥有背景知识的支撑，能够实现小样本学习，并且很容易推广到不同领域，学习的鲁棒性也较强。
以迁移学习为例，可以将从一个场景中学习到的模型迁移到另一个场景，实现跨领域和跨任务的推广。具体做法如下：首先，从训练环境中识别出哪些知识可以跨域或跨任务迁移，哪些仅针对单个域或单个任务；然后，利用通用知识来提升目标域或目标任务的性能。这些通用知识主要通过以下四种渠道迁移到目标域：
- 源域中可利用的实例
- 源域与目标域之间可共享的特征
- 源域模型中可复用的部分
- 源域中实体之间的特定规则
由此可见，知识在迁移学习中发挥着关键作用，这也是符号 AI 易于跨领域和跨任务推广的根本原因。
1.4 符号 AI 的成功要素
在为符号 AI 的创立做出重大贡献的学者中，除费根堡姆和雷蒂之外，明斯基、麦卡锡、纽威尔和西蒙也先后获得了图灵奖，共计六位。总体而言，第一代 AI 的成功归结于以下三个基本要素。
以"深蓝"程序为例：
第一，知识与经验。 "深蓝"从象棋大师对弈过的 70 万盘棋局以及大量 5–6 个棋子的残局中，总结出了下棋的规则。此外，在与象棋大师的对弈过程中，通过调试"评价函数"中的 6000 个参数，将大师的经验融入了程序之中。
第二，算法。 "深蓝"采用了 α-β 剪枝算法，有效地提高了搜索效率，避免了不必要的计算分支。
第三，算力。 为了满足实时对弈的要求，"深蓝"使用了 IBM RS/6000 SP2 超级计算机，算力达到 11.38 GFLOPS（每秒 113.8 亿次浮点运算），每秒可检查 2 亿步棋，或在 3 分钟内模拟 5000 万盘棋局。
1.5 符号 AI 的优势与局限性
符号 AI 有着坚实的认知心理学基础，它将符号系统作为人类高级心智活动的模型。其核心优势在于可组合性：由于符号具有可组合的特性，可以从简单的原子符号组合成复杂的符号串。每个符号都对应着特定的语义，客观上反映了语义对象的可组合性——正如由简单部件组合成整体一样。可组合性是推理的基础，因此符号 AI 与人类理性智能一样，具有良好的可解释性，其推理过程清晰易懂。
然而，符号 AI 也存在明显的局限性。目前已有的方法只能解决完全信息和结构化环境下的确定性问题，其中最具代表性的成果便是 IBM"深蓝"国际象棋程序——它仅在完全信息博弈中战胜了人类，而这恰恰是博弈问题中最简单的情况。相比之下，人类的认知行为（如决策等）都是在信息不完全、环境非结构化的条件下完成的，符号 AI 距离解决这类问题还有很长的路要走。
1.6 符号 AI 面临的挑战
符号 AI 当前面临着多方面的挑战：
知识表示问题。 以自然语言形式表示的人类知识，计算机难以直接处理，必须寻找计算机易于处理的表示形式。现有的知识表示方法（如产生式规则、逻辑程序等）虽然便于计算机进行推理等操作，但表达能力有限，难以刻画复杂和不确定的知识，推理也仅限于逻辑推理等确定性方法。更加复杂的知识表示与推理形式（如知识图谱、概率推理等）仍在探索之中。
数学基础薄弱。 符号 AI 缺乏坚实的数学基础，除数理逻辑之外，其他数学工具很难被引入，这也是符号 AI 难以在计算机上高效执行的重要原因。
通用性与专用性的矛盾。 基于知识驱动的"强 AI"只能就事论事地解决特定领域的问题。是否存在一种广泛适用的"弱方法"——即真正的通用 AI——至今仍是一个值得深入探讨的问题。
知识获取效率低下。 从原始数据（包括文本、图像、语音和视频）中获取知识，目前主要依赖人工完成，效率极低，亟需探索有效的自动获取方法。
常识问题。 真正的智能系统需要具备常识，但常识的获取、表达和推理至今仍是一个未解难题。常识的数量极其庞大，构造一个实用的常识库无异于一项 AI 领域的"曼哈顿工程"，费时费力。