---
tags:
  - 符碼紮根問題
  - 框架問題
  - 形式邏輯
  - 達特茅斯會議
  - 邏輯理論家
  - 專家系統
  - 語意網
---
## 🏛️符號流AI🎏 {#sec-symbolic-ai}

典型努力對應 [中文房間](01-02-Chinese_Room.qmd) 的「理解」質疑、以可解釋規則回應 [對齊與控制](01-06-Alignment_Control_Problem.qmd)，並嘗試透過啟發式收斂 [框架問題](01-04-Frame_Problem.qmd) 的關聯性。完整展開見 [第參篇：符號流 AI](03----symbolic_ai.qmd)。

> 🏛️🎏 `符號流 AI` 相信，**學習的每一個面向或智慧的任何特徵，都能被精確描述並在機器上模擬**。基於**符號**、**演繹**、和**規則**，`符號流 AI` 主張先有知識，經專家整理並**顯式編碼**成機器可推理、可檢索的**知識表徵**。

🏛️🎏`符號流人工智慧`（Symbolic AI），又稱 `符碼 AI` ，常被當代開發者戲稱為「老派人工智慧」（Good Old-Fashioned AI，GOFAI），是人工智慧研究中最古老且最基礎的典型範式，以 **形式邏輯** 為起點，發展出基於**符號**、**演繹**、和**規則**的流派。

`符號流`的優勢在於其**透明度**、**邏輯一致性**、與**可解釋性**，這使得其推理過程易於理解和驗證然而，`符號流`也存在「**脆性**」（brittleness），在面對預定義規則的模糊或新穎情況時，或現實世界的複雜性與模糊性時，可能表現**不佳**。與之相對照的是數據驅動，並運用機率模型處理不確定性的 `統計流`。

## 🎏 流派脈絡及問題意識

`符號流人工智慧` 學派的成就與立場，可以從其歷史與哲學演變來觀察。

符號流 AI 能自信掌握**邏輯**與**推理**，但在應對**語意**及**情境**的挑戰時保持謙遜，特別是處理兩大核心 AI 問題意識時：

* 🔤⚓ [符碼紮根問題](01-03-Symbol_Grounding_Problem.qmd)（Symbol Grounding Problem）：
	* ⚖️ 符號流 AI 的「**語意**」是「可操作」但非「自足」，這反映出符號流 AI 的**邏輯自信**與**語意謙遜**：它能建構推理系統，但無法保證這些符號具備真正的「語意內涵」。
	* 🧠 哲學層面上難以保證解決（Not assuredly solvable）：純符號系統的語意是「寄生」於人類心智的，無法自我紮根。這牽涉到意向性（intentionality）與意識的問題。
	* 🚧 技術層面上設法應對（Tackable）：符號流 AI 透過形式邏輯與語意網等架構，嘗試讓符號具備語意，但這些語意往往仍依賴人類的詮釋，無法完全「內生」於系統中。
* 🖼️⏱️ [框架問題](01-04-Frame_Problem.qmd)（Frame Problem）
	* ⚖️ 符號流 AI 的「**相關性**」是「可形式化但難完全自動化」，這反映出符號流 AI 的**推理自信**與**情境謙遜**：它能在明確定義的邏輯框架內判斷哪些事物會改變、哪些保持不變，但無法在開放世界中自動篩選所有潛在的相關資訊。
	* 🧠 哲學層面上部分可解（Partially solvable）：哲學家如 Dennett 與 Shanahan 指出，框架問題揭示了「相關性判斷」與「語境理解」的深層挑戰，純符號邏輯難以捕捉人類在情境中快速過濾資訊的能力。
	* 🚧 技術層面上設法應對（Tackable）：符號流 AI 採用框架公理（frame axioms）、STRIPS、情境演算（situation calculus）等方法來減少需明示的變化描述，並透過啟發式規則或領域限制來縮小推理空間，但在複雜或動態環境中仍易脆弱或低效。

簡言之：
* 若意義可**符號化**，語意即「可操作」；
* 若相關性可**形式化**，推理空間即「可精簡」；
儘管這兩種主張都面臨符號紮根性與環境複雜性的挑戰。

## 📜 歷史發展節點

`符號流` AI 歷經從數學邏輯的抽象化到與現代技術融合的演變，至少有以下的重要里程碑：

* ⏳ **1910年代—數學分析的符號化**：「分析算術化」（arithmetization of analysis）受廣受數學家認可的，其符號可操作性（化為離散符號與公理系統）奠定邏輯推理的基礎。
* 🧠 **1950年代—達特茅斯會議與邏輯理論家的誕生**：
	* **1956 年的達特茅斯會議**被公認為人工智能的發源地，為符號 AI 奠定了基礎。會議提出基本假設：「**學習的每一個面向或智慧的任何其他特徵，都能被精確地描述，進而可以在機器上模擬它**」，這句話確立將智慧分解為可定義、可邏輯化的組件，並進行顯式表示和操作的**心智模型**。 
	* **Allen Newell** 和 **Herbert A. Simon** 開發了「邏輯理論家」(Logic Theorist)，成功自動推導出數學定理，證明了機器進行邏輯推理的可行性，標誌著符號 AI 的實踐開端。
* 🏛️ **1970s-1980s—專家系統的興起**：符號 AI 開始在工業界展現價值，MYCIN 和 DENDRAL將特定領域專家知識編碼為規則，並展現實際問題的解決能力。
* 🌐 **2000年代—語意網的願景**：**語意網**（Semantic Web）的提出，透過 RDF、OWL 等標準，期望構建一個更智能、可互聯的資訊世界，推動知識表徵與推理的發展。
* 🪢 **2020年代—神經符號 AI 的融合**： **神經符號 AI** 開始廣泛應用於**醫療診斷**、**法規遵循**等領域，企圖滿足**透明、可解釋**需求，特別是與**大型語言模型**整合，旨在實現**可追蹤**又**可稽核**的決策流程。

## 🏁 小結與展望：符號流

`符號流人工智慧`有以下啟發：

* 🤔 對**人類學習者**而言：
	- 學習人類社會中的知識生成、驗證、再應用的**社會與技術過程**
	- 掌握如何透過**邏輯、規則與顯式知識**來構建推理，並理解**專家知識**的結構與應用。
* 🤖 在 **AI 的世界**裡：
	- 提供 **可驗證** 且 **可組合** 的 **邏輯框架** 與 **推理過程機制**，讓機器依「**規則**」處理 。
* 🏙 在 **人類日常生活**裡：
	- 形成「**透過專家知識，演繹規則並進行推理**」 的**語意及情境假設**與**邏輯及推理信念**。

理解`符號流人工智慧`對 AI 的影響，就可以系統地掌握人類處理[AI 問題意識](01----problematics.qmd)的基本且經典範式，更是對區分[AI導向](05----ai_orientations.qmd)、盤點[資料分析與決策](06----analytics_decisions.qmd)、設計可行的[AI工程](10----ai_engineering.qmd)項目或產品所必需的基礎知識。　

*** 

## 🔱 接下來

瞭解基於**符號**、**演繹**、和**規則**的 `符號流人工智慧` 後，讀者可以繼續：

- 🚥對比 🎏🌀 [統計流](02-02-statistical_ai.qmd)人工智慧（Statistical AI）有以下核心差異：
	1. **因果推論**：🏛️⊨∴ [形式邏輯](03-01-formal_logic.qmd) 🆚  [機率性關聯](04-01-probabilistic_association.qmd) 🌀🎲🌿
		*  **符號流**：基於**演繹**推理，透過明確的規則追求絕對的「因果關係」。
		*  **統計流**：基於**歸納**推理，透過計算「機率性關聯」，不保證絕對因果。
	2. **對話聊天實現**：🏛️🤖💬 [自動對話系統](03-02-automatic_dialogue_systems.qmd) 🆚  [LLM聊天機器人](04-02-llm_chatbots.qmd)🌀🧞‍♀️🗪
		*  **符號流**：透過預設的腳本、邏輯規則與語法解析，構建**自動對話系統**。
		*  **統計流**：透過海量數據訓練的**大型語言模型**生成流暢**聊天機器人**。
	3. **代表性里程碑**：🏛️🎁🧠 [專家系統](03-03-expert_systems.qmd) 🆚 [神經網路](04-03-neural_networks.qmd)🌀🪢🧠
		*  **符號流**：代表應用為**專家系統**，以專家經驗與邏輯規則構築**可推理的知識庫**。
		*  **統計流**：代表模型為**神經網路**，從數據中自動學習並形成**高維關聯結構**。
	4. **過程工程實踐**：🏛️🛠️🏗️ [知識表徵](03-04-knowledge_representation.qmd) 🆚 [特徵工程](04-04-feature_engineering.qmd) 🌀🛠️🤏
		*  **符號流**：先有知識➡由專家整理與建構➡運用符號與規則，將知識**顯式編碼**成機器可推理、可檢索的**知識表徵**。
		*  **統計流**：先有數據➡由數據科學家或機器學習工程師分析與建模➡運用演算法與率數學模型，從（訓練、驗證、測試）數據**萃取與構造**可有用的**特徵集合**，以建立、調整與評估**模型**。
	5. **經典模組半成品**：🏛️🕸💡[知識圖譜](03-04-knowledge_representation.qmd) 🆚  [機器學習模型](04-05-machine_learning_models.qmd) 🌀🤖📦
		*  **符號流**：從專家知識**萃取概念與關係**，並以**顯式編碼**成**可推理、可檢索**的結構化「**知識圖譜**」。
		*  **統計流**：從數據中**歸納模式**，學習**隱含規則**，產出**可預測與分類**的「**機器學習模型**」。
	6. **網頁資訊科技**： 🏛️🌐🔗 [語意網](03-06-semantic_web.qmd) 🆚 [大語言模型網組合](04-06-llm_webassembly.qmd)🌀🌐🔗
		*  **符號流**：三元組與本體（RDF/OWL）構築可推理、可檢索的**顯式語義網路**。
		*  **統計流**：在瀏覽器中實現**本地推理**，並**即時生成**語言內容。
	7. **計算知識表徵疆域**：🏛️🌌🗺️ [本體論](03-07-ontology.qmd) 🆚 [向量空間](04-07-vector_space.qmd)🌀🌌▦
		*  **符號流**：透過「**本體論**」(Ontology) 構築**離散且可解釋的**知識版圖。
		*  **統計流**：利用「**向量空間**」(Vector Space) 捕捉**語義關聯**，學習**隱含**知識地圖。