跳去內容

符號人工智能

出自維基百科，自由嘅百科全書
(由老派 AI跳轉過嚟)

符號人工智能fu4 hou2 jan4 gung1 zi3 nang4（英文：symbolic AI），又有叫老派人工智能lou5 paai1 jan4 gung1 zi3 nang4（英文：good old-fashioned AI，GOFAI）[1]，係最早期（同埋俾好多人認為係最易明）嘅 AI 運算方法。

基礎

[編輯]
内文：人工智能
睇埋：邏輯學同第二型過程

喺 1950 年代 AI 領域啱啱起步嗰陣，啲科學家好多都認為人類智能只不過係對邏輯符號嘅玩弄[2]，而符號 AI 做法就將所受嘅 input 值用一大柞邏輯符號計算，再按照呢啲計算俾個 output 值出嚟睇；舉例說明，如果家吓有個設計者想教部電腦幫手睇病（input 值係「有關病人嘅資訊」，而 output 值係「診斷」），噉就要教佢

  • 「if 一個普遍健康嘅大人發燒，then 佢有可能係感冒」、
  • 「if 一個普遍健康嘅大人發燒，then 佢都有可能係肺炎」

... 等嘅若干條法則[3]。

即係話符號 AI 嘅做法建基於三個諗頭[3]：

  • 表示一個智能系統嘅模型可以完全明文噉定義[註 1]；
  • 呢個模型當中嘅知識可以用邏輯符號表達；同埋
  • 認知過程（包括思考呀噉）可以描述為做喺呢啲符號身上嘅運算。

符號 AI 嘅做法可以話係比較原始，而且過咗冇幾耐啲 AI 研究者就發現有好多問題都係符號 AI 搞唔掂嘅[4][5]。

啟發法

[編輯]
内文：啟發法

廿世紀早期嘅學者好多都認為，人嘅認知功能可以用一啲相對簡單嘅啟發法（heuristics）嚟表達[3]：佢哋會將要解決嘅問題想像為一柞狀態（state），而解決問題嘅過程就係個 AI 嘗試由初始嗰個狀態變到佢目的狀態嘅過程，佢哋認為人類會用某啲相對簡單－但唔一定啱－嘅認知捷徑嚟判斷點樣由一個狀態移去下一個狀態，例如係好似「如果我將隻棋行得太出，佢通常會俾對手食咗」呢一啲直覺同無意識嘅假設，而呢啲簡單直接、通常啱用嘅規則就係所謂嘅啟發法。

採取呢個做法嘅研究者認為，要令 AI 做到好似人噉嘅智能，要做嘅就係用認知心理學領域嘅實驗搵出人思考嗰陣用啲乜嘢啟發法，並且開發出一啲模擬人腦用嗰啲啟發法嘅演算法，再用呢啲連串嘅演算法嚟模擬人所展示嘅智能。呢種做法一路去到 1980 年代中期都仲有好多人用[6]。

喺一盤國際象棋之中，行出去嘅棋（同企後排受嚴密保護嘅棋比起嚟）好多時會比較容易俾對手食。所以「如果我想保護隻棋，就要將佢擺喺後排」係一個簡單嘅啟發法。

基於邏輯

[編輯]
睇埋：邏輯編程

又有好多符號 AI 研究者主張，AI 唔使模擬人嘅認知功能所涉及嘅啟發法，而係應該用一啲實啱（相對於啟發法嘅「通常啱」）嘅邏輯法則嚟指定「乜嘢係正確答案」。例如係如果要教一部電腦點樣知道兩個人係咪彼此嘅兄弟姐妹，運用基於邏輯做法嘅 AI 研究者會教電腦以下呢條法則[3]：

siblings(X,Y) :− parent(Z,X) and parent(Z,Y)

呢條法則講嘅係，「如果有一個人 Z，佢係 X 嘅父母，又係 Y 嘅父母，噉 X 同 Y 就係兄弟姐妹嘅關係。」呢類思考嘅方式唔似人（好多時用直覺多過邏輯嘅）日常思路，但就係一條絕對正確同合邏輯嘅思路。相比之下，用認知模擬嘅 AI 研究者會研究吓一般人類用乜嘢（無意識、未必完全穩陣嘅）法則判斷兩個人係兄弟姐妹嘅機會率，再用演算法模擬呢啲法則[7][8]。

基於知識

[編輯]
睇埋：專家系統

由 1970 年代開始，電腦嘅記憶量開始愈嚟愈大，令到各門嘅 AI 專家都開始嘗試將「知識」嘅成份加落去 AI 應用嗰度。呢股「知識革命」引起咗專家系統（expert system）嘅發展[9]。

專家系統係第一種真係成功嘅 AI 軟件，一個專家系統會建基於一個知識基礎之上，並且運用一大柞「if... then...」嘅法則嚟做推理。例如係一個用嚟診斷病人嘅專家系統噉，佢內部會有一大堆有關唔同嘅病同啲病嘅症狀嘅資訊，而如果俾個病人佢睇嘅話，佢會用一大柞

  • 「如果個病人有咳，佢可能係...」
  • 「如果個病人有咳但係又唔係肺炎，噉佢又有可能係...」

等嘅法則嘗試搵出一個診斷。但要整一個專家系統就實要有個真嘅人類專家幫手，而吓吓都逐條逐條法則都明文講嗮俾個 AI 程式知會好嘥時間－專家往往都因為有人需要佢哋嘅服務而好唔得閒，好難請佢哋幫手整專家系統[10][11]。

問題

[編輯]
睇埋：複雜度

符號 AI 最大問題係，呢種做法要求

「
設計者將個 AI 做判斷要用嘅法則冚唪唥都明文噉講嗮俾部電腦知。
 」

但由 1980 年代開始，AI 學界開始留意到，呢種做法喺好多情況之下根本行唔通[1]：首先，噉嘅 AI 學起嘢上嚟好撈絞－如果個設計者想教一條新法則俾個程式聽，佢就要人手噉由（閒閒地成幾萬行長嘅）源碼當中搵嗮所有同條新法則衝突嘅法則出嚟，再攞走呢啲舊法則，非常嘥時間[12]；而且符號 AI 根本唔能夠模擬到自然智能－認知心理學等領域嘅研究清楚噉表明咗，人類智能好多時都會依賴直覺等無意識、難以明文噉講出嚟嘅法則（第一型過程）。所以廿一世紀初嘅 AI 好少可會真係齋靠用符號性嘅方法，而好多時啲新嘅 AI 做起運算上嚟都起碼會用啲混合型方法－即係結合符號同非符號嘅 AI 做法[13][14]。

睇埋

[編輯]

註釋

[編輯]
  1. ↑ 即係忽略咗內隱知識。

攷

[編輯]
  1. ↑ 1.0 1.1 Understanding the difference between Symbolic AI & Non Symbolic AI. 互聯網檔案館嘅歸檔，歸檔日期2018年12月5號，.. Analytics India.
  2. ↑ Haugeland, John (1985), Artificial Intelligence: The Very Idea, Cambridge, Mass: MIT Press.
  3. ↑ 3.0 3.1 3.2 3.3 Flasiński, M. (2016). Symbolic Artificial Intelligence. In Introduction to Artificial Intelligence (pp. 15-22). Springer, Cham.
  4. ↑ Haugeland 1985, pp. 112-117.
  5. ↑ The most dramatic case of sub-symbolic AI being pushed into the background was the devastating critique of perceptrons by Marvin Minsky and Seymour Papert in 1969. See History of AI, AI winter, or Frank Rosenblatt.
  6. ↑ What are heuristics? 互聯網檔案館嘅歸檔，歸檔日期2019年8月20號，.. Conceptually.
  7. ↑ McCarthy and AI research at SAIL and SRI International:
    • McCorduck 2004, pp. 251-259.
    • Crevier 1993.
  8. ↑ AI research at Edinburgh and in France, birth of Prolog:
    • Crevier 1993, pp. 193-196.
    • Howe 1994.
  9. ↑ Knowledge revolution:
    • McCorduck 2004, pp. 266-276, 298-300, 314, 421.
    • Russell & Norvig 2003, pp. 22-23.
  10. ↑ Giarratano, J. C., & Riley, G. (1989). Expert systems: principles and programming. Brooks/Cole Publishing Co..
  11. ↑ Kendal, S.L.; Creen, M. (2007), An introduction to knowledge engineering, London: Springer.
  12. ↑ Domingos 2015, chapter 6.
  13. ↑ Revival of connectionism:
    • Crevier 1993, pp. 214–215.
    • Russell & Norvig 2003, p. 25.
  14. ↑ Computational intelligence
    • IEEE Computational Intelligence Society Archived 9 May 2008 at the Wayback Machine.
由「https://zh-yue.wikipedia.org/w/index.php?title=符號人工智能&oldid=1939256」收