什么是符号人工智能？
符号人工智能是一种人工智能，专注于在传统编程中使用逻辑规则处理符号。在人工智能研究的早期，工程师们专注于操作抽象符号来表示知识，这样软件就可以对其进行推理。但是，后来，神经网络、机器学习和深度学习的进步越来越突出并转移了重点。当今的人工智能研究将符号人工智能与神经网络相结合，以兼取两者之长。
符号人工智能和其他人工智能方法之间有什么区别？
符号人工智能（AI），也称为经典人工智能或老式优良人工智能，涉及操纵符号和逻辑推理来解决问题。相比之下，亚符号人工智能结合了机器学习和神经网络来模仿人类推理并分析不完整或模糊的数据。通常，我们可以通过以下特征区分符号人工智能和亚符号人工智能。
学习方法
符号人工智能使用人类可读的符号存储信息，工程师将规则和人类知识硬编码到其中。相反，亚符号人工智能使用数值分布来表示其学习的模式。需要对现有数据集进行训练才能学习和识别模式。
工作方式
符号人工智能系统根据预定义的规则对每个符号表示进行逻辑评估，以提供结果。例如，您可以创建具有符号推理的专家系统，根据身份标识、时间和其他规则授予用户进入建筑物的权限。
相比之下，亚符号人工智能将神经网络暴露在海量数据集中，进而学习和识别复杂的规则。神经网络不是应用固定规则，而是使用数值表示（例如参数权重）存储学到的知识。例如，科学家使用亚符号人工智能来创建计算机视觉应用程序，从各种图像中识别狗。
可解释性
符号人工智能更易于解释。符号人工智能系统做出的每一个决定都可以追溯到逻辑函数。另一方面，亚符号人工智能的可解释性较差。数据科学家在解释为什么神经网络由于其类似黑箱的机制而产生特定结果时，通常会遇到困难。
灵活性
符号人工智能工具仅适用于其开发时所针对的问题。然而，您可以通过使用新数据训练神经网络，将亚符号人工智能系统重新用于相关任务。
符号人工智能方法有哪些优势？
符号人工智能构成了人工智能研究中符号操作、推理和表示的基础。许多人工智能领域，如自然语言处理、工业自动化和机器人技术，都受益于经典人工智能的研发。例如，在自然语言理解中，符号人工智能允许计算机程序通过语义、词典和规则表示文本来分析文本。这为现代文本处理和生成式人工智能应用程序奠定了基础。
符号人工智能擅长解决受特定程序要求限制的问题。针对某些问题案例进行开发，更具成本效益，速度更快。例如，工程师使用经典人工智能操作符号，在触发设施中的传感器时发出警报。开发人员可以为各种应用程序创建符号人工智能工具，前提是他们能够完全定义围绕问题的规则和参数。
符号人工智能中使用了哪些方法？
数据科学家使用符号人工智能方法用计算机理解的符号来表示抽象概念。我们在下面举几个例子。
逻辑编程
逻辑编程是一种应用形式逻辑来解决问题的编程方法。系统可以用事实进行推理，并用预先编写的规则来支持结果。系统使用推理语句来推断问题，例如如果宠物 A 是猫，则宠物 A 是哺乳动物。
生产规则
生产规则规定了计算机如何从符号生成字符串并遵守正式语法。该规则用终端和非终端符号序列替换起始符号。该过程一直持续到生成的字符串仅包含终端符号为止。
语义推理
语义推理将概念联系起来，并将其与语义框架的关系可视化。语义框架为理解和处理信息提供了一种结构化的方法。人工智能系统可以通过互连的节点开发和应用类似人类的认知推理。
框架
框架是一种特殊的数据结构，用于存储人工智能处理中的信息和属性。它们类似于人类将想法组织成较小隔间的方式。框架允许以更结构化的方式表示知识，使人工智能系统能够更有效、更准确地分析数据。
符号人工智能有哪些限制？
符号人工智能在解决定义明确的问题方面具有多种用途，但在更广泛的问题范围内很难推广。
解决问题的能力有限
符号人工智能软件难以分析和解释模糊的数据。例如，它不适用于无法简单表示为真或假的数据。同样，符号人工智能解决方案无法在信息不完整的情况下运行。如果问题情况发生变化，工程师必须重写系统的规则。
难以适应
您无法训练符号人工智能工具适应新数据。由于符号人工智能是根据预先确定的规则工作的，因此需要进行修改，才能调整软件适应不断变化的需求。
难以扩展
为复杂使用案例扩展符号人工智能解决方案具有挑战性。工程师必须添加更多规则，这可能会影响现有规则的功能和准确性。
如何将符号人工智能系统与其他人工智能技术整合？
尽管存在局限性，但符号人工智能仍然是机器学习的重要组成部分。人们一直在努力创建受益于这两种方法的人工智能系统。
神经符号人工智能
神经符号人工智能将机器学习算法与符号系统相结合，创建具有持续学习和认知能力的计算模型。这个想法基于人类直观和明确思考的概念。
神经符号人工智能可以通过创建混合架构来克服命题固定问题。命题固定是指神经网络在处理需要逻辑语句或规则的任务时面临的挑战。神经网络擅长根据模式进行预测，但难以完成涉及理解和操作离散结构化信息的任务。
可解释的机器学习
符号人工智能可以帮助使机器学习模型更具可解释性。机器学习通过对观测者不透明的神经网络层处理信息。通过整合基于规则的推理，数据科学家可以轻松地将结果追溯到决策节点。
AWS 能提供哪些帮助？
AWS Bedrock 是一项完全托管的服务，为组织提供实施和扩展生成式人工智能应用程序的领先基础模型。您可以使用 AWS Bedrock 以负责任且安全的方式为特定使用案例自定义基础模型。借助 AWS Bedrock，组织可以克服符号人工智能难以解决的可扩展性和数据复杂性问题。
要支持正在进行的研究和开发机器学习工作，请使用 AWS SageMaker。工程师使用支持机器学习开发生命周期的工具，构建、训练和部署自定义机器学习模型。SageMaker 还提供预构建模板，可帮助您实现文本分类、图像分类和其他模型，以补充符号人工智能算法。
立即创建免费账户，扩大符号人工智能在 AWS 上的使用范围。
Browse all cloud computing concepts
Browse all cloud computing concepts content here:
Did you find what you were looking for today?
Let us know so we can improve the quality of the content on our pages