2023 年 3 月 武陵学刊 Mar.

2023
第 48 卷第 2 期 Journal of Wuling Vol.48 No.2

符号主义人工智能的历史回顾及其哲学审视

陈明益，张友恒
（武汉理工大学 马克思主义学院，湖北 武汉 430070）

摘 要 ： 符 号 主 义 作 为 AI 研 究 的 最 初 范 式 ， 其 发 展 经 历 了 自 动 定 理 证 明 、 专 家 系 统 和 知 识 图 谱 三 个 主
要 阶 段 ， 对 现 代 AI 的 理 论 及 其 应 用 作 出 了 重 要 贡 献 。 作 为 AI 领 域 首 个 探 索 和 构 建 智 能 的 范 式 ， 它 涉 及 诸 多 哲
学 问 题 ， 这 引 起 了 AI 专 家 和 哲 学 家 的 共 同 兴 趣 ， 他 们 在 各 自 立 场 上 发 表 了 不 同 甚 至 是 相 反 的 观 点 。 符 号 主 义
在 现 代 AI 研 究 中 面 临 着 一 系 列 的 挑 战 ， 但 它 并 未 被 时 代 抛 弃 。 相 反 ， 随 着 人 工 神 经 网 络 的 发 展 ， 研 究 者 们 试 图
将 符 号 主 义 和 联 结 主 义 两 种 范 式 结 合 起 来 ， 以 期 解 决 AI 研 究 的 一 些 根 本 问 题 。 因 此 ， 重 新 审 视 符 号 主 义 的 哲
学 价 值 及 其 应 用 局 限 ， 对 于 把 握 AI 的 发 展 趋 势 和 未 来 方 向 具 有 重 要 意 义 。
关键词： 符 号 主 义 ；自 动 定 理 证 明 ；专 家 系 统 ；知 识 表 示 ； 人 工 智 能 哲 学
中图分类号：N02；TP182 文献标识码：A 文章编号：1674-9014（2023）02-0034-08
DOI:10.16514/j.cnki.cn43-1506/c.2023.02.005

人工智能最初源于一种哲学构想，而逻辑学
引 言
和数学则是推动这个构想实现的动力。公元前 4
自 AI 诞生起，哲学和 AI 就一直在相互影响： 世纪的亚里士多德是数据抽象化的先驱，他的形
哲学从 AI 的探索中发现新问题，AI 又在发 展 的 式逻辑建立了强有力的科学思维，成为科学研究
过程中不断地对这些问题做出回应；哲学有助于 的根基。
“ 他对物质和形式的区分是当今计算机科
阐明 AI 的目标和方向，AI 则为哲学思辨提 供 了 学中最重要的概念之一，数据抽象将方法（形式）
[1]
强大的工具 。时至今日，这两门学科的发展早已 与封装方法的外壳区别开来，或将概念的形式与
突破各自的边界，紧密交织在一起。哲学与 AI 的 其实际表示区分开来。”[2]2517 世纪的哲学家莱布
紧 密 结 合 ， 催 生 了 人 工 智 能 哲 学 （Philosophy of 尼茨（G.W.Leibniz）对现代数学、代数、算法甚至符
AI），这项成果目前已被许多高校和研究所认可， 号逻辑有巨大的影响，他认为人的推理过程可以
然而，在对人工智能哲学的探索中，不仅需要对哲 用符号来表示。莱布尼茨的工作启发了 19 世纪的
学和 AI 的相关理论进行考察，也需要从历史的视 数学家布尔（George Boole）。布尔在其《思维法则》
角对这门交叉学科的发展进程进行审视。 （Laws of Thought） 一书中给出了符号推理的一般

收稿日期：2022-10-12
基金项目：中央高校基本科研业务费专项资金资助“人工智能与伦理道德的深度互动研究”
（2021VI011）；武汉理工大学教学改革研
究项目“新文科理念下‘马克思主义基本原理概论’课程建设研究”
（w20210173）。
作者简介：陈明益，男，湖北蕲春人，武汉理工大学马克思主义学院副教授，博士，研究方向为科学哲学、分析哲学；
张友恒，男，湖北武汉人，武汉理工大学马克思主义学院硕士研究生，研究方向为科学哲学、科技史。

34
 2023 年第 2 期 陈明益 张友恒 符号主义人工智能的历史回顾及其哲学审视

方法：
“ 给定具有任意项的逻辑命题，用纯粹的符 成功推动了后来专家系统的开发（见图 1）。逻辑
[2]26
号处理这些前提，从而进行合理的逻辑推断。” 学家戴维斯（Martin Davis）在 1954 年编 写 了 第 一
计算机要显现出智能，必须能进行推理，所以“布 个 ATP 程序，并在其职业生涯中与哲学家普特南
尔代数”做出了很大的贡献。20 世纪计算机科学 合 作 ， 于 1960 年 做 出 了 广 为 人 知 的 D-P
家图灵（A. M. Turing）在哲学期刊上发表了一篇可 （Davis-Putnam） 算法及后来经过改进的 DPLL 算
以视为人工智能“扬帆起航”的里程碑的论文，
“它 法。但纽厄尔（Allen Newell）和司马贺（Herbert A.
阐述了对电子计算机编程使其智能化的可能性，包 Simon）于 1956 年所完成的“ 逻 辑 理 论 家 ”ATP 程
[3]56
括对具有里程碑意义的图灵测试的描述” 。在 序则获得了更多的关注，
“ 此程序被认为是 AI 历
1956 年达特茅斯会议中，会议主持人麦卡锡（John 史上最重要的原创工作之一，这个程序可以证明
McCarthy）提出了人工智能的概念，由此，这门赋予 罗素《数学原理》第一卷中命题逻辑部分的一个很
机器“智能”的科学正式走入公众的视野。 大子集”[4]31。随后，普拉维茨（Dag Prawitz）在 1957
年设计了一个程序语言来实现他的自然演绎算
一 、符 号 主 义 人 工 智 能 的 历 史 发 展
法 。 IBM 公 司 早 在 1956 年 就 招 募 格 兰 特（Paul
在如何赋予机器“智能”的方案上，符号主义研 Gelerner） 来实现几何定理证明器， 而 格 兰 特 在
究纲领在研究初期得到了业内大多数人员的认可。 1957 年求助于逻辑学家吉尔莫（Paul Gilmore）。随
从 20 世纪 50 年代一直到 90 年代，符号主义 AI 的 后 ， 吉 尔 莫 先 于 格 兰 特 实 现 了 语 义 表（Semantic
发 展 过 程 可 以 分 为 “ 自 动 定 理 证 明（Automatic Tableau）方法，其实现结果与普拉维茨异曲同工[4]33。
Theorem Proving, ATP）”与
“专家系统（Expert Systems, 格兰特随后在 1959 年给出了“几何机器”
（Geometry
ES）”
两个主要阶段。虽然 90 年代后符号主义“风光 Machine）程序，而同年来自中国的逻辑学家 王 浩
不再”
， 但 随 着 21 世 纪 初 知 识 图 谱（Knowledge 在 ATP 领域获得了更大的成就：在一台 IBM704
Graph）技术的落地，
基于符号主义方法的“知识表示 计算机上证明了《数学原理》的 150 条一阶逻辑和
（Knowledge Representation, KR）”
领域又获关注。 200 条命题逻辑定理。自动定理证明在随后的发
（一）自动定理证明（1950—1960 年） 展中为符号主义 AI 研究纲领提供了坚实可靠的
符号 AI 的思想源头和理论基础就是自动定 基础。此后，中国的吴文俊、美国的阿贡小组
理证明（ATP），它起源于逻辑，其初衷就是把逻辑 （Argonne） 等诸多学者和研究团体为 ATP 的发展
[4]28-29
演算自动化 。在达特茅斯会议发起之前，就已 作出了巨大贡献。在 1960 年后，符号主义 AI 应用
经有学者对 ATP 进行了研究，该研究初期工作的 彻底登上了历史舞台。

图1 自动定理证明早期发展时间轴

35
 武陵学刊 第 48 卷

（二）专家系统（1960—1990 年） 题 。 ”[5] 布 坎 南 指 导 的 一 个 博 士 生 肖 特 利 夫
符号主义范式能在研究初期取得巨大的成 （Edward Shortliife） 编 写 了 专 家 系 统 MYCIN。 与
功，并在 20 世纪 60—80 年代如日中天，这要归功 DENDRAL 一样用 LISP 语言编写的 MYCIN，用于
于专家系统（ES）的广泛应用。专家系统具有许多 帮助血液传染病人在开处方药时提供建议，但是
特性，如知识库与推理机的分离、知识与搜索技术 它 从 未 被 临 床 使 用 过 。 MYCIN 的 后 续 版 本
[2]30
的关系等，这使得它适合于 AI 的研究和开发 。 EMYCIN 由范梅勒（Van Melle）于 1981 年开发，并
DENDRAL 是历史上首个 ES 程序，它采用启发法 在市场上进行使用。纽厄尔认为 MYCIN 才是专家
来进行复杂科学的符号推理，其程序中包含大量 系统的鼻祖，因为 MYCIN 首创了作为专家系统要
有机化学领域的科学知识。这个程序的开发者费 素的产生式规则：不精准推理 [4]75。专家系统在 19
根鲍姆（E. A. Feigenbaum）是司马贺的学生，他的 世纪 80 年代后期度过了其黄金时代，
“ MYCIN 及
合作者则是遗传学家莱德伯格（Joshua Lederberg）， 其之后的数千个专家系统，证明了少量知识的力
“他们对于科学哲学的共同爱好促进二人漫长且有 量，能够在许多重要领域实现智能决策程序”[3]59。
效的合作”[4]71。二人后来又找到化学家杰拉西（Carl 随着 1988 年日本第五代计算机（FGCS）的计划流
Djerassi），并于 1965 年在斯坦福共同开启了这个跨 产 ①，现在市场上很少有专门开发专家系统的公司
学科的研究计划。他们希望 DENDRAL 作为化学 了，但 ES 仍然是 AI 研 究 的 一 个 重 要 部 分 ，并 与
家的“智能助手”能够像专家一样执行许多任务， 知识表示领域有着重要关联。
却无需在理论程度上达到专家的水平。哲学出身 （三）知识表示（1970 年至今）
的布坎南 （B. G. Buchanan） 也是 DENDRAL 的参 知识表示是由自然语言处理（NLP）与专家系
与者之一，他在与费根鲍姆合作的论文中写道： 统（ES）一同催生的 [4]76。正如人类执行智能活动需
“我们工作的早期动机，一个是用启发式搜索在复 要大量的知识一样，人工智能要显现出智能活动也
杂科学问题中进行推理，另一个则是利用人工智 需要知识，这就需要通过框架、逻辑、词向量、脚本、
能方法来更好地理解科学哲学中的一些基本问 语义网络等符号方法将知识结构化（见图 2）。知识

图2 知识表示发展时间轴

表示的数理逻辑基础主要有：人工智能之父明斯基 （Conceptual Graph）”：一种基于人工智能语义网络

（M. L. Minsky） 在 1974 年提出的框架理论（Frame 和皮尔士的逻辑思想的知识表示系统；威尔
Theory）：
“ 框架导致了面向客体的设计哲学，相关 （Rudolf Wille） 在 1981 年提出的“形式概念分析”
[4]80
程 序 的 设 计 语 言 都 受 此 影 响 ” ； 尚 客（Roger （FCA）：一种从对象及其属性的集合推导出概念层
Schank） 在 1975 年 提 出 的 “ 脚 本 理 论（Script 次结构或形式本体的原则方法。日本于 1981 年开
Theory）”：脚本以框架的形式来组织知识库；索瓦 启了第五代计算机（FGCS）计划，相应地，美国启动
（John F. Sowa） 在 1976 年 提 出 的 “ 概 念 图 了 Cyc 项目，试图打造一个“百科全书”
（即最早的

36
 2023 年第 2 期 陈明益 张友恒 符号主义人工智能的历史回顾及其哲学审视

知识图谱） 来抗衡。Cyc 项目的核心成员雷纳特 （一）图灵的启发

（Douglas Lenat） 和古哈 （R.V. Guha） 分别是布坎 图灵在其人工智能哲学开篇之作 《计算机与
南、麦卡锡和费根鲍姆的学生，
“ 在二人的领导下， 智能》 中写道：
“ 我们可能希望机器最终在所有的
Cyc 项目试图构建一个既不狭窄也不脆弱的 AI 系 纯智力领域与人类竞争。”[9]460 他的构想引领了其
统”[6]42。Cyc 团队试图容纳一切经验性知识，雷纳 后的 AI 研究，
“ 现实世界充满了各种逻辑符号，图
特曾预测 Cyc 需要 1 000 万个适当组织的信息项 灵机就可以看作符号主义的一种尝试”[10]。此项工
目，包括规则和事实 [6]42。而在 1985 年，由米勒（G. 作对于 AI 的奠基作用和贡献主要有：第一，提出
A. Miller）开展的 WordNet 项目则得到了更切实际 了“模仿游戏”并从功能方面阐述了电子计算机可
的应用，
“ 它打造了一个机器可读的、由词性和语 以获得思维的特性，
“ 在面对神学、数学、神经科
义联结起来的数据库”[7]，但它并不包含 Cyc 中所 学、计算机科学的反驳中，图灵以反证的方式论证
容 纳 的 规 则 。 伯 纳 斯·李 （Tim Berners-Lee）在 了机器思维的可能性”[9]443-454；第二，图灵提出的
2001 年 提 出 的 语 义 网（Semantic Web），是 依 靠 万 “学习机”对今日的机器学习具有启发作用，他的
维网（W3C）来使用又区别于 W3C 的一种基于网 “儿童机”可以让我们想到今日的“alpha zero”，他
络给予的机器可读的数据库 [8]。强调机器可读的数 在文中提到的“计算机智能行为的偶然偏离”[9]459
据库还有 METAWEB 公司推出的 Metaweb，它于 对于今日的训练和学习算法也仍具有参考价值；
2010 年被谷歌收购并被并入了 Freebase。谷歌于 第三，对智能系统的“未预测”行为作出 了 解 释 ：
2015 年 发 布 了 自 家 的 知 识 图 谱（Knowledge “智能行为可能与计算中完全自洽的行为有所不
Graph）， 后 又 于 2016 年 关 停 Freebase， 并 将 同，其有一个相当轻微的偏离，但不会导致随机行
Freebase 数 据 库 全 部 转 移 到 了 Wikidate 及 为或无意义的重复循环”[9]459；第四，指出了机器学
DBpedia、Yago 等融合数据库中。这些机器可读的 习过程中惩罚的作用：
“ 机器的构造必须使惩罚信
数据库转化的现实应用就是 IBM 公司的 Waston， 号发生前不久发生的事件不太可能被重复，而奖励
它是目前在商业化领域得到切实应用并取得了巨 信号则增加了导致惩罚信号发生的事件的重复概
大成功的顶级 AI。 率”[9]457，
“ 使用‘非情感的’沟通渠道进行惩罚和奖
励来教机器服从某些语言的命令，例如符号语言，
二 、关 于 符 号 主 义 人 工 智 能 的 哲 学 思 考
这将减少惩罚和奖励的数量”[9]459。图灵的构想也
在 1955 年美国计算机联合大会上，大会主 许只是在自己的领域开了一个“小玩笑”，但是他
持人“神经网 络 鼻 祖 ”皮 茨（Walter Pitts）总 结 道 ： 留下的问题，即“哪里是最好的研究开端？……下
“一派人企图模拟神经系统，一派人企图模拟心 棋还是硬件？”[9]460 却开启了 AI 时代的角逐。
智。”[4]2 这预示着 AI“结构—功能”两种路线的斗 （二）司马贺和纽厄尔的物理 - 符号世界观
争，而且它们都与逻辑学、分析哲学、心灵哲学等 在符号派创始人司马贺和纽厄尔的文章 《作
相关联。有趣的是，早期的 AI 专家们总是指责哲 为经验探究的计算机科学：符号和搜索》中，关于
学家们，对他们的工作“指指点 点 ”，但 实 际 上 他 符号主义 AI 的哲学思考被明确提及。首先，它指
们自身大多有哲学背景或喜欢在哲学期刊上发 明了符号 AI 纲领的研究性质：
“ 我们希望把计算
表论文。这样看来，他们并不否认在探索和实现 机科学说成是实证研究。”[11]114 这个定性说明的重
AI 的道路上会涉及许多哲学问题。因此，关于符 要性在于，它确定了符号 AI“智能”设计的根本思
号 AI 的哲学问题，首先要回到这些 AI 专家的工 路，以及对于 AI 科学探索的基本态度。AI 并非形
作中去寻找，其次则是从哲学家对符号 AI 的思 而上学的幻想，而是对已知的、人的智能的经验模
考中去寻找。 拟和逻辑推论，
“ 构建机器和程序是作为发现新现

37

象和分析已知现象的一种方式”[11]114。其次，它提
出了符号与智能的关系问题：
“没有‘智能原则’能
解释智能的基本表现，就像没有‘生命原则’来传达
生命的本质一样……智能的必备要求是存储和处
理符号的能力。”[11]115 什么是“智能”以及怎样实现
“智能”分别是 AI 科学的理论和实践命题，对此，符
号主义提出的假设是“物理符号系统能够进行智能
行为，智能行为也需要一个物理符号系统”
此，不难得出如下推论：
“ 人也是具有物理符号特
征的系统。”[11]119 最后，在智能的实现方案上，他们
“ 当符号系统处于混沌状态中时，它们是不
认为：
会表现出智能的”[11]126；
“ 符号系统是通过 使 用 启
[11]120
发式搜索的过程来解决问题的”
简单来说就是解决问题的有条理的方法，由目的
导向形成的“问题域”
（Problem Domain）不仅是对
人类有目的的智能活动的模仿，也为人工的智能
圈定了范围。以上学者用理性的观念阐明了 AI 展
现智能的必要条件。
（三）德雷福斯对符号方法的批判
哲学家德雷福斯（Hubert Dreyfus）代表着反对
符号 AI 的最强音，他的《炼金术与人工智能》这一
报告后来出版为《计算机不能做什么》一书。德雷
福斯是未受过计算机专业教育的“门外汉”，但其
工作却打通了哲学与 AI 的边界，并且在当今仍可
以看到诸多类似工作的成功，因此，他的影响不能
简单归结为社会性因素。德雷福斯对符号 AI 的
主要批判包括心理学假想、认识论假想和本体论
假想，
“ 他认为 这 三 个 假 想 不 是 经 验 的 而 是 哲 学
的”[12]166 。心理学假想批判的问题是：
“ 思维能否
像计算机一样工作，即使用心理学上的计算机模
型是否合理。”[12]172 这种理论认为人的思维是有层
次地进行的，而计算机只要从某个合适的层次进
入就能对人的思维进行模拟，这个层次被称为“信
[12]172
息加工层次” 。德雷福斯在书中指出：
“ 信息一
词在这个理论中是在一种特殊的含义上使用的，
[12]174
不能同一般含义和意义相混淆。”
算机可以用启发式的方法加工信息，也不能说计
算机就可以有心理活动，更不能说人脑的心理活
38
武陵学刊 第 48 卷
动是个程序。认识论假想批判的问题是：
“ 人工智
能专家认为所有非随意性的行为都可以按照某些
规则形式化，无论这些规则是什么，总可由计算机
用来复制这些非随意性规则。”[12]198 德雷福斯从物
理学的角度认为不存在行为的完全规律，并对神
经系统和物理化学规律作出了区分，进而“认为不
能把有意义的人的动作简单看作是人的机体的物
[11]118
。由 理运动”[12]202。他同样从语言学的角度得出了机器
按照形式化规则会产生随意性解释，即机器无法
明白语义的推论，这实际上还是在质疑符号会让
被形式化的客体失去本质。本体论假想批判的问
题是：智能行为原则上必须理解为确定的独立元
。启发式算法 素 [12]214。在这里，德雷福斯并不是把机器本身作为
本体来考察（虽然有这种倾向），他批判的是将智
能置于符号处理的过程中这一做法。在他看来，
“世界必须表达为本身是由初始元构成的一组有结构
的描述，这是所有 AI 研究工作的必要前提”[12]219-220。
这种对于符号本体最严厉的批评，就是对智能形
式化、模型化的批判。
三 、对 符 号 AI 的 重 新 审 视
从技术上看，现代 AI（人工神经网络，即联结
主义 AI）的发展得益于硬件上算力的提升，而符
号 AI 的核心问题即自动定理证明，即使硬件再丰
富也很难看到曙光。定理证明解决的是数理逻辑
问题，而数理逻辑问题的解决对于 AI 的意义在于
能使其对事物产生认知。认知就是符号处理，而符
号处理器和人类一样具有认知能力，这种思维一
直是哲学家们对 AI 的关注焦点 [13]200。通用人工智
能的一个实现途径是使用数理逻辑来形式化常
识，这样，常识问题就可以通过逻辑推理来解决 [14]。
专家系统是实现这个通用人工智能的必要一步，
知识表示则可以视为达成这个目标的手段。尽管
在理论上可以产生出全能的专家系统，但是在现
实中它需要巨大的数据库。专家系统认为人类专
因此即使计 家所作的决定是基于对不同条件的事实进行推
理，
“ 每个专家在他的头脑中已经有一个规则库，
所有专家系统构建者需要做的是将规则取出并将
 2023 年第 2 期 陈明益 张友恒 符号主义人工智能的历史回顾及其哲学审视

它们编程到计算机中”[15]。但是推理并不是某人或 经验的训练方法和应用相比，
“ 深度学习不过是人
某个系统成为专家的充要条件，如一个熟练的汽 工神经网络层数多一些，并从并行分布的意义上
车驾驶员在遇到突发情况时的反应是本能的而不 说，所有人工神经网络模型都不是深的，而是宽
是推理的，厨师在工作时不必纠结是先洗菜还是 的；但自动定理证明是深的，且很难并行化”[4]275。
先切菜才能保证口感，对于人类专家来说，很多专 人类智能本身就是在各个层次上使用符号，如抽
业领域的工作已经执行过千万遍而成为下意识行 象思维、逻辑、语言，因此，符号 AI 研究在某种意
为了。一旦机器进行推理，其所涉及的问题不会比 义上就是对人类理性思维的研究，而人类理性的
人类专家推理的问题少半分。费根鲍姆也曾在他 深邃则决定了它研究的深度和难度 ③。
的书中提到专家系统与专家的不同：
“ 学习成为专 从哲学的角度来看：
“ 符号派这种自上而下的
家的一部分，不仅要理解规则的文字，还要理解其 进路可以称为‘想啥来啥’，而联结主义的自下而
精神……他知道什么时候该打破规则，他知道什 上进路，可以称为‘吃啥补啥’。”[4]114 前者模拟思
么与他的任务有关，什么与他的任务无关……专 维，而后者构建大脑；前者是对人类智能的“摹
家系统还不了解这些东西。”[16] 仿”，而后者则是“分有”。它们之间相反相成的
尽管符号 AI 的局限性如此之大，但是目前的 “斗争”在哲学史上是如此的熟悉：从柏拉图和亚
AI 研究仍离不开符号方法，其原因有三：第一，尽 里士多德之争到中世纪的唯名论和实在论之争，
管现代人工神经网络占据了 AI 研究的主流，但其 再到近代的唯理论和经验论之间的争论，莫不如
所包含的黑箱性质、不可解释性只是其基本问题 此。AI 作为哲学的一种成果，需要依赖思维理论
的一部分，更为主要的是：
“ 从强人工智能定义来 的创新，思维理论的历史就已经暗示了 AI 发展的
看，由于缺少逻辑结构，ANNs 无法达到真正意义 进程。促成了专家系统美梦破灭的五代计算机
上的强人工智能。”[17]94 当代研究人员已经深刻认 （FGCS）将逻辑在 AI 研究中推到了极致，但并没
识到这个问题，并在近些年的研究中重提符号派 有证明 FGCS 比专家系统的效率更高，反而更像
研究的重要性。例如，在 2021 年，由布雷泽克（P. 是沃尔夫终结了唯理论，导致符号派一蹶不振。但
J. Blazek）和 米 洛 林（M. M. Lin）带 来 的 本 质 神 经 是思维理论的发展不会到此为止，就如“分析哲学
网络（ENNs）正是通过人工神经网络模拟出了符 与现象学对人工智能的争论，一方以科学分析的
号 AI 的逻辑结构，而这二人也藉此表明了其通过 态度来对待这个问题，另一方则是反对用有意识
此方法追求通用人工智能的立场 [18]。第二，以当今 的科学意识去解释意识其本身”[17]169。只要 AI 研
的技术发展来看专家系统，似乎它已经是 20 世纪 究还在继续，对立的争论就不会停止，但是从哲学
的完成品了，但实际上它仍然是目前在工业智能 史角度来看，它们终将走向融合。“我们必须开发
化设备与诸多日常智能应用中使用最为广泛的 出将符号系统的表达性和程序多样性与联结主义
AI 技术。虽然一些学者会以当今的 AI 发展的眼 表达的模糊性和适应性相结合的系统”[19]，
“ 神经
光去批判符号 AI“过时且陈 旧 ”的 方 法 ，但 相 比 符号人工智能 （Neural-Symbolic AI, NeSy AI）”的
于人工神经网络历史发展的大起大落，甚至一度 出现就是“康德”整合符号派和联结主义的结果。
被“终结”，符号 AI 的研究从未被中断，现在仍有 NeSy 对“想啥来啥”
“ 吃啥补啥”两种思路的
不少机构或团体在推进 AI 领域符号的研究，如： 结合，是 AI 理论发展的必然产物。麦卡洛克（W.
东京大学符号人工智能研究所、德克萨斯大学奥 S. McCulloch）和皮茨在 1943 年的研究成果《神经
斯汀分校 ACL2 小组、林茨大学符号计算研究所 活动中内在思想的逻辑演算》已经暗含了 NeSy的
等机构 ②。第三，否认 AI 研究中的理性派，就是对 理论开端，他们以二元性神经元的联结构造了大
人类智能理性成分的否定。与人工神经网络这种 脑的数学模型并使其进行逻辑活动的构想也成为

39
 武陵学刊 第 48 卷

维 纳（Norbert Wiener）控 制 论（Cybernetics）的 思 想 进行辩护，庆幸 的 是 ，已 有 许 多 当 代 学 者 认 识 到

源泉。 这一点 ④。就如人工神经网络曾被明斯基所终结，
维纳和图灵相当于 AI 发展史中的“亚里士多 而它又在其发展中重见天日，过早断言某种研究
德”和“柏拉图”，由二人的 主 要 思 想 引 申 出 的 联 范式的无效和终结都是对科学探索的轻视。科学
结主义和符号主义 AI 的发展，就如同柏拉图和亚 探索是分布式的 ，而 不 是 集 中 化 的 ，这 需 要 诸 多
里士多德的基本思想在哲学史上的发展。他们的 科研工作者不断探索新的领域，从而如“蚂蚁”一
宏大理论和猜想虽然并未指明 AI 的最终形式，但 般构造出整个“巢穴”。因此，当下热门的神经符
若是能将其发展得更为具体并加以编程，将是一 号 AI 研 究 不 仅 是 对 目 前 AI 研 究 中 既 存 问 题 的
项史无前例的哲学成就，许多学者倡导的 AI 蓝图 解决，也是对符号 AI 的开拓性发展；而这种研究
也会由此得以实现。正如格利莫所言，
“ 哲学的进 进路是否能更好地结合人工神经网络的经验归
步在于在不放弃明确性的前提下，突破其局限性， 纳和符号 AI 的逻辑理性，不仅是一个悬而未决
人工智能的进步亦是如此”[13]201。因此，作 为“ 康 的技术问题，更是一个与对“智能”本身进行探索
德”的 NeSy 不会是 AI 的最终模式，它必将经过 的哲学问题。
“费希特、谢林以及黑格尔”这个过程的完善。过
去研究的工作计划和有限成功的证据不仅指向未 注 释：
知的东西，还指向可以用来创造通用人工智能的 ①五代计算机系统是日本于 20 世纪 80 年代启动的项目。作为

[3]60 一个大型专家系统或者说知识图谱，它旨在使用大规模并行
一些方法和机 制 。“ 黑 格 尔 ” 作 为 完 善 后 的
计算和逻辑编程创建计算机，试图创造一种具有类似超级计
Nesy，也不会是 AI 的最终完成模式。从思想史的
算机性能的“划时代的计算机”，并为人工智能的未来 发展提
发展来看，这种完成模式还会发展出新的东西，就
供一个平台。这个想法领先于时代，但在实践和商业中失败
如黑格尔后的不同哲学流派，既有各自不同的专 了。参见 Fifth Generation Computer Systems[EB/OL]. (2022-07-
门领域，又都关注着某些共同的领域。因此，AI 的 07) [2022 -09 -07]. https://en.wikipedia.org/w/index.php?title =

发展也很可能会经过目前的专用人工智能到将来 Fifth_Generation_Computer_Systems&oldid=1096960006.
②几个当代的符号 AI 研究机构、团体的官网信息如下：东京大
的通用人工智能，再到在此基础上的“专业人工智
学 符 号 人 工 智 能 研 究 所 （https://www.jku.at/en/institute -for -
能”的发展进程。
symbolic -artificial -intelligence/）、ACL2 小 组 （https://www.cs.

结 语 utexas.edu/users/moore/atp/index.html）、林茨大学符号计算 研 究
所（https://risc.jku.at/）。
此项研究不仅是对符号AI 发 展 的 历 史 回 顾 ③在此我们呼吁，无论是哲学还是 AI 工作者都要注重对逻辑学

和哲学分析，也是对当前 AI 研究和 AI 哲学研究 的学习和研究，作为人类的理性工具，逻辑学（哲学逻辑和数

理逻辑）是哲学和 AI 研究的重要工具。
中存在的轻视符号 AI 研究重要性观点的一种评
④ 参见：
HOCHERITER S. Toward a Broad AI [J]. Communications of the
论。哲学与 AI 研究的交叉性并不仅仅在于单纯地
ACM，
2022，65（4）：
56-57；
SIVARAM A，VENKATASUBRAMANIAN
引用相互的观点，更是理论与实践之间的相互启
V. XAI -MEG: Combining Symbolic AI and Machine Learning to
发和促进。哲学可以为人工智能提供一些基本的 Generate First-principles Models and Causal Explanations [J]. AIChE
概念、问题、方法和标准，以更好地理解 智 能 、认 Journal，2022，68（6）：e17687；戴 益 斌 . 为 理 智 主 义 辩——
—从 人

知、思维、心灵、意识等现象；人工智能 可 以 为 哲 工智能 的 视 角 出 发 [J]. 湖 北 大 学 学 报 （哲 学 社 会 科 学 版），

2022，49（1）：154-161.
学提供一些新的视角、工具、模型和证据，帮助哲
学更有效地解决一些传统或新兴的问题。因此，为 参考文献：
符号 AI 的辩护并非一种“炒冷饭”的行为，而是在 [1] SCHIAFFONATI V A. Framework for the Foundation of the

为人类智能、人工智能中不可缺失的理性和逻辑 Philosophy of Artificial Intelligence [J]. Minds and Machines，

40
 2023 年第 2 期 陈明益 张友恒 符号主义人工智能的历史回顾及其哲学审视

2003，13（4）：537-552.
[2] 卢奇，科佩克.人工智能[M].2 版.林赐，译.北京：人民邮电出版
社，2018.
[3] BUCHANAN B G.A (Very) Brief History of Artificial Intelligence
[J]. AI Magazine: Artificial Intelligence，2005，26（4）：53-60.
[4] 尼克.人工智能简史[M].2 版.北京：人民邮电出版社，2021.
[5] BUCHANAN B G，
FEIGENBAUM E A.Dendral and Meta-Dendral:
Their Applications Dimension [J]. Artificial Intelligence，1978，11
（1-2）：5-24.
[6] CHARLES E，RUSSELL G.Building Large Knowledge-Based
Systems:Representation and Inference in the CYC Project [J].
Artificial Intelligence，1993，61（1）：41-52.
[7] MILLER G A. WordNet: A Lexical Database for English [J].
Communications of the ACM，1995，38（11）：39-41.
[8] BERNERS-LEE T，HENDLER J，LASSILA O. The Semantic Web:
A New Form of Web Content that is Meaningful to Computers will
Unleash a Revolution of New Possibilities [J]. Scientific American，
2001，284（5）：34-43.
[9] TURING A M. Computing Machinery and Intelligence [J]. Mind，
1950，59（236）：433-460.
[10] 蔡恒进.行为主义、联结主义和符号主义的贯通[J].上海师范
大学学报（哲学社会科学版），2020，49（4）：87-96.
[11] NEWELL A，SIMON H A. Computer Science as Empirical
Inquiry: Symbols and Search [J]. Communications of the ACM，
1976，19（3）：113-126.
[12] 德雷福斯.计算机不能做什么：人工智能的极限[M].宁春岩，
译.北京：生活·读书·新知三联书店，1986.
[13] GLYMOUR C. Artificial Intelligence is Philosophy[M]//Fetzer J H，
eds. Aspects of Artificial Intelligence. Dordrecht：Springer，1988：
195-207.
[14] MCCARTHY J. Artificial Intelligence, Logic and Formalizing
Common Sense[M] //Thomason R H，eds.Philosophical Logic and
Artificial Intelligence. Dordrecht：Springer，1989：161-190.
[15] DREYFUS H L，DREYFUS S E.From Socrates to Expert Systems:
The Limits of Calculative Rationality [J]. Technology in Society，
1984，6（3）：217–233.
[16] FEIGENBAUM E A，MCCORDUCK P. The Fifth Generation:
Artificial Intelligence and Japan's Computer Challenge to the
World [M]. Boston：Addison-Wesley Press，1983：184-185.
[17] 博登.AI 人工智能的本质与未来[M].孙诗惠，译.北京：中国
人民大学出版社，2017.
[18] BLAZEK P J，LIN M M. Explainable Neural Networks that
Simulate Reasoning [J]. Nature Computational Science，2021，1
（9）：607–618.
[19] MINSKY M L. Logical Versus Analogical or Symbolic Versus
Connectionist or Neat Versus Scruffy [J].AI Magazine，1991，12
（2）：34-51.
（责 任 编 辑 ：罗 凤 华）

A Historical Review and Philosophical Examination of Symbolic

Artificial Intelligence
CHEN Mingyi ZHANG Youheng
（School of Marxism, Wuhan University of Technology, Wuhan 430070, China）
Abstract:Symbolism is the original paradigm of AI research, and it has evolved through three major stages:
automatic theorem proving, expert systems, and knowledge graphs, all of which have made significant contributions
to both the theory and application of modern AI. As the first paradigm for exploring and constructing intelligence
in AI, it involves many related philosophical issues that have aroused the interest of both AI experts and
philosophers, who hold different or even diametrically opposite views on their respective positions. Symbolism has
faced several challenges in modern AI research, but it has not been discarded. On the contrary, with the
development of artificial neural networks, researchers have attempted to combine the two paradigms to solve some
fundamental problems in AI research. In order to understand the development trend and future direction of AI, it
is necessary to re-examine the philosophical value and application limitations of symbolism.
Key words:symbolism; automatic theorem proving; expert systems; knowledge representation; philosophy of AI

41