3.6 符号主义的现状和未来
20 世纪 80 年代，人工智能研究的方向在经历了“关注机器如何实现自动推理”“关注知识”，最后转变成“关注机器如何实现学习和自我改进”之后，仍然没有见到通向终极智能的曙光。学术界对符号主义的热情开始逐渐变冷，随着符号主义进入最后一个阶段—“学习期”，它也逐渐丧失了在人工智能这门学科中的主导地位。究其衰落原因，笔者认为并不是符号主义的理论、方法被证伪，也不是出现了其他理论、方法比符号主义更为先进合理。
符号主义面临的主要困难有两点。一是“智能”实在是太过于复杂、抽象，人类的大脑能够解决的问题可以说无所不包，虽然其中的某些问题可以被形式化，特定问题可以找到支撑的科学原理，但是更多问题往往无法被形式化，也不清楚背后的运作机制，以至于利用在其他科学里一直行之有效的“根据具体现象，总结一般规律”“根据客观规律，推理未知现象”的研究方法研究智能，都显得有点无从下手。正是因为对智能的研究无法做到透过现象见本质，所以才有了后面基于统计和概率的、基于连接的、基于群体智能的新型研究方法的兴起，科学家选择其他这些方法，多少有些符号没有办法直达智能的本质，不得不退而求其次的无奈。
二是符号主义中的主要理论实现起来始终受到“ NP 完全问题”的困扰，即使很多理论上可行、至少值得去试一试的研究方法，也都因为最后被证明是“ NP 完全问题”，无法逃脱指数级别时间的增长而无法不打折扣地应用于智能的探索实践。“ NP 完全问题”虽然说到底算是算力大小的问题，但它是无法靠摩尔定律去突破的，若要以发展运算能力去应对的话，势必要等计算机体系结构发生重大变革，抛弃图灵机和冯·诺依曼架构，譬如生物计算机、量子计算机成熟之后才可能看到希望。
1986 年， 美 国 哲 学 家 约 翰· 海 格 兰（John Haugeland，1945—2010） 出版了一本名为《人工智能：非常想法》（Artificial Intelligence: The Very Idea）的书，书中将“用原始人工智能的逻辑方法解决小领域范围的问题”定义为“ GOFAI ”， 即“有 效 的 老 式 人 工 智 能”（Good Old-Fashioned ArtificialIntelligence）的英文缩写，这个定义很快就被学界广泛采纳，成为新旧人工智能的分界线。所以读者如果看到一些人工智能书籍中出现了“新的”“先进的”“现代的”这种形容词，并不一定是广告词，有可能是表明这本书会重点涉及 GOFAI 之后才成为主流的人工智能方法。典型的如彼得·诺维格（PeterNorvig） 的《人 工 智 能： 一 种 现 代 方 法》（Artificial Intelligence: A ModernApproach）、 尼 尔 斯·佩雷利（Nils Nilsson）的《人工智能：一个新的综述》（Artificial Intelligence: A New Synthesis）等书。
第 3 章 符号主义学派
101