第3章 符号主义学派
Symbols lie at the root of intelligent action, whichis, of course, the primary topic of artificial intelligence.
符号是一切智能活动的源头，它是人工智能里不容置疑的核心。
--------------------
莱布尼茨："我们每天看到的世界，是通过具体化的、非结构化的形式如视觉、声音、文字等)呈现的，这些具体却散漫粗疏的内容是否可以使用符号来精确定义?人类理解世界的过程，是否可以在这个基础上精确描述和计算?”
符号主义学派的学者们对这个问题持明确的肯定答案，整个学派的核心思想其实可以概括为五个字：认知即计算。
【阅读日期】2024.10.24
【书中原文】
“当下太多人工智能研究只是想做那些最流行的东西，也只发表那些成功的结果。我认为人工智能之所以能成为科学，是因为之前的学者不仅发表那些成功的结果，也发表那些失败了的。”——明斯基，2006年AI@50 大会总结报告
【概念转述】
谓词逻辑(Predicate Logic)也称为一阶逻辑（First-Order Logic, FOL），是逻辑学和数学中的一种形式化语言，用于表达和推理关于对象及其关系的断言。相比于命题逻辑，谓词逻辑能够更精确地描述复杂的逻辑关系，使其在人工智能、计算机科学、数学和哲学等领域中具有重要作用。
决策树学习（Decision Tree Learning）一种用于分类和回归的机器学习方法，利用树状结构来表示决策过程。它通过一系列简单的条件判断，最终将输入数据对应到输出类别或数值，从而实现模型的训练和预测。
【阅读总结】
符号主义学派（Symbolicism）自20世纪50年代进入推理期，分为知识派和推理派以及其他细分；“不考虑知识的来源，假设知识是先验地存储于黑盒之中的。”主要研究重点是利用现有的知识去做复杂的推理、规划、逻辑运算和判断，即基于逻辑推理来寻找智能的研究方法。仅能解决信息完全的而且问题空间是封闭的领域的问题，对开放性问题无能为力。
20世纪70年代中期，学派进入知识期。研究的重点是如何让机器自己学习知识、发现知识这个方向。由于知识仅依靠人类专家总结、提炼然后输入计算机的方式无法应对知识的膨胀，学派转入“如何让机器自己学习知识、发现知识这个方向”的知识期。发展出了例如“决策树学习”的算法，旨在从大量样本数据中自动总结提炼出隐藏在数据背后的知识，得到这些知识的形式化描述。
目前符号主义学派由于无法处理“智能的复杂性和抽象性以及“NP完全问题”的挑战。”而陷入沉寂。未来的发展尚未可知，部分专家学者对此表示乐观。
本章两万余字，涉及形式科学，哲学（先验）、逻辑学（命题逻辑、词项逻辑、谓词逻辑）、数学（欧式几何）等大量不太能理解的名词，需要检索阅读，至少我需要......
