跳转至

P1-2.1 符号主义 AI 与规则式方法

Section ID: P1-2.1 Version: v2026.07.20

P1-1 已经整理了 AI 这个词的范围与主要术语之间的关系。P1-2 转向 AI 历史上曾用来解决问题的范式。这一节的中心是 symbolic AI 和 rule-based approach。

符号主义 AI，是一种把人的知识表示成符号(symbol)、规则(rule)、逻辑(logic)与显式表征(representation)，再操作这些表征以得到结论或行动的方法。更直白地说，它的想法是：先把人整理好的知识写成计算机能处理的形式，再让计算机在这种形式之上进行推理。

在 Part 1 中，symbolic AI、rule-based approach 与 knowledge representation 的基准含义固定在这一节。后面的 Section 即使再次提到这些术语，也只回收与当前中心问题直接相关的部分；如果需要重新确认完整定义，就回到这一节与共享的 Concept Glossary (English)。

用符号和规则写下知识

这一节整理以下问题：

  • 符号主义 AI 想要做什么？
  • 规则、知识表示、推理与搜索，处在怎样的一条更大脉络之中？
  • 为什么这种方法今天在一部分系统里仍然有效？

这一节先固定 符号主义 AI 如何书写并处理知识与规则。搜索、知识表示与概率推理的更细脉络，会在紧接着的 P1-2.2 继续展开；规则式系统的优势与限制，则会在 Part 1 Chapter 3 中更具体地展开。

规则式方法的强项与限制

  • 理解符号主义 AI 想要达成什么。
  • 看清规则、知识表示、推理与搜索如何互相连接。
  • 区分规则式方法的优势与限制。
  • 理解这种方法为什么在今天的一部分系统里仍然有用。

先连起来的概念

这一节是 Chapter 2 中首次固定核心术语基准线的代表位置。下面这些概念先只固定其角色；如果需要更完整的定义，再回到对应的术语条目。

概念 这里先固定的意思 为什么现在需要
symbolic AI 以符号、规则与显式知识表示为中心的 AI 方法 为了先建立后面与学习式方法对照的起点
rule-based system 把当前事实与规则相对照，从而决定结论或行动的系统 为了看见符号主义 AI 的一种具体实现形态
knowledge representation 用来书写事实、关系与规则的形式 为了说明系统“知道什么”究竟是什么意思
fact 在当前状态下被当作真的信息 为了把规则应用的输入材料单独分出来
inference engine 找出并应用与当前事实匹配的规则的机制 为了看清规则与结论之间的执行结构

主要学习内容

这一节看起来像历史说明，但实际上是在介绍 AI 早期一种重要的问题求解方式。下面三个基准构成整节的总地图。

基准 为什么重要 这一节需要达到的理解程度
symbolic AI 是一种 把知识显式写下来 的方法 只有这样，后面的机器学习对照才会清楚。 要先区分：规则与事实是由人先写出来的。
rule-based approach 是一种 按照条件决定结论或行动 的方法 这样更容易和日常规则联系起来理解。 要看懂把当前情境与规则对照后产出结果的结构。
这种方法 不是已经消失的过去，而是今天仍留在部分系统中的方法 这样不会把它误解成与现代 AI 完全断开的旧技术。 要把它和政策、权限、安全规则等今天仍在使用的结构联系起来。

symbol、rule、fact、knowledge representation 与 inference 在一开始可能听起来很像。在这一节里，它们先这样分开。

术语 极简含义 在这一节中的角色
symbol 给对象命名并与其他对象区分开的标记 让人和系统能够指向同一对象的单位
rule 按条件决定结论或行动的标准 显式的判断标准
fact 在当前状态下被当作真的信息 规则应用的输入材料
knowledge representation 用来书写事实、关系与规则的形式 决定系统被视为“知道什么”的框架
inference 从给定事实与规则中得到结论的过程 产出结果的程序

这一节首先应当留下的区分是：什么被明确命名，什么被写成规则，什么在当前状态下被当作事实，以及由这些内容推导出了什么结论。

细化学习内容

为什么这种方法会先出现

早期 AI 研究者面对的一个大问题是：如何把“看起来具有智能的行为”做成计算机程序。其中一条主要思路，是把人知道的事实、规则与推理步骤显式写下来，再让计算机去操作这些内容并得出结论。

Stanford Encyclopedia of Philosophy 的逻辑基础 AI 条目说明，John McCarthy 曾试图借助哲学逻辑中的想法，把常识推理(commonsense reasoning)形式化。在这条思路中，智能常被理解为：对以符号表示的事实与规则进行操作，从而得到结论或行动的过程。

规则式方法让这种想法更容易被做成实际系统。只要专家把判断标准写成条件、情境、模式、结论与行动等显式规则，计算机就可以把当前事实与这些规则相对照并给出结论。早期专家系统依赖大规模过程性规则集合，后来又更强调需要把背景知识用知识表示(knowledge representation)的形式单独表达出来。

因此，符号主义 AI 与规则式方法，不应只被看成过时技术。更准确的理解是：它们是早期 AI 的一条重要解题路线，即先把知识显式写下来，再在这些知识之上进行推理。

为什么叫 “symbolic”

这里的 symbol 不是文学或艺术里的象征，而更接近计算机能够区分与操作的显式标记或名称。比如 rain、wet road、patient、symptom、position of chess pieces、rule A 这样的名字，都可以是符号主义 AI 里的符号：它们指向对象、状态、概念或关系。

本书把 symbolic AI 作为基本表达。其他材料里也可能看到“符号化 AI”之类的说法，但核心意思相同：这是一种以符号、规则与显式表征为主要手段来实现智能的方法。

因为相关表达会一起出现，所以最好按下面的方式区分阅读。

表达 英文术语 本书中的含义
符号主义 AI symbolic AI 本书的基本表达；以符号、规则与显式知识表示为中心的宽泛方法
逻辑基础 AI logic-based AI 更强调逻辑形式与推理规则的一支符号主义 AI 路线
规则式方法 rule-based approach 用规则把条件、情境或模式映射到结论或行动的实现方式
经典 AI classical AI 对深度学习之前 AI 潮流的宽泛称呼；范围很宽，所以仍要看上下文

第一次接触 symbolic AI 时，可以先把它理解为：给计算机一套人可读的名称标签与规则，再让计算机操作这些内容以得到结论。

试图用符号表示世界

符号主义 AI 的出发点，是相信知识可以被显式表示。人能够把“如果下雨，路面会湿”“某些症状组合会让人怀疑某种疾病”“这一步会让棋盘状态变成那样”之类的知识，用句子、规则、符号与关系表达出来。

符号主义 AI 试图把这些表达转换成计算机可以处理的结构。最主要的材料可以先看成下面这些。

组成要素 英文术语 作用
symbol symbol 标记人和系统能够区分的对象、概念或状态
rule rule 表达在什么条件下应得到什么结论或行动
knowledge representation knowledge representation 存放并处理事实、关系、概念与规则的形式
inference reasoning, inference 从已有知识中推出新结论的过程
search search 沿着可能状态或候选解前进，以找到目标的过程

从这个角度看，AI 系统解决问题时主要依赖人事先整理好的知识与规则，而不是主要依靠从数据里自动学习模式。因此，符号主义 AI 与“直接书写规则”“利用逻辑推出结论”“在可能状态中搜索”这些方式紧密相连。

初学者常见的困惑是：rule、inference 与 search 看起来都像处理过程。但它们承担的角色不同。

要素 先给定的东西 实际在做什么 简短示例
rule 条件与结论之间的连接标准 写下在什么情境里该使用什么判断 如果付款金额超过上限，就需要追加审批。
inference 当前事实与规则 对当前事实应用匹配规则，并形成结论 超过上限，因此需要追加审批。
search 可能的状态或下一步选择 跟随候选项去寻找目标状态或解 在国际象棋中尝试候选的下一步走法

所以，rule 更接近 判断标准，inference 更接近 把当前标准应用到当前事实，search 更接近 在可能路径中找路。在真实系统里，这三者经常会一起出现。比如游戏 AI 会先用规则表示棋子如何移动，再搜索当前棋盘上的候选走法，并用推理来判断哪一步更好。

规则式方法的基本形状

规则式方法，是理解符号主义 AI 的一种最容易入手的形式。核心在于：把当前事实或情境与显式规则相对照，然后决定结论、分类、行动或处理流程。

条件 或 情境 或 模式 -> 结论 或 分类 或 行动 或 流程

IF condition THEN conclusion 是说明这种规则时最常见的简化写法。但整个规则式方法并不一定只能用这一种语法。规则还可以以多种形式出现。

情境 规则示例 结果
日常判断 如果正在下雨且要出门，就带伞 行动决定
工作流处理 如果支付金额超过审批上限，就转到经理审批步骤 流程选择
分类 如果血压、体温与症状组合落入标准区间，就标记为需要进一步确认 分类或警告
访问控制 如果用户角色不是 admin，就不允许修改设置 允许或阻止
推荐 如果客户等级、购买历史与库存状态满足条件，就优先展示某类商品 推荐调整
安全策略 如果输入与被禁止的请求类型匹配，就停止回复或切换为更安全的说明 策略应用

把同样内容改写成 IF-THEN 形式，大致可以写成这样。

IF 正在下雨 THEN 带伞
IF 付款金额超过审批上限 THEN 转到经理审批步骤
IF 体温高且有咳嗽 THEN 检查感染可能性
IF 用户角色不是 admin THEN 阻止设置修改

这些例子对于医疗、业务或安全规则来说都过于简单。这里重要的是结构。规则式系统把事实(fact)与规则(rule)分别存放，然后对当前情境应用匹配规则，最终得出结论。

flowchart TD
  Facts[当前事实]
  规则[规则]
  Engine[推理引擎]
  Result[结论或动作]

  Facts --> Engine
  规则 --> Engine
  Engine --> Result

这个图帮助我们把规则式系统读成四个部分：当前事实、显式规则、应用步骤 与 结论。这里要读出的关键是结构本身：只有事实不够，只有规则也不够，还需要一个单独的过程，把两者匹配起来并产出结论。

专家系统(expert system)就是这种规则式方法发展成实际应用后的代表例子。它试图把专家的判断整理成规则与知识，用来辅助特定领域中的诊断、分类、推荐与决策。这一节先抓住符号主义 AI 与规则式方法的基本思路；当它们进入实际应用后会出现的优势与限制，会在 P1-3.1 再次系统化。

看一个极小的例子，结构会更清楚。假设在线商店的退货受理页面收到了下面这些事实。

当前事实 值
卖家责任 是
主观退货 否
是否为合单 是

再假设系统有以下规则：

  • 如果是卖家责任，就退还运费。
  • 如果是主观退货，就由顾客承担运费。
  • 如果是合单，就不按整单而按单品重新计算。

这样，系统就可以同时给出 退还运费 这个结论，以及 按单品重新计算 这个处理流程。这个例子的核心，是规则式方法可以在不依赖复杂学习的情况下，仅凭 当前事实 与 显式规则 就形成判断。

与此同时，同样的结构也说明了为什么会出现规则冲突。假设一个团队加入了 如果是卖家责任，就退还运费 这条规则，而另一个团队又单独加入了类似 如果是合单，就先由顾客预付运费，之后再结算 的运营规则。当当前事实同时满足 卖家责任 与 合单 时，两条规则都会被触发，系统就可能同时给出相互冲突的处理方向。此时就需要额外设计：哪条规则优先、是否需要单独建立例外规则、或者是否要交给人工复核。对初学者来说，重要的是看到：规则式系统不是“多写很多规则就行”的结构，它同时也是必须设计规则优先级与冲突解决方式的结构。

逻辑基础 AI 与知识表示

如果说规则式方法更接近于通过显式规则来组织判断，那么逻辑基础 AI(logic-based AI) 则更接近于用更形式化的语言去表示知识，并在这种表示上进行推理。Stanford Encyclopedia of Philosophy 的逻辑基础 AI 条目说明，John McCarthy 试图形式化常识推理，并把哲学逻辑中的思路应用到 AI 里。

这条路线会提出如下问题：

  • 世界中的事实与关系应该用什么样的语言来表达？
  • 从这种表达中，哪些结论应该被视为能够推出？
  • 新信息进入之后，旧结论应该如何被修正？
  • 行动与时间变化该如何表示？
  • 像常识这样充满歧义与例外的知识，应如何处理？

这些问题在现代 AI 中并没有消失。即使今天使用 LLM 或深度学习模型，服务中的政策、权限控制、安全过滤、业务规则与验证逻辑，也经常仍然用显式规则来管理。

优势：更容易解释，也更容易控制

符号主义 AI 与规则式方法的一个优势，是人能够读懂其结构。

  • 规则是显式写出来的，因此更容易追踪什么条件导向了什么结论。
  • 领域专家可以直接审阅并修改知识。
  • 它适合那些显式标准很重要的领域，比如法律、政策与业务流程。
  • 更容易把系统控制成“相同输入给出相同输出”。
  • 相比之下，也更容易解释系统为什么会做出那样的判断。

因此，规则式方法虽然古老，却没有消失。即使在现代 AI 服务内部，权限检查、禁用词过滤、部分政策违规检测、流程校验与路由规则等显式、可重复的部分，规则仍然很有用。

限制：并不是所有知识都能写成规则

反过来，它的限制也同样明显。现实世界的问题充满例外、变化频繁，而且人未必能够把所有内容都精确写成规则。

例如，看图识物、理解自然语言句子、区分语音中的细微差别，这些事情人能做，但很难事先把全部所需规则写成文字。对于这类问题，从数据中学习模式的方法往往会更强。

规则式方法的代表性限制包括：

  • 直接编写与维护规则的成本很高。
  • 例外一多，规则会迅速复杂化，也容易彼此冲突。
  • 对没有被规则表达出来的情境，系统会显得脆弱。
  • 它可能难以处理模糊输入、带噪声的数据与不完整信息。
  • 通过学习来自我改进表示能力的能力有限。

所以，把历史读成“规则式 AI 错了，机器学习对了”过于简单。更准确的读法是：问题的性质不同。有些问题足以用显式规则处理，有些问题则更适合通过数据学习模式。

一个简短的适用性判断练习

看下面这些案例，如果先判断它们更适合从规则式方法开始、学习式方法开始，还是两者一起使用，就更容易把这一节的边界看清楚。

案例 第一时间要问的问题 按本节做出的第一判断
在公司内部费用报销中，超过职级审批上限的请求是否应被送往追加审批？ 标准是否已经被文档清楚写明？ 适合先从规则式方法开始。
系统是否应该读取顾客咨询文本，并自动分类投诉类型？ 表达是否非常多样，而且例外句式很多？ 可能更需要学习式方法。
生成式 AI 回答里，如果用户提出被禁止的话题，是否应被拦截？ 政策规则是否明确，同时是否需要上下文判断？ 常常会把规则与学习式判断一起使用。
工厂传感器数值是否应用来提前预测故障？ 人是否能把所有模式都写成规则？ 往往更适合学习式方法。

这个练习的重点，不是把 rule-based 看成过时方法，而是把它看成特别适合 显式标准很强的问题 的方法。反过来，输入越模糊、模式越复杂，只靠规则的局限就越明显，而从数据中学习模式的重要性也会随之上升。

案例与示例

案例 1. 由人工直接核对运费退款规则的客服中心

设想一个在线购物客服中心，客服人员要直接判断是否应该退还运费。人会逐条确认：是否属于卖家责任、是否是错发货、是否是主观退货、是否满足包邮条件。

一开始这些标准看起来很清楚，但真实咨询很快就会叠加各种例外，例如 部分退款、使用优惠券、多个商品合单，以及 卖家责任与顾客责任同时存在的情况。如果一切都靠人工经验处理，虽然可能看起来很快，但不同客服的判断会出现差异，事后也更难追踪为什么当时会做出那个决定。

规则式方法会把这些标准显式写下来，再把当前订单信息与规则相对照并产出结论。例如，知识库里可以放入 如果是卖家责任，就退还运费、如果是主观退货，就由顾客承担、如果是合单，就按单品而不是整单重新计算 等规则。

这个案例里最重要的点是：规则式系统并不是消除人的判断标准，而是把重复出现的判断标准转换成一种可读的形式。同时，它也会把另一个限制一起暴露出来：例外一多，规则管理就会变得复杂。

与数据标注的松散连接

数据标注(data labeling) 也和这种视角有一个比较松散的连接。在监督学习(supervised learning)里，标签(label) 接近于附在数据上的答案、名称或类别。比如给图像贴上 cat、dog、normal 或 defective 这样的标签后，模型会去学习输入特征与标签之间的关系。

从这个角度说，标签可以像符号一样看待，因为它是人为了区分世界而附上的显式名称。但不应把数据标注视为与符号主义 AI 相同的东西。数据标注主要是在为机器学习模型准备训练数据，而符号主义 AI 则是试图直接操作符号与规则本身来进行推理。

所以，这一节里只需要把两者的关系记成下面这样。

标签是学习数据中的显式名称标签，因此可以被看成符号主义 AI 与机器学习相接触的一个点。但标注不是推理方式，而是构造学习数据的方法。

标签、数据、输入与输出之间更细的关系，会在 P1-4.2 再次整理。这里先只保留一个连接：标签可以被读成“人贴上的显式名称标签”。

检查清单

  • 我可以解释符号主义 AI 以符号、规则、知识表示与推理为中心。
  • 我可以解释规则式方法使用显式规则，并按条件、情境或模式来决定结论或行动。
  • 我可以解释规则式方法在可解释性与可控性上的优势。
  • 我可以解释“并不是所有知识都容易写成规则”这一限制。
  • 我可以解释数据标签可以像符号一样阅读，但不应把数据标注与符号主义 AI 看成同一回事。
  • 我可以把规则式方法与学习式方法看成问题性质的差异，而不是简单的优劣关系。
  • 我可以解释数据标签可以像符号一样看待，但数据标注并不等同于符号主义 AI。
  • 我可以解释规则式方法与学习式方法的比较，应基于问题性质，而不是简单的优劣高低。
  • 我可以解释符号主义 AI 试图用人可读的符号与规则来表示知识，并在这种表示之上进行推理与搜索。
  • 我可以解释这种方法在可解释性与可控性上很强，但在处理现实世界中的模糊性、例外，以及大规模模式识别时暴露出了局限。

出处与参考资料