प्रतीकात्मक एआई, जिसे अक्सर GOFAI ("गुड ओल्ड-फैशन्ड एआई") कहा जाता है, कृत्रिम बुद्धिमत्ता के प्रति एक दृष्टिकोण है जो प्रतीकों के स्पष्ट हेरफेर पर आधारित है, जिसमें तर्क और समस्या-समाधान को मॉडल करने के लिए औपचारिक तर्क, संरचित नियम और असतत अभ्यावेदन पर खोज का उपयोग किया जाता है। यह 1950 के दशक में क्षेत्र की स्थापना से लेकर 1980 के दशक तक Artificial intelligence अनुसंधान में प्रमुख प्रतिमान था, इससे पहले यह सांख्यिकीय और कनेक्शनिस्ट तरीकों को रास्ता दे गया।
उत्पत्ति
यह दृष्टिकोण क्षेत्र की स्थापना की धारणा से उत्पन्न हुआ है, जिसे 1956 में John McCarthy द्वारा आयोजित Dartmouth workshop में व्यक्त किया गया था, कि बुद्धिमत्ता को सिद्धांत रूप में इतनी सटीकता से वर्णित किया जा सकता है कि एक मशीन इसे अनुकरण करने में सक्षम बनाई जा सके, आमतौर पर नियमों के अनुसार प्रतीकों में हेरफेर करके। शुरुआती समर्थक Allen Newell और Herbert Simon ने लॉजिक थियोरिस्ट (1956) और जनरल प्रॉब्लम सॉल्वर (1957) विकसित किए, जो समस्याओं के प्रतीकात्मक अभ्यावेदन के माध्यम से खोज करके गणितीय प्रमेयों को साबित करने और पहेलियों को हल करने के लिए डिज़ाइन किए गए कार्यक्रम थे, जिससे अक्सर "भौतिक प्रतीक प्रणाली परिकल्पना" कहलाने वाली नींव रखी गई: कि प्रतीक हेरफेर सामान्य बुद्धिमान क्रिया के लिए आवश्यक और पर्याप्त दोनों है।
तकनीकें
प्रतीकात्मक प्रणालियाँ आमतौर पर ज्ञान को एक औपचारिक भाषा में तथ्यों और नियमों के रूप में प्रस्तुत करती हैं, फिर निष्कर्ष निकालने या क्रियाओं का चयन करने के लिए तार्किक अनुमान, अनुमानी खोज या योजना एल्गोरिदम लागू करती हैं। प्रतिनिधि तकनीकों में उत्पादन नियम प्रणाली, सिमेंटिक नेटवर्क और Knowledge graph-शैली की संरचित अभ्यावेदन शामिल हैं, साथ ह स्वचालित प्रमेय सिद्ध करने वाले और बाधा संतुष्टि सॉल्वर भी शामिल हैं। बाद के Machine learning दृष्टिकोणों के विपरीत, प्रतीकात्मक प्रणालियाँ आम तौर पर डेटा से अपने नियम नहीं सीखती हैं; डोमेन ज्ञान मानव विशेषज्ञों द्वारा हाथ से इंजीनियर किया जाता है, जो प्रतीकात्मक प्रणालियों को व्याख्या योग्य, ऑडिट योग्य तर्क निशान का लाभ देता है।
विशेषज्ञ प्रणालियों का उछाल
प्रतीकात्मक एआई 1970 के दशक के अंत और 1980 के दशक में Expert system प्रौद्योगिकी के साथ अपने व्यावसायिक चरम पर पहुंच गया, जब संकीर्ण डोमेन के लिए विशेषज्ञ नियमों को कूटबद्ध करने वाले कार्यक्रम, जैसे चिकित्सा निदान या रासायनिक विश्लेषण, ने बड़े कॉर्पोरेट और सरकारी निवेश को आकर्षित किया। Marvin Minsky, एक प्रमुख प्रतीकात्मक एआई शोधकर्ता और MIT AI लैब के सह-संस्थापक, ने प्रभावशाली आलोचनाएँ और ढाँचे प्रदान किए, जिनमें सीमोर पेपर्ट के साथ उनकी 1969 की पुस्तक शामिल है, जो Perceptron की सीमाओं पर थी, जो एक प्रतिद्वंद्वी कनेक्शनिस्ट मॉडल है, जिसे अक्सर एक दशक से अधिक समय तक तंत्रिका नेटवर्क अनुसंधान को दबाने का श्रेय दिया जाता है।
गिरावट
प्रतीकात्मक एआई की गति 1980 के दशक के अंत और 1990 के दशक की शुरुआत में व्यापक AI winter के साथ ध्वस्त हो गई, क्योंकि विशेषज्ञ प्रणालियाँ संकीर्ण डोमेन के बाहर भंगुर साबित हुईं, नियम आधारों के बढ़ने पर बनाए रखना महंगा था, और अनिश्चितता, अस्पष्टता या "सामान्य ज्ञान" को संभालने में असमर्थ थीं जो मनुष्य सहजता से लागू करते हैं। 1990 और 2000 के दशक में सस्ती कंप्यूटिंग और बड़े डेटासेट के उदय ने सांख्यिकीय मशीन लर्निंग विधियों का पक्ष लिया जो हाथ से कोडित नियमों की आवश्यकता के बिना सीधे डेटा से पैटर्न सीख सकते थे, और यह बदलाव 2012 के Neural network आर्किटेक्चर पर निर्मित गहन शिक्षण पुनरुत्थान के बाद नाटकीय रूप से तेज हो गया।
विरासत और संकर दृष्टिकोण
शुद्ध प्रतीकात्मक एआई अब क्षेत्र का प्रमुख प्रतिमान नहीं है, लेकिन इसके विचार आधुनिक प्रणालियों में बने हुए हैं। संरचित ज्ञान ग्राफ डेटाबेस खोज इंजन और Large language model आउटपुट के लिए ग्राउंडिंग तकनीकों को रेखांकित करते हैं। औपचारिक सत्यापन और बाधा सॉल्वर सुरक्षा-महत्वपूर्ण सॉफ्टवेयर में मानक उपकरण बने हुए हैं। शोधकर्ताओं ने समय-समय पर "न्यूरो-सिम्बोलिक" संकरों पर पुनर्विचार किया है जो व्याख्या क्षमता और मजबूत सामान्यीकरण प्राप्त करने के लिए तंत्रिका पैटर्न पहचान को प्रतीकात्मक तर्क के साथ जोड़ते हैं, और शुद्ध गहन शिक्षण दृष्टिकोणों के आलोचकों, जिनमें Gary Marcus शामिल हैं, ने तर्क दिया है कि मजबूत तर्क के लिए स्पष्ट प्रतीकात्मक संरचना का कुछ पुन: परिचय आवश्यक होगा जो वर्तमान Deep learning प्रणालियाँ अभी भी हासिल करने में संघर्ष करती हैं।