符号式人工智能，常被称为GOFAI（“老式人工智能”），是一种基于符号显式操作的人工智能方法，利用形式逻辑、结构化规则以及对离散表征的搜索来模拟推理和问题解决。从20世纪50年代该领域创立到80年代，它一直是人工智能研究的主导范式，之后才让位于统计和连接主义方法。
起源
这种方法可追溯至该领域的基本假设，该假设在1956年由约翰·麦卡锡组织的达特茅斯研讨会上提出，即智能原则上可以被精确描述，以至于机器能够模拟它，通常是通过按规则操作符号来实现。早期倡导者艾伦·纽厄尔和赫伯特·西蒙开发了逻辑理论家（1956年）和通用问题求解器（1957年），这些程序旨在通过搜索问题的符号表征来证明数学定理和解决谜题，奠定了通常被称为“物理符号系统假说”的基础：即符号操作对于通用智能行为既是必要的也是充分的。
技术
符号系统通常将知识表示为形式语言中的事实和规则，然后应用逻辑推理、启发式搜索或规划算法来推导结论或选择行动。代表性技术包括产生式规则系统、语义网络和知识图谱式结构化表征，以及自动定理证明器和约束满足求解器。与后来的机器学习方法不同，符号系统通常不从数据中学习规则；领域知识由人类专家手工构建，这使符号系统具有可解释、可审计的推理轨迹优势。
专家系统热潮
符号式人工智能在20世纪70年代末和80年代通过专家系统技术达到商业顶峰，当时为狭窄领域（如医学诊断或化学分析）编码专家规则的程序吸引了大量企业和政府投资。马文·明斯基是符号式人工智能的领军研究者，也是麻省理工学院人工智能实验室的联合创始人，他贡献了有影响力的批评和框架，包括他与西摩·帕尔特在1969年合著的关于感知器（一种竞争性连接主义模型）局限性的著作，该书常被认为压制了神经网络研究长达十余年。
衰落
符号式人工智能的势头随着20世纪80年代末和90年代初的人工智能寒冬而崩溃，因为专家系统在狭窄领域之外显得脆弱，随着规则库增长维护成本高昂，并且无法处理不确定性、模糊性或人类轻松运用的“常识”知识。20世纪90年代和2000年代更廉价计算和更大数据集的兴起，有利于能够直接从数据中学习模式而非依赖手工编码规则的统计机器学习方法，而这一转变在2012年基于神经网络架构的深度学习复兴后急剧加速。
遗产与混合方法
纯符号式人工智能已不再是该领域的主导范式，但其思想仍存在于现代系统中。结构化知识图谱数据库支撑着搜索引擎和大型语言模型输出的接地技术。形式验证和约束求解器仍是安全关键软件中的标准工具。研究人员不时重新审视“神经符号”混合方法，将神经模式识别与符号推理相结合，以获得可解释性和更强的泛化能力，而纯深度学习方法的批评者，包括加里·马库斯，认为需要重新引入一些显式符号结构，才能实现当前深度学习系统仍难以可靠实现的稳健推理。