符号方法、搜索与统计学习

人工智能不是一套单一算法。把知识写成符号并进行推理、在可能状态中寻找行动路径、从数据中估计规律，是三种基础问题结构。真实系统常把它们组合起来：学习模型识别输入，搜索过程选择步骤，规则再约束哪些结果可以执行。理解各自解决的问题，比按年代判断谁取代了谁更有用。

符号方法让知识可以被明确检查

符号方法使用命题、谓词、规则、图或其他离散结构表达对象和关系。它的长处是知识边界可见：一条规则为何触发、哪些前提参与推导，通常能够被检查。配置校验、权限判断、空间拓扑约束和流程状态转换，都适合保留明确语义。

代价在于知识取得和维护。现实概念经常存在例外，观测也可能含有噪声。规则没有写到的情况不会自动得到合理处理，规则数量增加后还可能出现冲突。符号系统的可靠性依赖词汇定义、事实来源、推理规则和冲突处理，而不是依赖规则数量。

搜索处理的是选择空间

当问题可以表示为初始状态、可采取动作、状态转移和目标条件时，就可以在状态空间中搜索。《Artificial Intelligence: A Modern Approach》把问题求解搜索作为人工智能的重要基础。路径规划、调度、博弈和约束满足虽然场景不同，都涉及从大量候选中找到满足条件或代价较小的方案。

搜索并不等于遍历全部可能。启发式函数利用领域知识决定先检查哪些候选；剪枝排除不可能或没有必要继续的分支；代价函数说明“更好”意味着什么。若状态定义遗漏关键约束，搜索得到的最优路径仍可能在现实中不可执行。

统计学习从样本估计函数

统计学习不要求把每条判断规则显式写出，而是根据样本和目标函数调整模型参数。深度学习教材将这种过程放在线性代数、概率、优化和机器学习基础之上：数据给出有限观测，模型族限定可以表达的函数，损失函数规定训练时怎样比较结果，评价过程检查是否能推广到未见样本。

学习方法擅长处理难以手工列举规则的模式，例如影像纹理、语音波形和语言上下文。它的决定依据分布在参数中，通常不能像一条业务规则那样逐句审查。样本偏差、标签定义和部署环境变化也会进入模型行为，因此统计表现必须连同数据条件解释。

组合时要保留职责边界

一个文档问答系统可以先用统计表示召回候选文档，再用搜索或排序选择证据，最后用规则检查权限和引用是否完整。一个机器人系统可以用学习模型感知障碍，用搜索规划路径，用符号约束禁止进入特定区域。组合的价值来自职责互补，而不是把所有环节都包装成同一种模型。

边界不清也会制造风险。如果业务规则被悄悄放进训练样本，规则变化时就无法确定如何更新；如果把模型输出当成确定事实，后续推理会放大早期误差；如果搜索代价只考虑计算方便，结果可能偏离真实目标。设计文档应标明每个结论来自规则、搜索还是统计估计，并说明错误如何被发现。

选择方法要看问题结构

规则稳定、解释责任明确且例外可枚举时，符号方法往往更直接。状态和动作清楚、需要在多步选择中优化时，搜索是核心。输入复杂、规律难以手写但有足够代表性样本时，统计学习更合适。三者都依赖对问题的抽象，没有一种方法能够弥补错误的任务定义。

资料依据

• Stuart Russell、Peter Norvig：《Artificial Intelligence: A Modern Approach》第四版，https://aima.cs.berkeley.edu/
• Ian Goodfellow、Yoshua Bengio、Aaron Courville：《Deep Learning》在线版，https://www.deeplearningbook.org/