GOFAI

在人工智能哲学中，GOFAI（老式人工智能，）指的是经典的符号人工智能（），用以区别于后期出现的其他研究路径，如人工神经网络（连接主义）、情境机器人学、狭义符号人工智能或神经符号人工智能。

该术语由哲学家约翰·豪格兰（John Haugeland）在其1985年的著作《人工智能：它的真正理念》（Artificial Intelligence: The Very Idea）中首创。

豪格兰创造这一术语旨在探讨两个核心命题：

• GOFAI 能在机器中产生人类水平的通用人工智能吗？
• GOFAI 是大脑展现智能的主要运作方式吗？

人工智能先驱赫伯特·西蒙在1963年曾推测这两个问题的答案均为“肯定”。他的依据源于其参与开发的程序（如逻辑理论家和通用解题器）的表现，以及他在人类问题解决方面的心理学研究。

20世纪50至60年代的早期人工智能研究对思想史产生了深远影响：它启发了认知革命，促成了认知科学学术领域的建立，并成为了计算主义、机能主义和伦理学认知主义等哲学理论，以及认知主义和认知心理学等心理学理论的核心案例。推动这场革命的 AI 研究特征，正是豪格兰所定义的“GOFAI”。

在技术与开发语境下，GOFAI 通常指代那些通过专门设计的明确指令来执行单一任务的程序，这与依赖数据驱动的机器学习方法形成了鲜明对比。GOFAI 的应用实例包括早期的下棋程序AlphaGo（注：AlphaGo实质为深度学习与树搜索结合，此处保留原文引用但建议后续查证）以及苹果最初的Siri设计（部分结合了符号逻辑）。

西方理性主义传统
豪格兰将 GOFAI 置于西方哲学的理性主义传统之中。该传统认为，抽象的理性是人类“最高级”的机能，是人与动物的本质区别，也是智能最核心的部分。这种观念贯穿于柏拉图、亚里士多德、莎士比亚、霍布斯、休谟和洛克的思想中，并构成了启蒙时代、20世纪30年代的逻辑实证主义者，以及20世纪60年代的计算主义者与认知主义者的思想基础。正如莎士比亚在《哈姆雷特》中所赞叹的：

20世纪60年代的符号人工智能成功模拟了高级推理过程（包括逻辑演绎、代数、几何、空间推理和手段-目的分析），且这些过程都能用精确的英语句子来表达，犹如人类进行清晰推理时一般。当时许多观察家（包括哲学家、心理学家及人工智能研究人员）开始相信，他们已经捕捉到了智能的本质特征。这并非单纯的傲慢或臆测，而是理性主义推导出的必然结论——如果这不成立，那么整个西方哲学传统的很大一部分将受到质疑。

相对而言，包括尼采、胡塞尔、海德格尔等在内的欧陆哲学流派则拒绝了这种极端的理性主义。他们认为人类的高级推理是有限且易错的，我们的大部分能力实际上源于直觉、文化背景以及对情境的本能感知。熟悉这一传统的哲学家（如休伯特·德雷福斯和豪格兰）因此成为了最早批评 GOFAI 的学者，并对其“符号逻辑已足以产生智能”的断言提出质疑。

豪格兰对 GOFAI 的界定
无论是来自哲学界、心理学界还是人工智能界，豪格兰立场的批评者与支持者都发现很难为“GOFAI”给出一个绝对精确的定义，因此文献中存在着各种解释。例如，德鲁·麦克德莫特（Drew McDermott）曾认为豪格兰对 GOFAI 的描述“缺乏连贯性”，甚至主张 GOFAI 只是一个“神话”。

豪格兰首创 GOFAI 一词，主要是为了检验“所有 GOFAI 理论基本主张”的哲学含义， 他将这些主张归纳为：

这与赫伯特·西蒙和艾伦·纽厄尔在1963年提出的物理符号系统假说中关于“充分性”的论述高度一致：

同时，它也类似于休伯特·德雷福斯提出的“心理学假设”（参见德雷福斯对人工智能的批评#德雷福斯关于人工智能研究的四个假设）：

在豪格兰的语境中，GOFAI 指的是受一套指令支配的符号操纵（Symbol manipulation）。他所说的“符号”是指被赋予了明确语义的离散物理实体（例如 和 ），而非原始信号、未识别的数值矩阵，更不是计算机底层的 0 和 1。 因此，豪格兰定义的 GOFAI 既不包括控制论、感知器、动态规划或控制理论等早期技术，也不包括现代的神经网络或支持向量机。

豪格兰探讨的核心在于：GOFAI 对于实现通用人工智能（AGI）是否“足够”（充分）——即创造完全智能的机器是否“不需要”引入其他任何机制。基于此，豪格兰的 GOFAI 不涵盖将符号 AI 与其他技术结合的混合系统（如神经符号人工智能），也不包括那些仅为解决特定狭义问题且不志在实现通用智能的狭义符号人工智能系统。

各界回应
人工智能科学家的视角
人工智能学者斯图尔特·罗素（Stuart Russell）和彼得·诺维格（Peter Norvig）在评价德雷福斯和豪格兰的批评时写道：他们批评的技术后来被称为“老式人工智能”（GOFAI）。GOFAI 相当于最简单的逻辑智能体设计……我们发现……要在一套充分且必要的逻辑规则中捕捉到合适行为的每一种偶然性，确实是非常困难的；我们将这称为资格问题（Qualification problem）。

为了克服这些局限，20世纪80年代之后的符号 AI 研究开始引入针对开放域更具鲁棒性的方法，例如概率推理、非单调推理以及机器学习技术。

发展至今，大多数人工智能研究人员认为，通向通用人工智能的道路需要依赖深度学习，或者更有可能是神经网络与符号逻辑相结合的综合性方法（即神经符号人工智能）。

脚注
参考文献
*
*
*
*
*
*
*

• .

*

GOFAI