語義表示範式下的物理符號系統與聯結主義
語義表示
語義表示 (Semantic Representation) 是人工智慧研究的核心課題，語義表示的目標在於建立一個從形式符號或數值向量指向真實世界意義的映射機制。在計算機科學中，語義 (Semantics) 代表資料背後所表示真實世界的意義，而不只是語法 (Syntax) 的編碼格式。若符號系統僅能在內部進行抽象的語法操作，而無法與外部物理世界的感官經驗建立實質連結，系統便無法產生真正的語義理解 [1]。有效的語義表示是代理人 (Agent) 在環境中進行狀態推論、決策與跨環境遷移的基礎。無論是透過明確的圖結構或是隱含的數值特徵，最終目標都是為了讓計算機模擬人類對於概念的理解與操作。
符號人工智慧與物理符號系統表示
符號人工智慧 (Symbolic AI) 屬於認知科學(Cognitive Science)的研究範疇，理論基礎多建立在物理符號系統 (Physical Symbol System)，主張智慧的必要條件是具備對離散符號進行操作的能力 [2]。在這種範式 (Paradigm) 下，知識採用局部化表示 (Localist Representation)，為單一符號對應一個明確且唯一的概念。系統透過謂語邏輯建立實體間的關聯，優點在於具備極高的可解釋性與嚴謹的推論能力，每一個推理步驟都能追溯至特定的符號規則。這類系統雖然在處理精確邏輯上表現卓越，但在面對噪聲數據或是非結構化感官輸入時往往顯得較為脆弱。
聯結主義與亞符號表示
相對於符號式的明確性，聯結主義 (Connectionism) 是當前主流大型語言模型 (Large Language Model, LLM) 的理論來源。聯結主義主張智慧源於大量簡單處理單元，也就是神經元，透過權重連結後產生的湧現現象。在這種亞符號 (Subsymbolic) 系統中，語義並非儲存在單一節點，而是採用分佈式表示 (Distributed Representation) [3]。將實體映射為潛在空間 (Latent Space) 的嵌入向量 (Embedding Vector) ，語義由該向量與其他向量的相對幾何距離所定義。這種範式雖然具備強大的模式識別與容錯能力，但黑盒性質使得內部的推理邏輯難以被人類直觀解讀，也因此存在不可解釋性。
神經符號系統
神經符號 (Neuro-symbolic) 系統發展則是一種平衡策略，嘗試整合亞符號系統的感知能力與符號系統的邏輯推理。這種混合範式的設計動機是為了解決單一系統的侷限性，例如神經網路在處理長期依賴與信用分配 (Credit Assignment) 困難，以及符號系統在面對噪聲數據時的脆弱性。透過將神經網路學習到的特徵映射回結構化的符號記憶中，代理人能同時保有對原始數據的處理彈性，以及對知識結構的精確控制。這種整合架構被視為邁向具備常識推理與可重現性的通用人工智慧 (Artificial General Intelligence) 的關鍵技術路徑。
參考文獻
[1] S. Harnad, “THE SYMBOL GROUNDING PROBLEM”.
[2] A. Newel and H. A. Simon, “Completer ScienceasEmp rical Inquiry: Symbols and Search,” vol. 19, no. 3.
[3] P. Smolensky, “On the proper treatment of connectionism”.
