就在许多企业使用基本机器学习(ML)和深度学习(DL)模型进行人工智能实验的同时，一种被称为符号AI的新型人工智能正在实验室中涌现，其有可能改变人工智能的功能及其与人类监督者的关系。
人工智能历史上有两类:符号人工智能和非符号人工智能。每一种人工智能都采用不同的方法来构建智能系统。符号方法试图创建一个基于规则和知识的具有可解释行为的智能系统;而非符号方法旨在创建一个模仿人类大脑的计算系统。
计算机科学的最终目标是创建一个能够思考、逻辑和学习的AI系统。另一方面，如今的大多数人工智能系统只具备两种能力中的一种:学习或推理。虽然符号方法擅长于思考、解释和管理大型数据结构，但它们很难在感知世界中建立符号。
为了解决问题，符号AI采用了自上而下的方法(例如:国际象棋计算机)。“只要你足够努力，就会找到想要找的东西。”搜索是一种象征性的AI技术。在这种情况下，计算机对潜在解决方案的逐步测试和结果的确认被称为“搜索”。国际象棋计算机“想象”出数百万种不同的未来走法和组合，然后根据结果“决定”哪一种走法最有可能获胜，这就是一个很好的例子。这与人类的思维是相似的:每个花费大量时间玩棋盘游戏或策略游戏的人，在做出选择之前至少会“玩过”一次他们思想中的动作。神经网络可以帮助传统的AI算法，因为它们添加了一种“人类”的直觉，减少了需要计算的动作数量。通过整合这些技术，AlphaGo能够在围棋这样复杂的游戏中击败人类。如果计算机计算出每一步的所有可能的移动，这就不可能实现。
一旦将想法存储在规则引擎中，就很难修改，这是符号AI或GOFAI的主要障碍之一。专家系统是单调的，这意味着添加的规则越多，系统中编码的信息就越多，但新的规则不能破坏先前的知识。单调是一个仅指一个方向的术语。机器学习算法可以在新的数据上重新训练，其更擅长记录临时信息，如果需要的话，以后可能会收回这些信息。例如，当数据是非平稳时，它们会根据新数据修改参数。
符号思维的第二个问题是，计算机不理解符号的含义，这意味着它们不一定与世界的其他非符号表示有关。这与神经网络不同，神经网络可能将符号与数据的矢量表示连接起来，这只是原始感官输入的转换。
那么，显而易见的问题是:“这些符号是为谁服务的?”它们对机器有用吗?既然机器人能让人类基于潜在的生理限制进行交流和管理信息，为什么还要使用符号呢?为什么机器不能使用向量或海豚和传真机共享的一些嘈杂语言进行交流?
让我们来做一个预测:当机器真的学会了以可理解的方式相互交流时，其将使用一种人类无法理解的语言。对于高带宽设备来说，也许字的带宽是不够的。也许其需要额外的维度来清楚地表达自己。语言只是被机器绕过的门上的一个钥匙孔。自然语言充其量可能是人工智能提供给人类的一个API，这样人类就可以搭上其的顺风车;在最坏的情况下，这可能是对实际机器智能的转移。然而，我们将其与成功的巅峰混为一谈，因为自然语言是我们展示智慧的方式。
好处:
- 创建知识图谱: 创建知识图谱，作为构建任何聊天机器人或语音助手的起点。知识图谱是未来的数据结构，其将成为未来所有基于人工智能的应用的基础。
- 流程实施: 数字化和组织数据的准备是企业不可避免的。因此，知识图谱的创建迟早是不可避免的。建立组织程序和工作流程，这对未来频繁的知识文档和更新是必要的。
- 最大的便利: 在线处理后台的细节，使企业能够专注于数据准备和添加。在线对话AI平台允许用户在任何时间轻松编辑或修改任何信息。
- 全面的方法: 在线通过协助用户完成流程的所有阶段来提供完整的体验。从以知识图谱的形式存储信息，到为聊天机器人或语音助手提供吸收事实、适当响应的能力，并允许用户完成想要的交易(如购买)。可能性是无限的。
