המונח: איך פילוסוף טבע שם לתקופה שלמה
הפילוסוף ג'ון האוגלנד טבע את הראשי-תיבות GOFAI — קיצור של Good Old-Fashioned Artificial Intelligence — בספרו "Artificial Intelligence: The Very Idea" (הוצאת MIT Press, 1985, כ-287 עמודים). השם עצמו נולד באופן רטרוספקטיבי במכוון: עד אמצע שנות ה-80 הגישה הסימבולית הייתה פשוט "AI" ללא כינוי מבחין — היא קיבלה שם רק אחרי שגישות מתחרות, ובראשן רשתות-נוירונים מחוברות (Connectionism), התחילו לתפוס מקום של ממש בשיח המחקרי, ונדרשה מילה שתפריד בין הישן לחדש. האוגלנד ניסח את הגישה סביב שתי טענות-יסוד: שהיכולת לחשוב נובעת מ"היכולת לנמק באופן סביר על דברים", ושהיכולת הזו מבוססת על "מניפולציה אוטומטית פנימית של סמלים" — כלומר, שהחשיבה עצמה היא, במהותה, עיבוד-מידע פורמלי על ייצוגים דיסקרטיים, לא תהליך מעורפל שאי-אפשר לפרק לכללים.
העיקרון: סמלים דיסקרטיים וכללים פורמליים
בבסיס GOFAI עומדת השערה שניסחו הרברט סיימון ואלן ניואל בהרצאת פרס-טיורינג שלהם (הפרס לשנת 1975; ההרצאה פורסמה ב-1976), "Computer Science as Empirical Inquiry: Symbols and Search": "השערת מערכת-הסמלים הפיזית" (Physical Symbol System Hypothesis), הטוענת שכל מערכת המסוגלת להציג התנהגות אינטליגנטית-כללית חייבת לפעול על-ידי מניפולציה של סמלים פיזיים — ייצוגים דיסקרטיים בעלי משמעות מוגדרת, למשל <חתול> על <מזרן> — לפי כללים פורמליים-מפורשים. בפרקטיקה זה אומר שמתכנת מקודד ידע כחוקי "אם-אז", עצי-חיפוש, או ייצוגים לוגיים-סמליים, במקום ללמד את המערכת מדוגמאות. הגישה הזו שלטה כמעט-ללא-עוררין ברוב תחומי-המחקר של AI בין אמצע שנות ה-50 לאמצע שנות ה-90, ועוררה בתקופתה גם את "המהפכה הקוגניטיבית" במדעי-הקוגניציה — בהשראת ההנחה שהמוח האנושי עצמו עשוי לפעול באופן דומה: עיבוד-סמלים פנימי, לא רק תגובה סטטיסטית לגירויים.
דוגמאות מכוננות: Logic Theorist ו-SHRDLU
שתי מערכות מוקדמות ממחישות את הגישה בפעולה. Logic Theorist, שפיתחו אלן ניואל, הרברט סיימון וקליף שו והושלמה ב-1956, מתוארת לעיתים קרובות כתוכנית ה-AI הראשונה בהיסטוריה: היא הוכיחה 38 מתוך 52 המשפטים הראשונים בפרק השני של Principia Mathematica מאת וייטהד וראסל, ואף מצאה הוכחה קצרה וייחודית-משלה למשפט 2.85. שנים מאוחר יותר, SHRDLU — שפיתח טרי וינוגרד ב-MIT בין 1968 ל-1970 — הדגימה הבנת-שפה-טבעית בתוך עולם-קוביות מדומה: המשתמש יכול היה לבקש ממנה "מצא בלוק גבוה יותר מזה שאתה מחזיק, והכנס אותו לקופסה", והתוכנית ביצעה את הפקודה בעזרת זרוע וירטואלית מדומה. שתי המערכות פעלו בתחום מצומצם-בכוונה — לוגיקה פורמלית מוגבלת, או עולם-קוביות סגור — ודווקא ההצלחה שם חשפה בהמשך עד כמה קשה להרחיב את אותה גישה לעולם האמיתי, הפתוח והרב-משמעי.
השיא המסחרי ועד למגבלה: מערכות-מומחה ובעיית-ההסמכה
בשנות ה-70 וה-80 הגישה הסימבולית הבשילה למוצר מסחרי של ממש — מערכות-מומחה (Expert Systems), שקידדו ידע-תחום כחוקים מפורשים, בהמשך ישיר לעיקרון של GOFAI אך ממוקד-תעשייה. עד אמצע שנות ה-80 כשני-שליש מחברות ה-Fortune 500 כבר יישמו מערכות כאלה בעסקים שלהן. אבל אותה תלות בקידוד-ידע-אנושי-ידני שהייתה מקור-הכוח של הגישה, הייתה גם נקודת-התורפה שלה: "בעיית-ההסמכה" (Qualification Problem) — הקושי לרשום מראש, ככלל לוגי סופי, את כל התנאים והחריגים הנדרשים כדי שהתנהגות תהיה תקפה בעולם אמיתי — הפכה למכשול מעשי. מספר-הכללים הנדרש לתחום מורכב גדל מהר יותר משצוות-אנושי יכול לתחזק, ו"חורף-ה-AI" השני, בסביבות סוף שנות ה-80 ותחילת שנות ה-90, הביא לצמצום דרמטי במימון ובציפיות מהגישה כולה.
המורשת מול הלמידה העמוקה
מאז תחילת שנות ה-2010 הגישה הדומיננטית ב-AI הפכה לסטטיסטית-נלמדת-מנתונים — למידה עמוקה — ולא מקודדת-ידנית-מכללים, וה-GOFAI נותר שם רטרוספקטיבי לתקופה שקדמה לה, לא גישה נטושה לחלוטין. תחומים שדורשים ודאות-מוחלטת, פרשנות-מלאה או תכנון-דליברטיבי-מסודר עדיין נשענים על עקרונות סימבוליים — ומחקר עדכני יותר, "בינה נוירו-סימבולית", מנסה במפורש לשלב בין השניים: למידה סטטיסטית לזיהוי דפוסים, וייצוג סימבולי-מפורש לתכנון ולנימוק אמין. הניגוד בין שתי הגישות — ידע-מקודד-מראש מול דפוס-נלמד-מנתונים — נותר עד היום אחד הצירים המרכזיים שדרכם מבינים למה תחום ה-AI התפתח כפי שהתפתח, ולמה גל-הלמידה-העמוקה נחשב לשינוי כה יסודי ולא רק שיפור הדרגתי.