U veštačkoj inteligenciji, simbolička veštačka inteligencija (takođe poznata kao klasična veštačka inteligencija ili veštačka inteligencija zasnovana na logici)^[1][2] je termin za kolekciju svih metoda u istraživanju veštačke inteligencije koje se zasnivaju na simboličkim (ljudski-čitljivim) reprezentacijama visokog nivoa za probleme, logiku i pretrage.^[3] Simbolička VI je koristila alate kao što su logičko programiranje, proizvodna pravila, semantičke mreže i okviri, i razvijala je aplikacije kao što su sistemi zasnovani na znanju (posebno ekspertni sistemi), simbolička matematika, automatizovani dokazi teorema, ontologije, semantička mreža i automatizovani sistemi planiranja i rasporeda. Simbolička VI paradigma je dovela do seminalnih ideja u pretrazi, simboličkim programskim jezicima, agentima, sistemima sa više agenata, semantičkom vebu, kao i prednostima i ograničenjima formalnog znanja i sistema rasuđivanja.

Simbolička VI je bila dominantna paradigma istraživanja VI od sredine 1950-ih do sredine 1990-ih.^[4] Istraživači su tokom 1960-ih i 1970-ih bili ubeđeni da će simbolički pristupi na kraju uspeti da stvore mašinu sa veštačkom opštom inteligencijom i smatrali su to krajnjim ciljem svog polja. Rani procvat, sa ranim uspesima, kao što su Teoretičar logike i Samjuelov program za igranje dama, doveo je do nerealnih očekivanja i obećanja. Zatim je usledila prva zima veštačke inteligencije pošto je finansiranje prestalo.^[5][6] Drugi procvat (1969–1986) dogodio se sa usponom ekspertskih sistema, njihovim obećanjem da će steći korporativnu ekspertizu i entuzijastičnom korporativnom potporom.^[7][8] Taj bum i neki rani uspesi, na primer, sa XCON-om na DEC-u, ponovo su praćeni kasnijim razočarenjem.^[8] Pojavili su se problemi sa poteškoćama u sticanju znanja, održavanjem velike baze znanja i krhkosti u rešavanju problema van domena. Usledila je još jedna, druga VI zima (1988–2011).^[9] Nakon toga, istraživači veštačke inteligencije su se fokusirali na rešavanje osnovnih problema u rešavanju neizvesnosti i sticanju znanja.^[10] Neizvesnost je adresirana formalnim metodama kao što su skriveni Markovljevi modeli, Bajesovo rezonovanje i statističko relaciono učenje.^[11][12] Simboličko mašinsko učenje se bavilo problemom sticanja znanja putem doprinosa kao što su prostor verzija, Valijantovo PAC učenje, Kvinlanovo ID3 učenje na stablu odluka, učenje zasnovano na slučajevima i induktivno logičko programiranje za učenje odnosa.^[13]

Neuronske mreže, podsimbolički pristup, su korišćene od ranih dana i ponovo su se snažno pojavile 2012. Rani primeri su Rozenblatov rad na učenju perceptrona, rad na bekpropagaciji Ramelharta, Hintona i Vilijamsa,^[14] i rad na konvolucionim neuronskim mrežama Lekuna i saradinka iz 1989. godine.^[15] Međutim, na neuronske mreže se nije gledalo kao na uspešne sve do 2012: „Dok velike količine podataka nisu postale uobičajene, opšti konsenzus u VI zajednici je bio da je takozvani pristup neuronske mreže beznadežan. Sistemi jednostavno nisu adekvatno funkcionisali, u poređenju sa drugim metodama ... Revolucija je nastupila 2012. godine, kada su brojni istraživači, uključujući tim istraživača koji su radili sa Hintonom, razradili način da iskoriste prednosti GPU-a za enormno povećanje snage neuronskih mreža.“^[16] Tokom narednih nekoliko godina, duboko učenje je imalo spektakularan uspeh u rukovanju vidom, prepoznavanju govora, sintezi govora, generisanju slika i mašinskom prevođenju. Međutim, od 2020. godine, pošto su inherentne poteškoće sa pristrasnošću, objašnjivošću, razumljivosti i robusnosti postali očigledniji sa pristupima dubokog učenja, sve veći broj istraživača veštačke inteligencije poziva na kombinovanje najboljeg od oba pristupa, simboličkih i neuronskih mreža^[17][18] i rešavanje poteškoća sa kojima oba pristupa imaju poteškoća, kao što je zdravorazumsko rezonovanje.^[16]