这一章名为“符号与符号处理”，实际是介绍计算机科学。计算机科学始于艾伦·图灵的图灵机研究（见On computable numbers, with an application to the Entscheidungsproblem）。有些学者推崇非符号形式的人工智能（例如文章Connectionist AI, symbolic AI, and the brain），但他们实际谈论的依然是符号处理，只不过是在用数字代表符号（如符号代数中的例子），而非使用非数字概念（如符号逻辑中的例子）。
这两个例子谈到的问题是计算机科学的核心，且非常有趣。一道题可以有多种解答方法，并且属性各不相同，计算机科学家花了大量时间和精力研究算法，即题的各种解答方法（参见Algorithmics: The Spirit of Computing）。
在符号代数中，求解方程组的标准算法是高斯消元（Gaussian Elimination）（参见Schaum’s outline of theory and problems of linear algebra）。其属性是，对于具有n个变量的n个方程，通过大约n3步可以求得一个解。这就是说，即使方程组里有成百上千万个变量，依然能够解决。
但在符号逻辑当中，目前为止最好的算法可能就是DPLL（数字锁相环，可参见文章Satisfiability solvers的例子）。逻辑问题存在有n个变量，求解大约需要2n步The intractability of resolution。（而证明这点则需要根据消解规则，对DPLL进行变体（A machine-oriented logic based on the resolution principle），文中已经提到）。这就是说，即使是最快的计算机，对于只有100个变量的逻辑问题也无能为力。
这又引出了两个问题。首先，我们在想是否会有比DPLL更好的算法。在数学领域，这个问题的精确版就是著名的P=NP问题，这个问题由斯蒂芬·库克（Stephen Cook）于20世纪70年代首次提出（参见The complexity of theorem-proving procedures）。从那时起到现在，虽然已有成千上万名计算机科学家和数学家竭尽全力，试图攻克难题，但是依然没有答案。由于这个问题与其他众多题目息息相关，因此被视为计算机科学领域最为重要的开放问题（参见文章The status of the P versus NP problem）。
第二个问题涉及前一章提到的长尾现象。DPLL的工作方式是系统性地搜索逻辑上的所有可能。有趣的是，在随机构建的测试当中，DPLL执行此类操作所需的步骤却都很少。实际上，上述测试所需的步骤与上一章中的长尾数字非常相似。因为样本测试案例越多，平均值就越高，所以在实践中，根本不可能估算出DPLL所要求的步数。有关详情，请参阅Heavy-tailed phenomena in satisfiability and constraint satisfaction problems一文。
如果需要其他材料来教孩子系统学习这些程序，请参考Computational thinking一文。