這一章名為「符號與符號處理」，實際是介紹計算機科學。計算機科學始於艾倫·圖靈的圖靈機研究（見On computable numbers, with an application to the Entscheidungsproblem）。有些學者推崇非符號形式的人工智能（例如文章Connectionist AI, symbolic AI, and the brain），但他們實際談論的依然是符號處理，只不過是在用數字代表符號（如符號代數中的例子），而非使用非數字概念（如符號邏輯中的例子）。
這兩個例子談到的問題是計算機科學的核心，且非常有趣。一道題可以有多種解答方法，並且屬性各不相同，計算機科學家花了大量時間和精力研究算法，即題的各種解答方法（參見Algorithmics: The Spirit of Computing）。
在符號代數中，求解方程組的標準算法是高斯消元（Gaussian Elimination）（參見Schaum』s outline of theory and problems of linear algebra）。其屬性是，對於具有n個變量的n個方程，通過大約n3步可以求得一個解。這就是說，即使方程組裡有成百上千萬個變量，依然能夠解決。
但在符號邏輯當中，目前為止最好的算法可能就是DPLL（數字鎖相環，可參見文章Satisfiability solvers的例子）。邏輯問題存在有n個變量，求解大約需要2n步The intractability of resolution。（而證明這點則需要根據消解規則，對DPLL進行變體（A machine-oriented logic based on the resolution principle），文中已經提到）。這就是說，即使是最快的計算機，對於只有100個變量的邏輯問題也無能為力。
這又引出了兩個問題。首先，我們在想是否會有比DPLL更好的算法。在數學領域，這個問題的精確版就是著名的P=NP問題，這個問題由斯蒂芬·庫克（Stephen Cook）於20世紀70年代首次提出（參見The complexity of theorem-proving procedures）。從那時起到現在，雖然已有成千上萬名計算機科學家和數學家竭盡全力，試圖攻克難題，但是依然沒有答案。由於這個問題與其他眾多題目息息相關，因此被視為計算機科學領域最為重要的開放問題（參見文章The status of the P versus NP problem）。
第二個問題涉及前一章提到的長尾現象。DPLL的工作方式是系統性地搜索邏輯上的所有可能。有趣的是，在隨機構建的測試當中，DPLL執行此類操作所需的步驟卻都很少。實際上，上述測試所需的步驟與上一章中的長尾數字非常相似。因為樣本測試案例越多，平均值就越高，所以在實踐中，根本不可能估算出DPLL所要求的步數。有關詳情，請參閱Heavy-tailed phenomena in satisfiability and constraint satisfaction problems一文。
如果需要其他材料來教孩子系統學習這些程序，請參考Computational thinking一文。