1.3 人工智能的三个学术流派

现今世界，我们每个人都在感受着人工智能的无所不在：我们会用语音输入免去键盘输入带来的麻烦；我们会迅速浏览定向推送过来的自己感兴趣的新闻，而新闻会告诉我们当前最热门的消息。比如：人工智能系统竟然战胜了人类最强的围棋手；我们会坦然接受机器送餐员为我们忙碌地传送菜肴；我们会在无人酒店里过着无人打扰的生活；我们会用智能导航来规避道路上的拥堵地段；我们会用翻译软件的“即拍即翻”功能为我们解除异国文字带来的困扰；我们会用花卉识别软件来告诉自己所见到的美丽花朵是什么品种……而所有这一切，都拜人工智能技术所赐。这些场景涉及了图像识别、机器翻译、语音识别、智能推荐、决策搜索算法、智能输入、问答系统、行走机器人等诸多人工智能技术。

在人工智能发展的进程中，对人工智能研究影响较大的主要有三大学术流派，即符号主义、连接主义、行为主义。符号主义的核心是符号推理与机器推理，是用符号表达的方式来研究智能、研究推理，奠基人是约翰·麦卡锡（John McCarthy）、赫伯特·A.西蒙（Herbert A.Simon）和艾伦·纽厄尔（Allen Newell）；连接主义的核心是神经元网络与深度学习，模仿人的神经系统，将其模型用计算的方式呈现，用以模仿智能，奠基人是马文·明斯基（Marvin Minsky）；行为主义推崇的是控制、自适应与进化计算，奠基人是诺伯特·维纳（Norbert Wiener）。

1.3.1 符号主义

符号主义（symbolicism）是指符号人工智能（symbolic artificial intelligence）^[59]，也被称为逻辑主义（logicism）、心理学派（psychologism）或计算机学派（computerism），其依托的是一种基于问题、逻辑和搜索的高级符号处理体系，其基础主要为物理符号系统假设和有限合理性原理。符号人工智能起源于20世纪30年代数理逻辑对智能行为的描述，计算机出现后，又在计算机上实现了逻辑演绎系统，其应用推动了人工智能的发展。在人工智能中，符号认知的基本要素是符号，通过将信息和行为抽象到基于符号规则的物理符号系统中，利用计算机逻辑推理模拟人类的抽象思维，实现了智能行为的模拟。

1955年，西蒙意识到能够操纵符号的机器可以很好地模拟决策行为，甚至能模拟人类思想的过程，他与纽厄尔开始讨论教机器思考的可能性。他们邀请了约翰·C.肖（John Clifford Shaw）于1956年编写了一个命名为“逻辑理论家”（Logic Theorist，LT）的程序^[60]。这是第一个模仿人类进行问题求解的程序，也被称为“第一个人工智能程序”。LT建立了启发式程序设计领域，并很快证明伯特兰·罗素（Bertrand Russell）和艾尔费雷德·怀特黑德（Alfred Whitehead）著的《数学原理》第二章前52个定理中的38个定理，其中一个定理的证明比罗素和怀特黑德的手工证明显得更优雅。1956年，西蒙和纽厄尔作为人工智能首次会议——达特茅斯（Dartmouth）会议的受邀参加者，在会上介绍了他们所发明的“逻辑理论家”，这项成果被认为是此次会议的一个亮点。

1956年，着迷于研究计算机下棋的麦卡锡发起并参加了达特茅斯会议，他在会议上介绍了他所提出的α-β搜索算法^[61]。该算法是会议的亮点之一，通过设置棋类博弈中己方必须考虑的不能输棋的下限因素α和对手必须考虑的需要赢棋的上限因素β作为判定条件，判断哪些选择是在上下界之外的，那就表明这些选择可以不予考虑，由此可以将搜索树的空间剪枝为原来的平方根级别。1997年，战胜国际象棋大师卡斯帕罗夫的“深蓝”就是使用的α-β搜索算法^[62]。麦卡锡在达特茅斯会议上指出：这次会议是基于这样的推测，即原则上可以精确地描述学习的各个方面或智能的任何特征，从而可以制造出能够模拟它的机器。^[63]在麦卡锡的推动下，使用符号描述或学习智能的特征一直是人工智能的研究重点。1956年，麦卡锡与香农合著《自动机研究》^[64]一书；之后，麦卡锡还发明了人工智能符号语言LISP（list processing language，表处理语言）^[65]。该语言一度成为人工智能的代名词，进一步奠定了麦卡锡在人工智能领域中的地位。

麦卡锡、西蒙和纽厄尔的早期推动，以及他们在符号主义人工智能方面的贡献，使得他们被誉为符号主义学派的奠基人。

符号主义学派认为，人们通过使用不同的符号进行交流，可以更加容易地相互理解，这也是人类变得聪明的主要原因之一；认知过程是在符号表示上的一种运算，可以通过计算机进行符号操作从而模拟人的认知过程。符号主义学派的研究思路一般可以分为三步：第一步是研究并理解人类认知系统的功能机理；第二步是使用符号和基于符号的运算描述人类的认知过程；第三步是利用计算机系统实现符号的表示和基于符号的运算，从而模拟人类的认知过程，实现人工智能。

符号主义学派的特点体现在其自上而下地通过推理演绎的方式实现人工智能。从符号主义学派的观点来看，人工智能的核心问题是知识表示、知识推理与知识运用。知识是构成智能的基础，是信息的一种表现形式；知识可以使用符号进行表示，而认知是对符号的处理过程；推理是采用启发式方式对问题求解的过程，也是可以用某种形式化的符号及语言进行描述的。因此，通过符号的表示、处理、计算等有可能建立起基于知识的人类智能和机器智能的统一理论体系。

符号主义学派的研究者在1956年首先采用了“人工智能”这个术语，后来发展出了多种启发式技术、专家系统、知识工程等理论及技术，为早期人工智能的发展和应用奠定了基础。其中，专家系统可以基于专家知识设计计算机程序来解决复杂问题，是一种典型的符号化计算范例。专家系统结合了专家知识，能精确地通过符号计算来处理规则，并进行推理，如使用产生式规则网络，以类似于If-Then语句的关系连接符号来支撑推理过程，从而根据实际问题可以设计和实现不同领域的专家系统。

由于专家系统的多方面优势，使得符号主义在相当长的一段时间内占据了人工智能研究的主流地位，尤其是20世纪70年代后出现了大量结合领域知识的专家系统，促进人工智能技术进入实际工程应用中。通过定义逻辑推理相关的符号及操作，可以创建执行各种任务的符号人工智能程序，面向对象的程序设计（Object Oriented Programming，OOP）也可以说是符号人工智能的一个典型成果。

由于符号主义的思想体系在20世纪50年代中期至80年代末期一直主导着人工智能的发展，并成为人工智能研究的主要范例，因此符号主义的研究方法被学者视为传统的人工智能方法。该方法假设可以通过操纵符号来实现部分智能。这一假设被纽厄尔和西蒙定义为“物理符号系统假说”^[66]。约翰·豪格兰（John Haugeland）在其1985年的著作《人工智能：非凡的想法》^[67]中将这种传统的人工智能方法称为GOFAI（Good Old-Fashioned Artificial Intelligence，出色的老式人工智能），并将其命名为符号人工智能（symbolic artificial intelligence）。

符号人工智能的一个鲜明特点是逻辑演绎特性，这使其行为具有可解释性，人们可以轻松地可视化展示基于规则的程序的逻辑，从而可以对其系统进行故障检查。对于规则非常清晰的输入事务，符号人工智能可以轻松地获取规则描述并将其转换为符号，从而进行逻辑演绎。由于逻辑演绎具有很好的可解释性，在符号表达完整、规则描述清晰的系统上取得了良好的应用效果。

符号主义曾长期一枝独秀，尤其是专家系统的成功开发与应用为人工智能技术从理论走向工程实践起到了至关重要的作用，为人工智能的发展做出了重要贡献。尽管人工智能的其他学派先后出现，符号主义依然是人工智能的主流学派。近些年出现的知识图谱技术为符号主义学派注入了新的生机和活力。尽管知识图谱并不是规则模式，自身并不具有直接的推理能力，但其是知识工程的一种形态，可以拥有庞大的知识库，且通过符号之间的连接，可将相关的内容有机地关联起来，再通过基于知识库的各种服务提供抽取、搜索等服务，还可以基于已知的关系推演出未知的关系，从而反映出一种广义的推理能力，表达出其智能特性。知识图谱的构造过程有两种：一种是通过信息抽取技术抽取出已有的知识；另一种是通过传统的符号推理方法生成新的知识。

1.3节第一段提到的智能输入、决策搜索算法、问答系统就是符号主义所擅长的领域。当然，随着知识图谱的快速发展，知识表示能力的不断增强，推荐算法也可能更接近符号主义的处理方法。

1.3.2 连接主义

连接主义（connectionism，也可翻译为“联结主义”）^[68]学派也被称为仿生学派（bionicsism）或生理学派（physiologism），其研究方法是一种基于网络连接机制和学习算法的智能模拟方法。当前，这一学派在人工智能研究领域同样占有重要地位。连接主义学派认为人工智能源于仿生学，尤其是源于人脑模型，并尝试通过工程技术的手段模拟人脑神经系统的结构和功能。

连接主义的提出可追溯到1943年生理学家沃伦·S.麦卡洛克（Warren S.McCulloch）和数理逻辑学家沃尔特·皮茨（Walter Pitts）所发表的文章《神经活动中内在思想的逻辑演算》^[69]。该文章提出了神经元的M-P（McCulloch-Pitts）数学模型，提出了用形式化方式描述神经元和网络结构的方法，开创了使用电子装置模仿人脑结构和功能的新途径。M-P模型一直沿用至今，成为神经元最基本的结构。这篇文章认为，人类的认知系统和智能行为是人脑高层活动的结果，智能活动是由大量简单的神经元通过复杂的相互连接后并行运行的结果。

1951年，马文·明斯基（Marvin Minsky）和迪安·埃德蒙兹（Dean Edmonds） 合作设计了世界上第一台人工神经网络自学习机器——SNARC（Stochastic Neural Analog Reinforcement Calculator，随机神经模拟强化计算器）^[70]。SNARC由3000 个真空管构成，模拟了40 个神经元的运行，其最初目的是学习如何穿越迷宫。在经过不断的尝试后，SNARC学会一些解决问题的方法，由此形成了基于连接主义的人工智能发展道路。明斯基也是1956年达特茅斯会议的发起者之一。他在会议上介绍了SNARC的工作，被认为是值得关注的学术成果。这也是明斯基被视为连接主义奠基人的原因之一。

连接主义学派使用基于神经网络的模拟方法，以工程技术手段模拟人脑神经系统的结构、功能等，通过大量的并行处理器模拟人脑中数量庞大的神经细胞（神经元），用处理器互相之间的连接关系模拟人脑中神经细胞突触之间的连接行为。人工神经网络首先将多个神经元组成一层网络，再由多层这样的网络通过互相连接实现一个完整的神经网络，然后利用大量的数据训练这一网络，用学习算法调整神经元之间的连接权重，从而使神经网络不断完善。人工神经网络技术开辟了人工智能的又一发展道路。

20世纪60年代出现的感知机（perceptron）模型可以根据训练数据自动调整M-P模型中连接的权重，以此机制建立的脑模型^[71]一度备受关注，但是受到当时各种技术条件的限制，脑模型的研究在20世纪70年代后期至80年代初期进入低潮。直到约翰·J.霍普菲尔特（John J.Hopfield）教授先后在1982年^[72]和1984年^[73]发表了该领域的两篇重要论文，提出用硬件模拟神经网络的方法，连接主义才又重受重视。1986年，大卫·E.鲁梅尔哈特（David E.Rumelhart）等人提出在多层神经网络中调整连接权重的反向传播算法（Back Propagation,BP）^[74]，在理论研究上取得了巨大突破。此后，连接主义人工智能势头大振，从模型到算法，从理论研究到工程实现，神经网络逐步从学术界走向工业界，开始在多个领域逐步普及并走向市场。

2007年，连接主义的领军者辛顿（Geoffrey E.Hinton）提出了深度学习算法^[75]，大大提高了神经网络的学习能力。根据《麻省理工技术评论》的2013年4月的报道^[76]，2013年3月，谷歌收购了辛顿所创办的初创企业，以便“把这一领域的想法拿出来，应用到实际问题上”，比如应用到图像识别、搜索和自然语言理解等实际场合；谷歌当时的神经网络拥有超过10亿个连接，通过深度学习技术，能识别人类从未定义或标记过的物体；微软美国研究部主管彼得·李（Peter Lee）表示，深度学习重新引发了人工智能领域的一些重大挑战。微软首席研究官里克·拉希德（Rick Rashid）2012年10月在中国的一次演讲中演示了一款语音处理软件。该软件将他的口语转换成英语文本（错误率仅仅约为7%），并翻译成中文文本，然后模拟他自己的声音用中文普通话朗读。

深度学习算法被认为是最接近模拟人类大脑智能学习的过程，逐渐成为人工智能必不可少的组成部分，包括IBM 的“沃森”、谷歌的搜索引擎以及Facebook 的算法都离不开深度学习。由于众多企业大力推进深度学习技术，并将其应用于语音识别、图像识别、自然语言处理等领域，《麻省理工技术评论》把深度学习列入了2013 年度十大技术突破之一^[77]，称“深度学习借助强大的计算能力，使得机器现在可以识别对象并实时翻译语音。人工智能终于变得聪明了。”

连接主义的主要优势在于神经网络可以从训练数据中发现规则。首先，用户提供样本数据，包括输入数据和对应的输出数据（数据集越大越好）；然后，连接主义算法应用统计回归模型来调整其中间变量的权重系数，直到找到最佳拟合模型为止。使用诸如梯度下降之类的技术，可在使所有训练数据点的累积误差最小化的方向上调整权重。由于这些技术是有效地使错误率最小化的算法，因此它们具有固有的“抗噪”能力。它们将消除异常值，并使误差收敛在一定范围内，从而得到良好的对数据进行分类的解决方案。

连接主义算法不需要实际模型，它们只需要足够的样本数据，就可以从统计学上推断出实际模型。这是一个非常强大的特性，但也是一个弱点，因此输入功能必须非常仔细地选择，避免出现错误污染，还必须对其进行归一化或缩放，避免一个功能胜过另一个功能。

人们经常提到的语音识别、语音处理、机器翻译、图像识别等是连接主义所擅长的领域。当然，随着深度学习的快速发展，强化学习技术的应用范围不断扩大，智能输入、推荐算法、博弈中的搜索算法等也纳入到了连接主义的视线范围内，成为放大连接主义能力的一个支撑点，也使得连接主义有机会在这些应用领域中发挥更强大的作用。

1.3.3 行为主义

行为主义（actionism）学派^[78]也被称为进化主义（evolutionism）学派或控制论学派（cyberneticsism）。该学派认为人工智能源于控制论；认为智能行为无须知识、表示及推理，是在主体与外部环境相互作用的基础上完成的，通过对环境反馈的自主感知做出相应的行为。

罗德尼·A.布鲁克斯（Rodney A.Brooks）在1990年、1991年相继发表论文，对传统人工智能的研究方法进行了批评，指出传统符号主义方法强调符号化的抽象操作，但在现实世界中却鲜有实现的物理基础，因此提出了与传统符号人工智能研究相反的观点，认为可模仿生物的行为创建智能模型^[79]。这样的模型应该无须知识表示^[80]、无须推理^[81]。布鲁克斯分析了自然界中生物的智能进化过程，提出研究人工智能系统应对自然界中生物的智能进化过程进行仿真。他认为智能是生命体在与环境的交互中逐步进化出来的，任何一种对智能的表示方法都不能完全代表客观世界的真实情况，因而用符号表达智能是不完备、不恰当的。布鲁克斯通过行为、进化的观点研究人工智能。这种新的研究方法和研究途径在20世纪90年代逐步形成了行为主义这个新的学派。

布鲁克斯的思想来源于维纳提出的控制论。该思想早在20世纪40年代末就已被提出，并成为当时科技思潮的重要部分。控制论把神经系统的工作原理与信息理论、控制理论、逻辑理论以及计算机技术等联系起来，人工智能研究者从中受到启发，认为基于“感知-行动”的行为智能模拟方法是研究人工智能的重要方向。该方向早期的研究重点是模拟人在控制过程中的智能行为和作用，包括控制论中的自寻优、自适应、自校正、自组织、自学习等。在20世纪60年代到70年代，控制论的研究成果为智能控制和智能机器人的发展建立了理论基础。20世纪80年代，控制论与人工智能技术相结合，以快速的自主反馈代替精确的数学模型，在一定程度上解决了复杂的、不确定性问题，取得了较好的应用成果，并诞生了智能控制和智能机器人系统。鉴于控制论在行为主义研究领域的重要地位，维纳也可以被看作是行为主义的奠基人。

从进化的角度理解行为主义，生命体在进化过程中不断变异，环境会对这些变异进行选择，淘汰不适应环境的变异，让更适应环境的变异繁衍下去。遗传算法便是基于此思想的经典算法。

行为主义模拟动物的行为，在大脑不主动干预的情况下，依靠四肢和关节的协调针对环境的变化进行变化。行为主义将智能看作是有机体适应环境变化的各种反应的组合，是一种通过较低层认识来形成较高层认识的模式。行为主义需要不同的行为模块与环境交互，如通过视觉模块（如眼睛）可以看见环境中变化的图像，通过听觉模块（如耳朵）可以感受环境声音等，通过不同的模块可以观察环境特征，并产生复杂的应对行为，从而自下而上地通过“感知-行动”的方式实现智能。行为主义的理论目标在于预见环境的变化和控制行为，研究重点集中在现实世界中可以自主执行各种任务的物理系统。有的观点甚至认为人类的绝大多数行为并没有对应的高层次概念，就好比有些反应仅仅是条件反射，如武打，长期的训练形成了应对敌方击打的条件反射，这种反应只是低层次的运动而已，根本用不上通过高层次概念所形成的成套的拳路。

行为主义的代表作是布鲁克斯在美国麻省理工学院人工智能实验室研发的机器人 Genghis^[82]，其研究的目的是提升机器昆虫的智能。Genghis是一个像昆虫一样能6足行走的机器人实验系统，由150个传感器和23个执行器构成。它具有基于“感知-动作”模式的反应性机器人体系结构，支持机器人对周围的世界做出反应，使其在自然环境下具有灵活的防碰撞和漫游行为能力，因此被看作是新一代的“控制论系统”。Genghis的设计灵感来自昆虫。这些昆虫的大脑功能有限，但昆虫的一些能力却很强大。为了模仿昆虫的这种特征，Genghis没有中央控制器管理机器人中所有可能的功能，取而代之的是每条腿都有独立的内置传感器，可以感应出行进中遇到的各种障碍，并知道如何根据传感器的反馈在不同情况下做出反应^[83]。Genghis所有腿之间的协调目标是完成走路的动作，从而实现机器人的正常运动。这些协调过程独立存在，始终运行，并在感受到先决条件成立时触发。由此可以看出，Genghis虽然不具有人类理解、推理和规划能力，但其应付复杂环境的能力却大大超过了以往的许多机器人。

实际上，行为主义追求的就是自主性，具体包括4个方面：①自治性：智能主体运行时不直接由人或其他物体控制，它对自己的行为和内部各要素有一定的控制权。②社会能力（可通信性）：智能主体能够与其他主体进行信息交换。③反应能力：智能主体对环境的感知和影响，可通过多个模块感知所处的环境，并通过行为改变环境。④自发行为：智能主体的行为应该是主动、自发的。因此,可以将行为主义的研究重点理解为是在寻求合理的协调机制。

人们经常提到的热门话题，如发现算法、推荐算法、行走机器人、路径规划技术等均为行为主义所擅长的领域。

1.3.4 关于三个学术流派的评论

符号主义是对人类逻辑演绎思维的模拟，依托的是逻辑科学，被认为是功能模拟方法，旨在模拟人的左脑抽象逻辑思维，属于一种基于思维的人工智能研究方法。人们说符号主义是计算机工作者所推崇的方法，关注逻辑推理，并将之归结为“认知即计算”。但是，符号主义在不确定性事物的知识表示、常识、复杂问题求解等处理上存在瓶颈，因此受到了其他学派的批评与否定。

符号主义主张用逻辑方法来建立人工智能的统一理论体系，而规则处理通常只能解决确定性问题，对于不确定性问题往往难以用比较判断的方法来解决，这反映出符号主义在解决问题过程中的局限性。例如，如果我们要创建一个基于规则的程序来检测包含特定人的图像，显然只有在精确匹配的前提下，这个规则才会有效；任何简单的变异，都无法通过规则来识别这个人，因为我们无法确定将图片转动什么样的角度，无法确定他脸上会有什么样的阴影，无法确定这次所看到的人脸图像像素点和我们已知的样本是否相同；如此等等。一句话，只要没有精确匹配上，该程序就无法给出答案，因为符号人工智能不能很好地处理全局判断和模糊信息处理等问题，就算我们预先有了上百万张不同的照片，我们也不能保证这次所识别的照片就能精准地与我们库中所拥有的某张照片相同。本质上，尽管符号人工智能的某些技术可以处理部分具有不可观察性的概率模型，但它们通常不适用于嘈杂的输入数据或模型定义不明确的场景。进一步来说，一些事务（如语音识别、自然语言处理等）本身就很难转换为直接规则。

符号人工智能还有无法处理常识的问题。因为常识是长期实践总结出来的庞大知识体系，包含了大量生活中学到的规则和异常现象，符号主义很难总结出这些常识；而且，一个常识往往会适用于不同的领域，但如果为此将所有的常识都纳入到特定领域的专家系统中，在无法判定哪些知识属于常识的情况下，大量涌进来的常识对专家系统来说可能会成为灾难，因为其可能会冲淡了原本的领域知识。这让学者们得出了一个结论，符号人工智能系统扩展性能很差。尽管符号人工智能已经支撑人们做出了一些努力来创建包含某些特定领域众多规则的复杂专家系统，但这都是依靠领域专家和软件工程师的大量努力，并且只能适用于非常狭窄的用例中。一旦人们成功地另辟蹊径，符号人工智能主导地位的旁落就变得自然而然了。

符号主义奠基人麦卡锡曾在1968年下注1000美金，认定在10年内人工智能必定在国际象棋中战胜人类^[84]。后来他输了这笔赌金，因为符号主义确实难以完成这一搜索空间巨大的任务。当然，他没有想到，1997年，“深蓝”战胜了国际象棋大师卡斯帕罗夫，所采用的方法还是他提出的α-β搜索算法。事实上，计算机技术的发展帮了符号主义的忙，过去的巨大搜索空间逐渐在计算机面前变得可接受了。但是，面对围棋博弈，这种搜索空间还是不可接受的，即便加上大量的人类知识，也缺乏技术上的提升空间。其原因是，人们对认知的高度抽象有可能已经偏离事物的本质了。自然语言处理也遇到了同样的问题，基于符号主义的机器翻译也死死地卡在符号主义所设置的某一个精度天花板下而无法突破。AlphaGo的出现，将蒙特卡洛树状搜索框架与连接主义的深度学习以及强化学习相结合，迅速穿透了符号主义的“天花板”，战胜了人类的围棋冠军。这让人们坚信符号主义到了被取代的时期。但是，由于知识图谱的出现，以及连接主义的不可解释性，让一些应用开始将符号主义与连接主义结合起来使用，如自然语言处理就在尝试将知识图谱与深度学习结合起来的技术路线。事实上，在知识图谱的构建过程中，普遍采用连接主义技术（如神经网络）来生成知识图谱的节点与相关边。

连接主义是通过仿生学的方式实现人类的归纳推理思维的，依托的是神经科学，被认为是结构模拟方法，旨在模拟人的右脑形象直觉思维，属于一种基于传递的人工智能研究方法。人们说，连接主义是电子学工作者所推崇的方法，关注于电路连接，并将之归结为“认知即网络”。

1969年，连接主义的奠基人明斯基写了一本名为《感知器》^[85]的书，感知器是那个年代的神经网络，书中证明了单一的线性感知器（构成现代神经网络的计算单元的前身）不能学习异或（XOR）函数，而这无形中告诉公众神经网络没有未来。如果明斯基都有做不到的事情，那神经网络还有什么大的用处?这也在一定程度上使连接主义走向了低谷。甚至有人据此将明斯基列为符号主义的代表人物^[86]。

随着深度学习技术在人工智能领域表现得越来越出色，连接主义在人工智能的热潮中明显占据了上风，这也使得连接主义学者有了更强的话语权，并开始指出符号主义的不足。连接主义学者认为，神经元不仅是大脑神经系统的基本单元，而且也是行为反应的基本单元。他们认为大脑的思维过程是神经元连接互动的过程，而不是符号运算的过程。连接主义学者反对物理符号系统的假设，认为人类的大脑和电脑不同，提出人工智能的研究方法应该由连接主义倡导的大脑工作模式取代以符号操作为主的电脑工作模式。他们认为，任何思维和认知功能都不是由少数神经元决定的，而是通过大量神经元协同工作并由突触动态联系共同完成的。

连接主义的缺点包括难以解释人工神经网络如何处理信息，以及由此带来的更高层次现象的解释难度，即由网络复杂性和规模性带来的可解释性问题。

符号主义认为，认知就是通过对有意义的符号进行推导计算。但连接主义却认为，认知是在类似于人脑的神经网络中的大规模并行计算和这些神经元集体协作并相互作用的过程。这两种思想下造出的“智能”有着巨大的差别，这也使得这两个学术流派在研究过程中鲜有交集。当然，从符号主义向连接主义过渡是具有一定因果关系的。随着推理规则变得有条件并且可以被概率化，符号主义在推理过程中面临着概率的选择问题，而往往这就需要求助于外部世界，即依靠专家的实践经验来充实专家系统。当海量的判断问题都需要依靠外部世界的时候，就出现了机器学习的需求，从而自然过渡到以大数据训练为特征的连接主义方法。事实上，从本质上来看，符号主义试图从规则中推导出结论，而连接主义则是从事实中学习结论；所以符号主义有可能推导出人们没有想到的但却是必然可达的结论（毕竟机械定理证明方法尚未发现具有重大意义的人类未曾知道的定理），而连接主义则鲜有创造的可能。

另外，深度学习或许并不是连接主义的专利，也不能简单地将“深度学习”等价于“深度神经网络”。2017年，周志华首次提出了深度森林^[87]的学习方法。这也是一种符号主义的方法，其基本单元是进行符号处理的决策树。深度森林是一种将决策树进行级联的处理模式，每一层都是一个、多个甚至多种随机森林，目的是通过“深度”的方法来解决训练不完善的问题^[88]。从某种角度来看，深度森林甚至具有深度神经网络所不具有的优势，因为深度森林可以在学习过程中不断增加新一层的随机森林，直到新的层次对训练没有贡献为止。这种方法本质上就是能够自适应地调节模型的复杂度，用适当的模型来应对相应的问题^[89]。显然，基于符号主义的深度学习更适合解决离散问题，也许随着深度森林方法的不断演进，离散问题就不再需要深度神经网络先通过将离散问题向连续向量进行转化后再进行处理了，而由符号主义的深度学习去重新夺回针对离散问题的话语权，连接主义继续处理那些它最擅长的连续问题。

行为主义侧重于与外界交互以拥抱真实世界，它依托的是控制科学，被认为是行为模拟方法，旨在模拟人的小脑运动思维，属于一种基于行为的人工智能研究方法。人们说，行为主义是控制学科工作者所推崇的方法，关注自适应，并将之归结为“认知即反应”。其原理依托控制论及“感知-动作”型控制系统。

行为主义的主要观点可以概括为：①智能取决于感知和行为，其实质是对外界复杂环境的适应，而非表示和推理，而知识的形式化表示和模型化方法则是人工智能的重要障碍；②对智能的描述应该以机器对环境发出作用后环境对作用者的响应作为原型；③智能系统在现实世界中应具有行动和感知的能力，不同的行为应表现出智能系统不同的功能和不同的控制结构；④智能系统的能力应该分阶段逐渐增强，在每个阶段的智能系统都应是一个完整的系统。

行为主义的思想自提出后便引起了人们的广泛关注，虽然对行为主义的思想感兴趣的人很多，但是反对者也大有人在。例如，有人认为布鲁克斯的机器昆虫在行为上的成功体现出的是低级的控制行为，并不能体现出高级控制行为的产生过程，因此想让机器从昆虫的智能进化到人类的智能恐怕很难实现。尽管如此，行为主义学派的兴起还是说明了控制论、系统工程等思想一直影响着人工智能的发展。应该说，行为主义的演变是最不具有确定性的，或者说是最不受控制的。如果说符号主义由规则来决定行为，那么规则的存在意味着人们可以预知未来行为的发生；连接主义通过学习来重复人类的决策过程，因此未经学习的行为通常不会发生；行为主义是通过不断演变来实现人工智能系统的，很有可能使系统产生未知的行为。

徐心和等研究认为^[90]：行为主义与符号主义最主要的区别在于行为主义的智能主体能够通过“感知-动作”的行为模式自主地适应客观环境，符号主义需要设计者制定相应的规则或数学模型；而行为主义并不依赖于这种规则或数学模型。行为主义的智能主体适应环境的实质取决于复杂系统各个要素彼此之间的精确联系，以及各个要素形成的整体与四周环境的精确联系。为了达到精确联系，行为主义的智能主体必须采用某种协调机制使其与外界环境相适应。同时，这样的协调机制也应该使智能主体内部各要素相互配合，更进一步地讲，这种协调机制还应包括多个智能主体之间的协作。

实际上，人工智能的三个学术流派在实践过程中都形成了特有的解决问题的方法体系，并在不同时期都有成功的范例。例如：符号主义的范例包括定理的机器证明、归结方法等一系列理论成果；连接主义的范例包括人工神经网络、深度学习等一系列技术；行为主义的范例包括反馈控制模式、广义遗传算法等。人工智能三个学术流派的研究方式各有优劣，融合各流派的研究方法是人工智能未来的发展趋势^[91]。例如：符号主义的优势是规则处理，可以依据规则来处理连接主义所无法处理的未加训练过的事件，依据规则来处理事件也是人类的一种典型思维方式；但符号主义对事件的确定性要求高，对于某些具有不确定性的事件，往往难以找到与其相符合的规则，这时或许可以利用连接主义对不确定性问题处理的优势，运用连接主义的手段来进行模糊规则匹配，以达到推进推理判断的效果；由于符号主义追求的是高层概念，可能难以推导出新的概念；连接主义的基础是数据训练，因此缺乏创新特征，这时或许可以考虑将求解问题“低层化”，简单地通过评价函数来确定一种随机动作的可接受程度，从而利用随机动作的属性来达到创新的要求，一旦取得突破性结果并跳到了一个新的领域，可以再利用符号主义进行概念化，这样就能够获得稳定的创新性结果。另外，连接主义也在与行为主义相结合，以便有效地发挥各自的优势。强化学习理论受到行为主义心理学启发，侧重在线学习并试图在探索-利用（exploration-exploitation）间保持平衡。不同于连接主义的监督学习和非监督学习，强化学习不要求预先给定任何数据，而是通过接收环境对动作的奖励（反馈）获得学习信息并更新模型参数，从而可以作为对连接主义技术方法的一种很好的补充。

未来机器人如果能够超越人类，相信一定是综合运用多个学术流派的优势所达到的结果。