AI也有“门派”？符号、神经、行为，谁才是真·武林正宗？

本文来自微信公众号： 未来图灵 ，作者：张凤静，原文标题：《每周AI揭秘｜AI也有“门派”？符号、神经、行为，谁才是真·武林正宗？》

当ChatGPT流畅回答你的问题，当自动驾驶汽车在街头穿梭，你是否想过，这些AI究竟是如何“思考”的？

我们听过武侠世界有少林、武当、峨眉三大门派。但是你肯定想不到，人工智能的发展史上，竟然也形成了三大思想流派——符号主义（Symbolism）、连接主义（Connectionism）、行为主义（Behaviorism）。它们对“智能是什么”给出了截然不同的答案，展开了长达半个多世纪的学术争锋。

这一切的起点，是1956年夏天的达特茅斯会议。十位顶尖学者（包括麦卡锡、明斯基、香农）在此齐聚，首次提出将“人工智能”确立为独立学科。他们雄心勃勃地预言：用一个夏天，就能让机器学会使用语言、形成概念并自我改进。虽然他们严重低估了实现难度，但这场会议为AI“江湖”写下了创世宣言，正式开启了此后长达70年的智能探索之路。

符号主义：逻辑至上的“规则学霸”

20世纪50-80年代，符号主义是当之无愧的主流学派。以约翰·麦卡锡（出生于美国波士顿，毕业于普林斯顿大学，美国计算机科学家、认知科学家）为代表的学者坚信：智能就是符号操作与逻辑推理。

在他们看来，实现AI就像编写一本巨大的“规则手册”——把人类知识转化为“如果-那么”的逻辑规则，让机器像解数学题一样进行推理。这便是符号主义的核心信条。

最著名的符号主义成就，是1997年IBM“深蓝”战胜国际象棋世界冠军卡斯帕罗夫。深蓝的核心是一套复杂的评估函数和搜索算法，它能在每秒钟计算2亿步棋，通过暴力搜索找到最优解。

但符号主义有个致命缺陷：现实世界太复杂了，远非几条规则能概括。

早期的医疗诊断专家系统MYCIN能识别血液感染，它内置了400多条医学规则，能像资深医生一样推理。但当患者说“我肚子不舒服”时，系统就茫然了——它没有“肚子不舒服可能与阑尾炎相关”这种常识性知识。

“人们逐渐意识到，把世界所有知识都写成规则，几乎是不可能完成的任务。”AI先驱罗德尼·布鲁克斯曾如此批评。

更激进的尝试是“CYC计划”：从1984年开始，项目试图将人类所有常识（如“鸟会飞”“水是湿的”）手工编码成逻辑规则。近40年过去，该知识库已经包含了320万条人类定义的断言，涉及30万个概念，15000个谓词，却仍无法覆盖常识的全部维度。

如今，符号主义并未消失，而是以知识图谱、大模型中的“思维链（Chain-of-Thought）”等形式低调回归，为AI提供可解释的逻辑骨架。

连接主义：数据驱动的“直觉大师”

就在符号主义陷入瓶颈时，另一派学者提出了截然不同的思路：与其教AI规则，不如让它自己学习。

连接主义者从生物学获得灵感，认为应该模拟人脑的神经网络结构。他们创建了“人工神经元”，通过调整神经元之间的连接强度，让网络从数据中自行发现规律。这就像一位热爱模仿自然的“手工耿”，坚信生物结构是终极答案。

这条路的开端充满坎坷。1958年，弗兰克·罗森布拉特（Frank Rosenblatt，神经网络之父）发明了“感知机”，这是首个能够学习的神经网络模型，一度被誉为“电子大脑”。然而1969年，AI权威马文·明斯基证明了感知机连简单的“异或”(XOR，即无法进位的二进制加法）问题都无法解决，神经网络研究就此陷入十多年的寒冬——这被称为“异或”引发的血案。

转折发生在1986年。戴维·鲁梅尔哈特（David Rumelhart）、杰弗里·辛顿（Geoffrey Hinton，深度学习之父）等人改进了“反向传播算法”（BP算法），让多层神经网络训练成为可能。但真正的爆发要等到2012年——AlexNet在ImageNet图像识别竞赛中以压倒性优势获胜，错误率比传统方法降低了10个百分点。

从此，深度学习（连接主义的现代表现）一路高歌猛进。AlphaGo、GPT、Stable Diffusion……这些震撼世界的AI，核心都是神经网络从海量数据中学习模式的能力。

但连接主义也有软肋：它是个“黑盒子”。你很难搞清楚它到底是怎么想的，为什么GPT会给出某个答案？内部的决策过程如同一团迷雾。更尴尬的是，大模型有时会一本正经地胡说八道，这被称为“幻觉”（Hallucination）——它知道“鸟会飞”，是因为在训练数据中无数次看到这两个词同时出现，但当问“一只充气鸟会飞吗？”时，早期模型常会犯错。

行为主义：在试错中成长的“实干家”

第三大流派更加“务实”。行为主义者认为：智能不是想出来的，而是干出来的。

这一派深受控制论影响，主张AI应该像生物一样，通过与环境的交互来学习。就像训练小狗——做对了给奖励，做错了给惩罚，逐渐学会复杂技能。这就像一位信奉“实践出真知”的行动派，觉得前两派都在纸上谈兵。

行为主义的代表作是各类机器人。1991年，罗德尼·布鲁克斯制造的六足机器人，没有复杂的中央处理器，仅凭简单的“感知-行动”规则，就能在复杂地形中灵活行走，展现了“智能从行为中涌现”的奇妙现象。

图注：六足昆虫状机器人Genghis

今天，行为主义的代表技术是强化学习。AlphaGo除了使用神经网络评估棋局，更通过数百万局自我对弈不断优化策略——这是典型的行为主义学习方式。其终极版本AlphaGo Zero，甚至从零开始，完全通过自我对弈强化学习，吊打了所有前辈。

更具代表性的是特斯拉的自动驾驶系统。它不依赖预设的高精地图，而是通过分析数百万辆车的实际行驶数据，学习在复杂路况下的决策。每一次人工接管，都是对系统的一次“纠正反馈”。

但行为主义学习效率低，需要大量的试错，成本高昂，且同样存在可解释性问题。

天下大同：融合才是终极奥义

历史上，三大流派曾长期“互掐”。但现实证明：单一路径无法通向通用人工智能（AGI）。今天的顶尖AI，几乎都是博采众长的“混血儿”。

以ChatGPT为例，它完美融合了三大流派：

• 连接主义（主体）：其Transformer神经网络从海量文本中学习语言规律

  
  

• 符号主义（灵魂）：在复杂推理中展现的逻辑能力，体现了符号主义的影子。

  
  

• 行为主义（调校）：通过人类反馈强化学习（RLHF），根据人类偏好调整回答

  
  

同样，自动驾驶系统也集三家之长：

• 用神经网络（连接主义）感知环境

  
  

• 用规则与知识图谱（符号主义）进行安全规划

  
  

• 在模拟器中试错（行为主义）应对极端情况

  
  

未来的集大成者将是“具身智能”——让AI拥有身体在真实世界互动。这不仅是行为主义的终极梦想，更需要连接主义的感知能力与符号主义的规划能力，成为三大流派融合的终极试验场。

深度学习先驱、图灵奖得主、Meta前首席AI科学家杨立昆直言：“仅靠大型语言模型无法实现通用人工智能。我们需要的是能学习世界如何运作的系统——它要有感知、有模型、能规划、会行动。”这条路径，注定是连接主义、符号主义与行为主义的协同进化。

因此，当我们惊叹于AI的创造力时，我们所见证的并非某位“武林宗师”的独门绝技，而是一场跨越了70年光阴的思想交响。从各执一词、争论不休，到取长补短、合纵连横，这条融合之路，正是AI技术走向成熟、迈向通用之境的必然轨迹。

符号主义铸就了可解释的理性骨架，连接主义赋予了强大的感知与学习皮层，行为主义则提供了灵活适应环境的行动能力——唯有三者深度协同，方能孕育出真正完整、可靠且强大的智能。

看完这篇文章，你的脑海里是否又注入了一些新鲜的知识呢？

冷知识彩蛋

AI江湖的趣味往事

• “有多少人工，才有多少智能”：连接主义崛起早期，海量数据需要人工标注，催生了“数据标注师”这个庞大职业。这句话是调侃，也是AI发展依赖人类智慧的写照。

  
  

• “异或”引发的血案：明斯基用一个简单逻辑问题“锤死”感知机，差点让神经网络绝后。直到多层网络出现才翻盘，堪称AI史上最著名“学术打脸”。

  
  

• AI三巨头的心酸：2018年，因神经网络研究获得图灵奖的杰弗里·辛顿在获奖感言中说：“我们终于不用再假装在研究别的东西了”——道出了神经网络研究者数十年来在主流学术界边缘挣扎的艰辛。

  
  

• 物理学家也来凑热闹：罗杰·彭罗斯在《皇帝的新脑》中论证，基于哥德尔不完备定理，人类心智具有超越算法的能力。这引发了“如果人类智能确实超越了算法计算，那么模拟人脑的努力是否有内在的理论限制？”的哲学思辨。