每周AI揭秘｜AI也有“門派”？符號、神經、行為，誰才是真·武林正宗？

當ChatGPT流暢回答你的問題，當自動駕駛汽車在街頭穿梭，你是否想過，這些AI究竟是如何“思考”的？

我們聽過武俠世界有少林、武當、峨眉三大門派。但是你肯定想不到，人工智能的發展史上，竟然也形成了三大思想流派——符號主義（Symbolism）、連接主義（Connectionism）、行為主義（Behaviorism）。它們對“智能是什么”給出了截然不同的答案，展開了長達半個多世紀的學術爭鋒。

這一切的起點，是1956年夏天的達特茅斯會議。十位頂尖學者（包括麥卡錫、明斯基、香農）在此齊聚，首次提出將“人工智能”確立為獨立學科。他們雄心勃勃地預言：用一個夏天，就能讓機器學會使用語言、形成概念并自我改進。雖然他們嚴重低估了實現難度，但這場會議為AI“江湖”寫下了創世宣言，正式開啟了此后長達70年的智能探索之路。

圖注：達特茅斯會議上七位主要科學家合影

符號主義：邏輯至上的“規則學霸”

20世紀50-80年代，符號主義是當之無愧的主流學派。以約翰·麥卡錫（出生于美國波士頓，畢業于普林斯頓大學，美國計算機科學家、認知科學家）為代表的學者堅信：智能就是符號操作與邏輯推理。

圖注：約翰·麥卡錫

在他們看來，實現AI就像編寫一本巨大的“規則手冊”——把人類知識轉化為“如果-那么”的邏輯規則，讓機器像解數學題一樣進行推理。這便是符號主義的核心信條。

最著名的符號主義成就，是1997年IBM“深藍”戰勝國際象棋世界冠軍卡斯帕羅夫。深藍的核心是一套復雜的評估函數和搜索算法，它能在每秒鐘計算2億步棋，通過暴力搜索找到最優解。

圖注：1997年5月11日，國際象棋世界冠軍卡斯帕羅夫與“深藍”

但符號主義有個致命缺陷：現實世界太復雜了，遠非幾條規則能概括。

早期的醫療診斷專家系統MYCIN能識別血液感染，它內置了400多條醫學規則，能像資深醫生一樣推理。但當患者說“我肚子不舒服”時，系統就茫然了——它沒有“肚子不舒服可能與闌尾炎相關”這種常識性知識。

“人們逐漸意識到，把世界所有知識都寫成規則，幾乎是不可能完成的任務。”AI先驅羅德尼·布魯克斯曾如此批評。

更激進的嘗試是“CYC計劃”：從1984年開始，項目試圖將人類所有常識（如“鳥會飛”“水是濕的”）手工編碼成邏輯規則。近40年過去，該知識庫已經包含了320萬條人類定義的斷言，涉及30萬個概念，15000個謂詞，卻仍無法覆蓋常識的全部維度。

圖片來源：《新智元》報道

如今，符號主義并未消失，而是以知識圖譜、大模型中的“思維鏈（Chain-of-Thought）”等形式低調回歸，為AI提供可解釋的邏輯骨架。

連接主義：數據驅動的“直覺大師”

就在符號主義陷入瓶頸時，另一派學者提出了截然不同的思路：與其教AI規則，不如讓它自己學習。

連接主義者從生物學獲得靈感，認為應該模擬人腦的神經網絡結構。他們創建了“人工神經元”，通過調整神經元之間的連接強度，讓網絡從數據中自行發現規律。這就像一位熱愛模仿自然的“手工耿”，堅信生物結構是終極答案。

圖片來源：該圖片由即夢AI生成

這條路的開端充滿坎坷。1958年，弗蘭克·羅森布拉特（Frank Rosenblatt，神經網絡之父）發明了“感知機”，這是首個能夠學習的神經網絡模型，一度被譽為“電子大腦”。然而1969年，AI權威馬文·明斯基證明了感知機連簡單的“異或”(XOR，即無法進位的二進制加法）問題都無法解決，神經網絡研究就此陷入十多年的寒冬——這被稱為“異或”引發的血案。

轉折發生在1986年。戴維·魯梅爾哈特（David Rumelhart）、杰弗里·辛頓（Geoffrey Hinton，深度學習之父）等人改進了“反向傳播算法”（BP算法），讓多層神經網絡訓練成為可能。但真正的爆發要等到2012年——AlexNet在ImageNet圖像識別競賽中以壓倒性優勢獲勝，錯誤率比傳統方法降低了10個百分點。

從此，深度學習（連接主義的現代表現）一路高歌猛進。AlphaGo、GPT、Stable Diffusion……這些震撼世界的AI，核心都是神經網絡從海量數據中學習模式的能力。

但連接主義也有軟肋：它是個“黑盒子”。你很難搞清楚它到底是怎么想的，為什么GPT會給出某個答案？內部的決策過程如同一團迷霧。更尷尬的是，大模型有時會一本正經地胡說八道，這被稱為“幻覺”（Hallucination）——它知道“鳥會飛”，是因為在訓練數據中無數次看到這兩個詞同時出現，但當問“一只充氣鳥會飛嗎？”時，早期模型常會犯錯。

圖片來源：Upsplash

行為主義：在試錯中成長的“實干家”

第三大流派更加“務實”。行為主義者認為：智能不是想出來的，而是干出來的。

這一派深受控制論影響，主張AI應該像生物一樣，通過與環境的交互來學習。就像訓練小狗——做對了給獎勵，做錯了給懲罰，逐漸學會復雜技能。這就像一位信奉 “實踐出真知”的行動派，覺得前兩派都在紙上談兵。

行為主義的代表作是各類機器人。1991年，羅德尼·布魯克斯制造的六足機器人，沒有復雜的中央處理器，僅憑簡單的“感知-行動”規則，就能在復雜地形中靈活行走，展現了“智能從行為中涌現”的奇妙現象。

圖注：六足昆蟲狀機器人 Genghis

今天，行為主義的代表技術是強化學習。AlphaGo除了使用神經網絡評估棋局，更通過數百萬局自我對弈不斷優化策略——這是典型的行為主義學習方式。其終極版本AlphaGo Zero，甚至從零開始，完全通過自我對弈強化學習，吊打了所有前輩。

更具代表性的是特斯拉的自動駕駛系統。它不依賴預設的高精地圖，而是通過分析數百萬輛車的實際行駛數據，學習在復雜路況下的決策。每一次人工接管，都是對系統的一次“糾正反饋”。

圖片來源：該圖片由即夢AI生成

但行為主義學習效率低，需要大量的試錯，成本高昂，且同樣存在可解釋性問題。

天下大同：融合才是終極奧義

歷史上，三大流派曾長期“互掐”。但現實證明：單一路徑無法通向通用人工智能（AGI）。今天的頂尖AI，幾乎都是博采眾長的 “混血兒”。

以ChatGPT為例，它完美融合了三大流派：

• 連接主義（主體）：其Transformer神經網絡從海量文本中學習語言規律

• 符號主義（靈魂）：在復雜推理中展現的邏輯能力，體現了符號主義的影子。

• 行為主義（調校）：通過人類反饋強化學習（RLHF），根據人類偏好調整回答

同樣，自動駕駛系統也集三家之長：

• 用神經網絡（連接主義）感知環境

• 用規則與知識圖譜（符號主義）進行安全規劃

• 在模擬器中試錯（行為主義）應對極端情況

未來的集大成者將是“具身智能”——讓AI擁有身體在真實世界互動。這不僅是行為主義的終極夢想，更需要連接主義的感知能力與符號主義的規劃能力，成為三大流派融合的終極試驗場。

深度學習先驅、圖靈獎得主、Meta前首席AI科學家楊立昆直言：“僅靠大型語言模型無法實現通用人工智能。我們需要的是能學習世界如何運作的系統——它要有感知、有模型、能規劃、會行動。”這條路徑，注定是連接主義、符號主義與行為主義的協同進化。

圖注：楊立昆

因此，當我們驚嘆于AI的創造力時，我們所見證的并非某位“武林宗師”的獨門絕技，而是一場跨越了70年光陰的思想交響。從各執一詞、爭論不休，到取長補短、合縱連橫，這條融合之路，正是AI技術走向成熟、邁向通用之境的必然軌跡。

符號主義鑄就了可解釋的理性骨架，連接主義賦予了強大的感知與學習皮層，行為主義則提供了靈活適應環境的行動能力——唯有三者深度協同，方能孕育出真正完整、可靠且強大的智能。

看完這篇文章，你的腦海里是否又注入了一些新鮮的知識呢？

冷知識彩蛋

AI江湖的趣味往事

• “有多少人工，才有多少智能”：連接主義崛起早期，海量數據需要人工標注，催生了“數據標注師”這個龐大職業。這句話是調侃，也是AI發展依賴人類智慧的寫照。

• “異或”引發的血案：明斯基用一個簡單邏輯問題“錘死”感知機，差點讓神經網絡絕后。直到多層網絡出現才翻盤，堪稱AI史上最著名“學術打臉”。

• AI三巨頭的心酸：2018年，因神經網絡研究獲得圖靈獎的杰弗里·辛頓在獲獎感言中說：“我們終于不用再假裝在研究別的東西了”——道出了神經網絡研究者數十年來在主流學術界邊緣掙扎的艱辛。

• 物理學家也來湊熱鬧：羅杰·彭羅斯在《皇帝的新腦》中論證，基于哥德爾不完備定理，人類心智具有超越算法的能力。這引發了“如果人類智能確實超越了算法計算，那么模擬人腦的努力是否有內在的理論限制？”的哲學思辨。

思考

真正的“通用人工智能”還有多遠？你更看好哪個流派的未來？

歡迎在評論區分享你的真知灼見！

關注【未來圖靈】，每周解鎖一個你不知道的AI冷知識！

隨著人工智能技術的快速迭代，大模型的能力邊界不斷拓展，智能體作為大模型的重要應用模式，正憑借其在規劃決策、記憶、工具使用等方面獨特的創新性和實用性，引領著一場產業變革。

為貫徹實施《國家人工智能產業綜合標準化體系建設指南（2024版）》，中國移動通信聯合會正式啟動三項團體標準研制工作：

●《人工智能智能體能力要求》(計劃號:T/ZGCMCA 011-2025)

●《人工智能智能體內生安全技術要求》(計劃號:T/ZGCMCA 023-2025)

●《人工智能智能體互操作性接口規范》(計劃號: T/ZGCMCA 024-2025)

現誠邀數據服務企業、醫療機構、科研院所、高校、檢測認證機構等全產業鏈

行業機構及

研發工程師、項目經理、應用專家

專業人士

期待您的積極參與，讓我們攜手共進，共同引領人工智能產業的發展方向！

聯系人：李貞琦

聯系方式：18519753675（同微信）