2023.23 人工智能的三大流派

在人工智能诞生早期，就出现了“符号主义”（逻辑推理）和“联结主义”（仿生学）两种不同的发展流派。符号主义认为人的智能来自逻辑推理，世界上所有信息都可以抽象为各种符号，而人类的认知过程可以看作运用逻辑规则操作这些符号的过程。 而联结主义则认为，让机器模拟人类智能的关键不是去想办法实现跟思考有关的功能，而是应该模仿人脑的结构。联结主义把智能归结为人脑中神经元彼此联结成网络共同处理信息的结果，希望能够运用计算机模拟出神经网络的工作模式来打造人工智能，并在“人工智能”领域正式形成之前就开始了各种尝试。

不论是符号主义还是联结主义，在人工智能诞生的前十余年，都取得了一些阶段性成果，但好景不长，20世纪60年代末，人工智能的发展陷入瓶颈，人工智能的研究者遇到了很多难以克服的难题，其中包括两个最典型的难题：·

受限的计算能力：当时计算机有限的内存和处理速度不足以支持AI算法的实际应用。·

认知信息的匮乏：许多人工智能领域的应用需要大量认知信息，当时的数据库条件无法让程序获得如此丰富的信息源。

符号主义学者在20世纪70年代充分认识到了“知识”对于人工智能的重要性，不再过分追求当时难以实现的通用人工智能，而是将视野聚焦在较小的专业领域上，很大程度上缓解了计算能力受限和认知信息匮乏的问题，也让人工智能的程序变得实用起来。学者们试图利用“知识库+推理机”的结构，建设出可以解决专业领域问题的专家系统。1997年5月，名为“深蓝”的IBM超级计算机打败了国际象棋世界冠军卡斯帕罗夫，这一事件在当时也曾轰动世界，其实本质上，“深蓝”就是符号主义在博弈领域的成果。

几乎在同一时期，联结主义也迎来了复兴。新型的神经网络结构及相关算法的普及为科研界注入了新的生机，适用于多层感知器的BP算法（误差反向传播算法），解决了非线性情况下的分类学习问题。至此，人工神经网络掀起了第二波发展热潮。连接主义学派可谓是生逢其时，在其深度学习理论取得了系列的突破后，人类进入互联网和大数据的时代。这些数据分别为智能推荐、图像处理、自然语言处理技术发展做出卓著的贡献。2004年后大数据技术框架的行成和图形处理器（GPU）发展使得深度学习所需要的算力得到满足。在人工智能的算法、算力、数据三要素齐备后，连接主义学派就开始大放光彩了。2009年多层神经网络在语音识别方面取得了重大突破，2011年苹果工作将Siri整合到iPhone4中，2012年谷歌研发的无人驾驶汽车开始路测，2016年DeepMind击败围棋冠军李世石，2018年DeepMind的Alphafold破解了出现了50年之久的蛋白质分子折叠问题。近年来，连接主义学派在人工智能领域取得了辉煌成绩，以至于现在业界大佬所谈论的人工智能基本上都是指连接主义学派的技术，相对而言，符号主义被称作传统的人工智能。

除了符号主义与联结主义，一种倡导“感知+行动”的行为主义流派也得到了较好的发展。行为主义学派认为智能取决于感知和行为，取决于对外界复杂环境的适应，而不是表示和推理，不同的行为表现出不同的功能和不同的控制结构。生物智能是自然进化的产物，生物通过与环境及其他生物之间的相互作用，从而发展出越来越强的智能，人工智能也可以沿这个途径发展。行为主义起源于控制论，强调模拟人在控制过程中的智能行为和动作，行为主义在智能控制与智能机器人兴起的21世纪末才引起人们的广泛关注。

当人类想要打造人工智能时，一个非常直接的思路是去让机器模仿人来获取智能的学习方式。这种“仿人模式”一直都是人工智能新的算法模型的重要思路来源，也是技术发展的重要推动力。人工智能的发展史，可以说是机器模仿人类的历史，科学家尝试用各种方式让机器刻画人、模仿人。而纵观机器对人的模仿历程，我们可以清晰地看到它从微观层面的僵硬模仿，逐渐发展为宏观层面的认知模式借鉴，实现了这一技术哲学的思想跃迁。

在模拟人类智能方面，如果说符号主义是知其然且知其所以然，联结主义是知其然但不知其所以然，那么行为主义就是既不知其然也不知其所以然，我们可以简略地认为符号主义研究抽象思维，连接主义研究形象思维，而行为主义研究感知思维。符号主义注重数学可解释性；连接主义偏向于仿人脑模型；行为主义偏向于应用和身体模拟。符号主义、联结主义和行为主义成为人工智能的三大经典流派，共同影响着后来人工智能的发展。

人类具有智能不仅仅是因为人有大脑，并且能够保持持续学习。机器要想更“智能”，也需要不断学习。符号主义靠人工赋予机器智能，连接主义是靠机器自行习得智能，行为主义在与环境的作用和反馈中获得智能，连接主义和行为主义都使用强化学习方法进行训练。三者之间的长处与短板都很明显，意味着彼此之间可以扬长补短，共同合作创造更强大的强大的人工智能。