下载文档原格式
三大流派三大流派（Artificial Intelligence，简称）是一门研究和开发用于模拟、延伸和扩展人智能的理论、方法、技术及应用系统的科学。
随着科技的不断发展，逐渐分化出了三大主要流派，即符号主义流派、连接主义流派和进化主义流派。
1、符号主义流派符号主义流派是领域最早兴起的一种方法论，也被称为经典（Classical ）。
该流派主要关注运用符号逻辑推理和知识表示方法来解决问题。
其核心思想是借助推理、规则和知识表示，将问题的符号表示与相应的问题解决方法进行匹配。
符号主义方法在机器学习、专家系统和自然语言理解等领域取得了一些重要的突破。
1.1 专家系统专家系统是符号主义流派的核心研究领域之一。
它通过建立一套用于模拟专家知识和推理的规则和方法，来解决特定领域中的问题。
专家系统可以将领域专家的经验和知识进行模拟，并通过推理机制提供相应的解决方案。
1.2 逻辑推理逻辑推理是符号主义流派的基础，它利用谓词逻辑和形式化推理来进行问题求解。
逻辑推理可以将问题的符号表示转换为逻辑表达式，然后利用逻辑推理规则进行推导和演绎，最终得到问题的解答。
2、连接主义流派连接主义流派（Connectionism）是对传统符号主义的一种批判和补充，也被称为神经网络。
该流派的核心思想是模拟神经元之间的连接、传递和处理信息的方式，来构建人工神经网络，并通过学习和调整网络参数来实现智能行为。
2.1 人工神经网络人工神经网络模拟了生物神经网络的结构和工作原理，通过模拟大量的人工神经元之间的连接和信息传递来实现智能行为。
人工神经网络具有较强的自学习和自适应能力，在图像识别、语音识别和自然语言处理等领域取得了很多重要的应用。
2.2 深度学习深度学习是连接主义流派的重要发展方向之一。
深度学习借鉴了人脑神经元之间的层次结构，通过构建深层神经网络来实现对大规模数据的学习与预测。
深度学习在图像处理、语音识别和自然语言处理等领域具有很强的表现力和泛化能力。
人工智能的三大学派人工智能的三大学派近年来，人工智能技术的快速发展已引起了广泛关注。
人工智能（AI）是一种通用术语，它涵盖了一种包括机器学习、自然语言处理、神经网络和语音识别在内的科技，其目的是使计算机系统能够模拟人类的思考和行为，进而以更快的速度和更高的准确率完成任务。
人工智能技术的成功应用不仅将让人们的生活更加便利，而且将促进科技创新、经济发展和人类进步。
然而，在人工智能的发展过程中，出现了三种不同的观点，它们被称为人工智能的三大学派：符号学派、连接学派和进化学派。
本文将通过对这三派的简要介绍和比较，探讨每一种观点的优点和缺点，以及它们的重要性和发展潜力。
第一章符号学派符号学派是人工智能的早期学派之一，它的主要思想是将人类的逻辑思维过程表示为一系列符号和规则，并以此为基础实现人工智能。
符号学派认为，计算机程序必须使用符号和规则才能进行推理、学习和决策，而计算机程序中的符号和规则必须与人类思维中的符号和规则相对应。
这使得计算机程序能够使用符号和规则生成推理和输出结果，并正确认识和解决问题，而不是单纯地将符号和规则组合成输入输出关系。
符号学派的代表性人物是新康菲尔德的约翰·麦卡锡（John McCarthy），他是人工智能术语“人工智能”的发明者之一，同时也是计算机界的名字之一。
早在上世纪50年代，麦卡锡就开始探索计算机如何能理解人类的语言和思维方式。
符号学派诞生于这个时期，它的核心思想是将人类的语言和思维方式转化成文本表达式，然后计算机可以读取并理解这些表达式。
符号学派在人工智能发展的早期得到了广泛的讨论和认可。
符号学派的优点在于，它提供了一种清晰简洁的方式来表示人类的逻辑思考，符号和规则的规范化表示使计算机程序更加易于编写，可以使计算机处理复杂的逻辑问题。
然而，符号学派的不足之处是，它无法完整地体现人类的非形式逻辑思考模式，特别是不能处理模糊的信息，也不能进行自我培训和自我发现，其应用局限很大。
人工智能三大流派在当今科技飞速发展的时代，人工智能无疑是最引人瞩目的领域之一。
人工智能的发展历程中，逐渐形成了三大流派，分别是符号主义、连接主义和行为主义。
这三大流派各自有着独特的理念、方法和应用场景，它们共同推动了人工智能的进步。
符号主义，也被称为逻辑主义或经典主义，其核心思想是基于符号和逻辑推理来构建智能系统。
符号主义认为，人类的认知和思维可以通过符号表示和逻辑规则来模拟。
简单来说，就是把知识和信息转化为符号，然后通过逻辑推理和运算来解决问题和实现智能。
符号主义的方法常常依赖于专家系统。
专家系统是一种基于知识库和推理引擎的软件，它能够利用人类专家的知识和经验来解决特定领域的问题。
例如，在医疗领域，专家系统可以根据患者的症状、病史等信息，给出诊断和治疗建议。
符号主义在早期的人工智能研究中取得了一定的成果，它对于处理那些具有明确规则和逻辑的问题非常有效。
然而，符号主义也存在一些局限性。
首先，它很难处理那些模糊、不确定和复杂的问题。
因为现实世界中的很多问题并不是完全遵循明确的逻辑规则的。
其次，获取和整理大量的符号知识是一项非常艰巨的任务，而且知识的更新和维护也很困难。
此外，符号主义对于感知、学习等方面的模拟能力相对较弱。
连接主义则是基于神经网络的方法来实现人工智能。
它的灵感来源于人类大脑的神经元网络结构。
连接主义认为，智能是通过大量简单的神经元相互连接和协同工作而产生的。
神经网络是连接主义的核心技术。
它由大量的节点（类似于神经元）组成，这些节点之间通过连接权重相互影响。
通过对大量数据的学习和训练，神经网络可以自动调整连接权重，从而实现对数据的模式识别、分类和预测等功能。
连接主义在图像识别、语音识别、自然语言处理等领域取得了巨大的成功。
例如，深度学习技术就是连接主义的一种重要应用，它能够让计算机自动从海量的数据中学习到有用的特征和模式。
不过，连接主义也并非完美无缺。
神经网络的训练需要大量的数据和计算资源，而且其结果往往难以解释。
第一章1.3 什么是人工智能？它的研究目标是什么？人工智能（Artificial Intelligence），英文缩写为AI。
它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
研究目标：人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
1.7 人工智能有哪几个主要学派？各自的特点是什么？主要学派：符号主义，联结主义和行为主义。
1.符号主义：认为人类智能的基本单元是符号，认识过程就是符号表示下的符号计算，从而思维就是符号计算；2.联结主义：认为人类智能的基本单元是神经元，认识过程是由神经元构成的网络的信息传递，这种传递是并行分布进行的。
3.行为主义：认为，人工智能起源于控制论，提出智能取决于感知和行动，取决于对外界复杂环境的适应，它不需要只是，不需要表示，不需要推理。
1.8 人工智能有哪些主要研究和应用领域？其中有哪些是新的研究热点？1.研究领域：问题求解，逻辑推理与定理证明，自然语言理解，自动程序设计，专家系统，机器学习，神经网络，机器人学，数据挖掘与知识发现，人工生命，系统与语言工具。
2.研究热点：专家系统，机器学习，神经网络，分布式人工智能与Agent，数据挖掘与知识发现。
第二章2.8 用谓词逻辑知识表示方法表示如下知识：(1)有人喜欢梅花，有人喜欢菊花，有人既喜欢梅花又喜欢菊花。
三步走：定义谓词，定义个体域，谓词表示定义谓词P(x)：x是人L(x,y)：x喜欢yy的个体域：{梅花，菊花}。
将知识用谓词表示为：(∃x)(P(x)→L(x, 梅花)∨L(x, 菊花)∨L(x, 梅花)∧L(x, 菊花))(2) 不是每个计算机系的学生都喜欢在计算机上编程序。
定义谓词S(x)：x是计算机系学生L(x, pragramming)：x喜欢编程序U(x,computer)：x使用计算机将知识用谓词表示为：¬ (∀x) (S(x)→L(x, pragramming)∧U(x,computer))2.18 请用语义网络表示如下知识：高老师从3月到7月给计算机系的学生讲“计算机网络”课。
人工智能的学科派别从人工智能在1956年正式的成为一门学科算起，这门学科已经经过了60多年的发展。
人工智能在发展中逐渐形成了比较多的学术流派，它们分别从不同的学科背景或者运用不同的研究方法对人工智能进行了探索和发展，目前学界较为认可的，影响力较大的主要为三大学科派别，分别是符号主义学派、联结主义学派和行为主义三大学派。
（一）符号主义：基于逻辑推理的智能模拟方法符号主义（Symbolism）学派，又被称为逻辑主义（logicism）、心理学派（Psychlogism）或者计算机学派（Computerism），是基于物理符号系统的假设和有限合理性原理的人工智能学派。
”符号主义学派是一种早期的人工智能研究方法，该学派崇尚“符号”，因此取名符号主义，他们认为因为数理逻辑是人工智能的起点，所以符号才是我们认识整个客观世界的认知单元。
那么这样一来，人认识客观世界的过程其实就是运算符号和符号表达的过程，人通过不断地输入符号并进行处理，再将处理后的符号进行输出，这才是人认识客观世界的科学过程，从此意义上来说，人必然成为一个符号系统或者符号集成处理系统。
莱布尼茨曾经试图发明一种通用科学语言，想把所有的推理过程都演变成数学公式一样的形式来进行计算，这在当时确实是难以实现的。
直到计算机出现以后，因为数理逻辑和计算机科学具有完全相同的形式化方法，所以符号主义学派又开始寻求在计算机技术的帮助，来用某种符号描述人类的认知过程，并试图将这种符号输入计算机来模拟人类的认知过程，从而达到实现人工智能的目的。
其有代表性的成果为启发式程序，逻辑理论家，西蒙（Herbert A.Simon）、约翰·肖（John Cliff Shaw）和艾纽厄尔（Allen Newell）等几位科学家共同开发了该程序，证明了《数学原理》，其是由英国哲学家伯特兰·罗素（Bertrand Russell）和其老师怀特海（Alfred North Whitehead）合著的一本于1910-1913年出版的关于哲学、数学和数理逻辑的三大卷巨著，该书对逻辑学、数学、集合论、语言学和分析哲学有着巨大影响。
智能信息处理技术人工智能有三大研究学派：符号主义、联结主义和行为主义。
前面的章节已经讨论了符号主义的典型技术与应用，下面将对联结主义的主要观点与技术作讨论。
联结主义又称为仿生学派或生理学派，其原理为神经网络及神经网络间的连接机制和学习算法。
联结主义主要进行结构模拟，认为人的思维基元是神经元，而不是符号处理过程，认为大脑是智能活动的物质基础，要揭示人类的智能奥秘，就必须弄清大脑的结构，弄清大脑信息处理过程的机理。
6.1 神经网络神经网络是借鉴人脑的结构和特点，通过大量简单处理单元互联组成的大规模并行分布式信息处理和非线性动力学系统。
神经网络由具有可调节权值的阈值逻辑单元组成，通过不断调节权值，直至动作计算表现令人满意来完成学习。
人工神经网络的发展可以追溯到1890年，美国生物学家阐明了有关人脑的结构及其功能。
1943年，美国心理学家W.Mcculloch和数学家W.Pitts提出了神经元网络对信息进行处理的数学模型（即M- P模型），揭开了神经网络研究的序幕。
1949年，Hebb提出了神经元之间连接强度变化的学习规则，即Hebb 规则，开创了神经元网络研究的新局面。
1987年6月在美国召开的第一次神经网络国际会议（ICNN）宣告了神经网络计算机学科的诞生。
目前神经网络应用于各行各业。
6.1.1 神经网络的模型和学习算法1.神经网络的模型神经网络由神经元来模仿单个的神经细胞。
其中，x表示外部输入，f为输i表式连接权植。
图6-1为一个神经出，圆表示神经元的细胞体，θ为阈值，ωi元的结构。
图6-1 一个神经元的结构输出f取决于转移函数φ，常用的转移函数有三种，根据具体的应用和网络模型进行选择。
神经网络具有以下优点：（1）可以充分逼近任意复杂的非线性关系。
（2）具有很强的鲁棒性和容错性。
（3）并行处理方法，使得计算快速。
（4）可以处理不确定或不知道的系统，因神经网络具有自学习和自适应能力，可根据一定的学习算法自动地从训练实例中学习。
2018龙岩教师资格教育知识与能力考试热点：四大学习理论的区别与联系在小学教育教学知识与能力科目的考试中，学习理论是重点考察的一个内容。
尤其是四大主义关于学习理论的观点，是考试经常涉及的内容。
对于这部分知识，一方面考察具体的知识点，例如，何为负强化，这类问题相对比较简单;另一方面考察四大主义学习理论的区别。
由于四大主义的学习理论既有区别又有联系，所以学生容易将其混淆在一起，难以区分。
今天我们就来带大家一起区分一下，四大主义的学习理论究竟有何不同。
1.行为主义学习理论行为主义是美国现在心理学的主要流派之一，也是对西方心理学影响最大的流派之一。
它的主要观点是，心理学不应该研究意识，应该只研究行为。
由于意识是不可测的，因此，只需研究在何种刺激下，个体有何种行为即可。
所以，行为主义的学习理论，只研究个体的行为是如何产生的。
例如，巴普洛夫认为，由于无条件刺激与条件刺激的反复结合，个体产生条件行为，即刺激在前，行为在后，个体的学习是一种应答性行为。
斯金纳认为，个体行为的产生是由于行为之后的强化，即行为在前，刺激在后，个体的学习是一种操作性行为。
2.认知主义学习理论认知主义被称为心理学的第二次革命，因反对行为主义而生，与行为主义学派的理论相对。
它认为，人与动物的区别就在于，人是有意识有思维的，因此主张研究意识，反对研究行为。
认为，学习是人们通过感觉、知觉得到的，是人脑对客观事物的组织和加工。
3.建构主义学习理论严格上讲，心理学中并没有建构主义的学派，只是很多认知主义心理学家的观点相似，故将其称为建构主义。
建构主义是一种关于知识和学习的理论，强调学习者的主动性，认为学习是学习者基于原有的知识经验生成意义、建构理解的过程，而这一过程常常是在社会文化互动中完成的。
建构主义与认知主义都强调人的意识，强调学习是人脑对客观世界的加工，但建构主义更强调这种加工的主观性。
强调学习者经验的丰富性和差异性。
4.人本主义学习理论人本主义心理学兴起于20世纪五、六十年代的美国。
浅谈教育心理学中几种常见学习理论的异同_对于教育心理学中的一般学习理论，其中对教学影响最大的主要是行为主义、认知主义和建构主义及其人本主义四种类型。
下面张锐来详细讲解下它们的异同。
(一)行为主义学习理论行为主义是20世纪20年代由美国心理学家华生创始的一个心理学派。
行为主义理论的核心观点认为，学习过程是有机体在一定条件下形成刺激与反应的联结从而获得新经验的过程。
其公式为：S→R(刺激→反应)，强调的是行为的变化。
研究行为主义最有影响的是桑代克、巴甫洛夫、斯金纳等人，桑代克认为学习的过程是刺激与反应之间建立联结的过程，联结是通过盲目尝试，逐步减少错误而形成的，因此他把自己的观点又称为试误说。
巴甫洛夫的经典性条件作用理论，通过狗进食摇铃实验说明了先有铃声刺激后有唾液分泌的反应的行为过程。
华生的实验是一个小孩子和一只白色的猫，当小孩摸猫的时候就制造一突然的噪音，于是孩子就害怕猫了(之前他是不害怕的)。
华生的实验表明在对于一定刺激的情感反应中条件的角色，可以解释人们的恐惧、偏见的形成。
斯金纳的操作性条件作用论，通过迷箱实验，强调的是先反应后刺激的过程，学习实质上是一种反应概率上的变化，而强化是增强反应概率的手段。
(二)认知主义学习理论学习不是在外部环境的支配下被动地形成S—R直接地、机械地联结，而是主动地在头脑内部构建认知结构；学习不是通过练习与强化形成反应习惯，而是通过顿悟与理解获得期待；当有机体当前的学习依赖于他原有的认知结构和当前的刺激情境时，学习受主体的预期所引导，而不是受习惯所支配。
认知主义主要强调了对待事物的认知，面对问题的思维方式和能力。
苛勒的完形顿悟说强调学习是个体利用本身的智慧与理解力对情境及情境与自身关系的顿悟，而不是动作的累积或盲目的尝试，也就在一定程度上否认了桑代克的失误说。
而托尔曼通过了白鼠走迷宫说明白鼠是根据对情境的“认知地图”来行动，而不根据盲目的习惯，也不是依据途径的次序而形成的机械的奔走习惯来行动的。
1、什么是人工智能？其研究目标是什么？人工智能是用人工的在计算机上实现智能，或称机器智能。
人工智能主要研究如何用计算机来表示和执行人类的智能活动，以模拟人脑所从事的推理、学习、思考和规划等思维活动，并解决需要人类的智能才能处理的复杂问题。
（用机器模拟人类智能）人工智能研究的一个长期目标是建造能够和人类一样能实现这些行为的机器，甚至做的比人类还要好。
另一个目标是理解这些行为，无论是在机器中、人中或其他动物。
2、人工智能有哪些不同的研究学派，各有什么特点？人工智能主要研究的学派有：符号主义、联结主义、行为主义符号主义特点：其又称逻辑主义，其理论基础物理符号系统假设和有限合理性原理。
符号主义认为，知识是人们把实践中获得的信息在一起形成的信息结构，是构成智能的基础，因此人工智能的核心问题是知识表示、知识推理、知识的使用、知识可以用符号来表示，也可以基于符号进行推理，因而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。
联结主义的特点，以分布式的方式存储信息，以并行的方式处理信息，具有自组织、自学习能力，适合于模拟人的形象思维，可以比较快地得到一个近似解。
正是这些特点，使得神经网络为人们在利用机器加工处理信息方面提供了一个全新的方法和途径。
行为主义的特点，又称进化主义，是基于控制理论和“动作感知”型控制系统的人工智能学派。
此观点认为：人的本质能力是在动态环境中的行走能力、对外界事物的感知能力、维持生命和繁衍生息的能力，正是这些能力对智能的发展提供了基础。
因此智能行为只能是在与环境的交互作用下表现出来。
因此，智能行为是由所谓的“亚符号处理”，即“信号处理”产生。
3、人工智能的发展可以划分为哪几个阶段？孕育期、形成期、发展和应用期孕育期：1956年以前形成期：1956-1970年发展和应用期：1971-至今4、人工智能主要的研究和应用领域？机器学习、知识表示和推理、智能搜索、模糊逻辑、人工神经网络、自然语言理解、知识发现、数据挖掘、专家系统、遗传算法、机器人学5、什么是图灵测试？它有什么重要特征？图灵测试用人类的表现来衡量假设的智能机器的表现，这是评价智能行为的最好标准。
从学术的观点看，人工智能主要分三大学派，分别是符号主义学派、连接主义学派和行为主义学派。
在对人工智能进行研究时，可能会按照某一理论或方法展开探讨分析，但在实地落地的项目或产品可能综合应用了多个学派的知识。
比如，最近我们为某制造企业提供智能客服系统，其中语音识别、语音合成和语义理解技术等属于连接主义的成果，同时，也使用了知识库等属于符号主义的成果。
一、符号主义学派
符号主义，又称逻辑主义、心理学派或计算机学派，是一种基于逻辑推理的智能模拟方法，认为
人工智能源于数学逻辑，其原理主要为物理符号系
统（即符号操作系统）假设和有限合理性原理。
该学派认为人类认知和思维的基本单元是符号，智能是符号的表征和运算过程，计算机同样也是一个物理符号系统，因此，符号主义主张（由人）将智能形式化为符号、知识、规则和算法，并用计算机实现符号、知识、规则和算法的表征和计算，从而实现用计算机来模拟人的智能行为。
其首个代表性成果是启发式程序LT（逻辑理论家），它证明了38条数学定理，表明了可以应用计算机研究人的思维过程，模拟人类智能活动。
此后，符号主义走过了一条启发式算法——专家系统——知识工程的发展道路。
专家系统是一种程序，能够依据一组从专门知识中推演出的逻辑规则在某一特定领域回答或解决问题。
1980年卡内基梅隆大学为数字设备公司设计了一个名为XCON的专家系统，在1986年之前，它每年为公司省下四千万美元。
专家系统的能力来自于它们存储的专业知识，知识库系统和知识工程成为了上世纪80年代AI研究的主要方向。
专家系统仅限于一个专业细分的知识领域，从而避免了常识问题，其简单的设计又使它能够较为容易地编程实现或修改。
专家系统的成功开发与应用，对人工智能走向实际应用具有特别重要的意义，也是符号主义最辉煌的时候。
但凡事有利有弊，专家系统仅仅局限于某些特定情景，且知识采集难度大、费用高、使用难度大，在其它领域如机器翻译、语音识别等领域基本上未取得成果。
日本、英国、美国在80年代初都曾制订过雄心勃勃的人工智能研发计划，如日本的第五代计算机项目，其目标是造出能够与人对话、翻译语言、解释图像，并且像人一样推理的机器，但直到1991年，这个目标依然未能实现。
20世纪80年代末，符号主义学派开始走向式微，日益衰落，其重要原因是：符号主义追求的是如同数学定理般的算法规则，试图将人的思想、行为活动及其结果，抽象化为简洁深入而又包罗万象的规则定理，就像牛顿将世间万物的运动蕴含于三条定理之中。
但是，人的大脑是宇宙中最复杂的东西，人的思想无比复杂而又广阔无垠，人类智能也远非逻辑和推理。
所以，用符号主义学派理论解决智能问题难度可想而知；另一个重要原因是：人类抽象出的符号，源头是身体对物理世界的感知，人类能够通过符号进行交流，是因为人类拥有类似的身体。
计算机只处理符号，就不可能有类人感知，人类可意会而不能言传的“潜智能”，不必或不能形式化为符号，更是计算机不能触及的。
要实现类人乃至超人智能，就不能仅仅依靠计算机。
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。
二、连接主义学派
连接主义，又称仿生学派或生理学派，是一种基于神经网络和网络间的连接机制与学习算法的智
能模拟方法。
连接主义强调智能活动是由大量简单
单元通过复杂连接后，并行运行的结果，基本思想
是，既然生物智能是由神经网络产生的，那就通过
人工方式构造神经网络，再训练人工神经网络产生
智能。
1943年形式化神经元模型（M-P模型）被提出，从此开启了连接主义学派起伏不平的发展之路。
1957年感知器被发明，之后连接主义学派一度沉寂。
1982年霍普菲尔德网络、1985年受限玻尔兹曼机、1986多层感知器被陆续发明，1986年反向传
播法解决了多层感知器的训练问题，1987年卷积神经网络开始被用于语音识别。
此后，连接主义势头大振，从模型到算法，从理论分析到工程实现，为神经网络计算机走向市场打下基础。
1989年反向传播和神经网络被用于识别银行手写支票的数字，首次实现了人工神经网络的商业化应用。
与符号主义学派强调对人类逻辑推理的模拟不同，连接主义学派强调对人类大脑的直接模拟。
如果说神经网络模型是对大脑结构和机制的模拟，那么连接主义的各种机器学习方法就是对大脑学习和训练机制的模拟。
学习和训练是需要有内容的，数据就是机器学习、训练的内容。
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。
互联网产生了大量的数据，包括海量行为数据、图像数据、内容文本数据等。
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。
当然，仅有数据也不够，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。
虽然连接主义在当下如此强势，但可能阻碍它未来发展的隐患已悄然浮现。
连接主义以仿生学为基础，但现在的发展严重受到了脑科学的制约。
虽然以连接主义为基础的AI应用规模在不断壮大，但其理论基础依旧是上世纪80年代创立的深度神经网络算法，这主要是由于人类对于大脑的认知依旧停留在神经元这一层次。
正因如此，目前也不明确什么样的网络能够产生预期的智能水准，因此大量的探索最终失败。
三、行为主义学派
行为主义，又称进化主义或控制论学派，是一种基于“感知——行动”的行为智能模拟方法，思
想来源是进化论和控制论。
其原理为控制论以及感
知——动作型控制系统。
该学派认为：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。
行为主义对传统人工智能进行了批评和否定，提出了无须知识表示和无须推理的智能行为观点。
相比于智能是什么，行为主义对如何实现智能行为更感兴趣。
在行为主义者眼中，只要机器能够具有和智能生物相同的表现，那它就是智能的。
这一学派的代表作首推六足行走机器人，它被看作是新一代的“控制论动物”，是一个基于感知-动作模式模拟昆虫行为的控制系统。
另外，著名的研究成果还有波士顿动力机器人和波士顿大狗。
你可以在网上搜到它们各种炫酷的视频，包括完成体操动作，踹都踹不倒，稳定性、移动性、灵活性都极具亮点。
他们的智慧并非来源于自上而下的大脑控制中枢，而是来源于自下而上的肢体与环境的互动。
行为主义学派在诞生之初就具有很强的目的性，这也导致它的优劣都很明显。
其主要优势便在于行为主义重视结果，或者说机器自身的表现，实用性很强。
行为主义在攻克一个难点后就能迅速将其投入实际应用。
例如机器学会躲避障碍，就可应用于星际无人探险车和扫地机器人等等。
不过也许正是因为过于重视表现形式，行为主义侧重于应用技术的发展，无法如同其他两个学派一般，在某个重要理论获得突破后，迎来爆发式增长。
这或许也是行为主义无法与连接主义抗衡的主要原因之一。
四、总结
综上所述，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。
从共同性方面来说，算法、算力和数据是人工智能的三大核心要素，无论哪个学派，这三者都是其创造价值和取得成功的必备条件。
行为主义有一个显著不同点是它有一个智能的“载体”，比如上文所说到的“机器狗”的身体，而符号主义和连接主义则无类似“载体”（当然你也可以认为其“载体”就是计算机，只不过计算机不能感知环境）。
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。
比如说将连接主义的“大脑”安装在行为主义的“身体”上，使机器人不但能够对环境做出本能的反应，还能够思考和推理。
再比如，是否用可以符号主义的方法将人类的智能尽可能地赋予机器，再按连接主义的学习方法进行训练？这也许可以缩短获得更强机器智能的时间。
相信随着人工智能研究的不断深入，这三大学派会融合贯通，可共同为人工智能的实际应用发挥作用，也会为人工智能的理论找到最终答案。
