人工智能的三大学派有哪些看过你就明白了
原标题：人工智能的三大学派有哪些？看过你就明白了人工智能从阿兰·图灵（AlanTuring）提出概念，发展至今，已有60余年的时间。通过人工智能的发展历史，我们会发现它主要由3个方面相互交织发展：符号主义、连接主义和行为主义。
符号主义
符号主义认为人工智能源于数理逻辑，旨在用数学和物理学中的逻辑符号来表达思维的形成，通过大量的“如果-就”规则定义，产生像人一样的智能。符号主义曾长期一枝独秀，为人工智能的发展作出重要贡献，即便是在人工智能的其他学派出现之后，符号主义仍是人工智能的主流派别。
连接主义
连接主义认为人工智能源于仿生学，其主张智能来自神经元之间的连接，它让计算机模拟人类大脑中的神经网络及其连接机制。从目前来看，人工神经网络的研究热度仍然较高，但研究成果并没有像预想的那样好。
展开全文行为主义
行为主义认为人工智能源于控制论，指的是基于感知行为的控制系统，使每个基本单元实现自我优化和适应，这也是一个自下而上的过程，典型的代表有进化算法、多智能体等。
综合来看，人工智能研究进程中的这三种主义都推动了人工智能的发展，它们既可以相互融合，又能求同存异。返回搜狐，查看更多
责任编辑：人工智能的三大学派
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。
左小波先生，自92年进入IT行业，一直从事着信息系统的研发及企业IT管理工作，在行业多年的浸润下，积累了丰富的数字化建设经验，形成了独到见解。对人工智能有着浓厚的兴趣，时刻对人工智能技术保持观察、学习、思考、分享
客户案例（部分）返回搜狐，查看更多
人工智能的学派：为什么要搞清楚
原标题：人工智能的学派：为什么要搞清楚在中国学术界，只会纸上谈兵的大人物太多，也太能忽悠。我特别担心的是：他们用人工智能的概念，把智能制造的路子引歪了。
昨天，看到某著名学者讲人工智能的材料。他提到了智能的三个主流学派：控制学派（行为主义、进化主义）、计算机学派（符号主义、逻辑主义）、连结学派（生理学派、人工神经元）。我从他的演讲中惊讶地发现：他没有搞清各个学派的关系。
那么，为什么要搞清楚各个学派的关系？
搞不清三者的关系，就难以在解决实际问题的过程中灵活运用、就常常会做“高射炮打蚊子”的事情。有人提出：“智能制造=人工智能+制造”的人，其实就没有搞清楚这些关系。当然，即便搞不清三个主流学派的关系，也能按照某个学派的观点去进行深入的研究、也不影响发表论文；而搞清三者的关系，也不一定对发表论文有好处。工程师的视野要宽、才便于选择合适的方法；学者的深度要深，才能在学术上有突破。所以，搞清三者的关系，对做事的工程师有用、对写论文的学者不一定有用。
如何认识三个学派的关系呢？
我想，可以先问自己一个问题：三个学派是“耕种的是不同的地块”，还是“耕种一个地块的三种方法”？
在我看来，从应用的角度来看，“智能”是一个大的地块。这个地块就是：把信息感知、决策、执行自动地统一起来，做到“随时、随地、不随人”（宁振波先生的观点，意思是人不在的时候机器也能做）。这个“地块”，其实就是“控制论之父”维纳划出来的。
但是，这个大的地块中，有几个小的地块就像“山地”一样，不好“种”。比如，有些决策过程需要用复杂的推理。有人觉得：这种复杂的推理，不能用传统的计算机方法来做，需要模拟人脑的推理机制，这种推理的机制，才叫做智能。这种观点，相当于把控制论学派划出的地块中，再划出“自留地”——这就是符号主义。这块“地块”遭遇的问题比较特殊，方法和特点也比较特殊。故而又引发出其他的一些定义。例如，有人根据这块地的特点，把智能的特点总结为：“在大的搜索空间中迅速找出较优解”的能力。
人们后来发现，符号主义也有短板。决策需要知识，很多与直觉相关的知识，并不容易用符号推理来表述，需要计算机从数据中自己学习。为此，提出要模拟生物的神经元学习过程。于是，就诞生了“连接主义”。在我看来，这就相当于在“自留地”再划出一块更小的“自留地”。然而，“连接主义”的“这块地”其实一直没怎么“耕好”——直到在大数据的基础上提出“深度神经网络”理论，才突然有了起色。于是，引来了“新一代人工智能”的说法。
再回过头来看：“控制论学派”对其传统领地“画地为牢”：多年来，控制理论的主流是用传递函数、状态方程来描述的。而很多对象是不能用这种函数描述的。那么，其他的“地块”是“荒芜”的吗？其实也不是：MES、ERP、APS、PLC等其实早就占领了这块地，企业很早就喜欢这些地块。但是，学术界、尤其是中国的学术界却不怎么喜欢这块地：学术界喜欢用复杂数学公式描述的东西；对他们来说，这里的理论“太简单了”。
ICT技术的发展，相当于种地水平的提升：大数据和工业互联网，就像送来了化肥、有条件带来经济性；工业软件，相当于发明了农用机械，用于解决业务问题的复杂性；劳动力成本的企业竞争压力的上升，相当于靠这块地吃饭的人开始增多，也推动了经济性。于是，智能制造成了热点：因为收获大大增加了。
“人工智能”的学派划分，更多是从学术角度看的。如果企业家和工程师迷信于学术本身，工作上就很容易“钻牛角尖”。我认为工程师遇到实际问题，首选的应该最简单的逻辑——除非有必要，才会用复杂的算法。选用简单逻辑的原因，是工业对象太复杂。需要用简单的逻辑才能驾驭复杂性。如果方法太复杂、人脑就不容易想清楚，代来的风险和不确定性就强——这是工业人最不愿意看到的。
学术界说的人工智能，主要指的计算机学派和连接主义学派。鉴于这种情况，“智能制造=人工智能+制造”是很容易误导人的说法。以至于有些人认为，只有有了这些高大上的东西，才能搞智能制造。于是，一下子就掉到坑里去了。马云强调“工业智能”的说法，其初衷可能也是想让企业界避开学术界挖的这个大坑。
我的随笔，随便写写，不当之处勿怪。返回搜狐，查看更多
责任编辑：人工智能的5个思想学派，你属于哪一个
大脑将被下载和复制。这些复制的大脑将完成认知工作，而机器人将完成物理工作。乌托邦学派认为，这种认知和物理技能上的转变，将会带来经济产出的增长，每三个月翻一番。这种学派的主要信念是：人工智能和机器人在做所有的工作时，人类将能够将他们的技能和才能应用于有意义的行动，名正言顺地“随心所欲”。
反乌托邦思想
而另一方面，反乌托邦思想主要关注AI和机器人对市场和世界的负面影响。《哈佛商业评论》称之为“达尔文之争”，即机器将主宰一切。这些AI系统将主宰各种高技能工作，低技能的职位将交给机器人。
这种变化的结果将是高失业率、极低的工资和经济上的困顿。人类生产力下降、收入下降、商品和服务需求下降。我们的经济可能陷入困境。马斯克认为，这也许是一种可能性，并认为无条件基本收入（UniversalBasicIncome）是必要的。
技术乐观主义思想
尽管一些企业和科技爱好者认为，我们距离完善人工智能还有很多年的时间，但科技乐观主义者却专注于人工智能可能带来技术进步的乐观情绪。虽然企业仍然在学习这种智能技术如何能够改变他们的业务，但这个想法认为，最终企业会掌握这项技术并很好地利用它。
当他们掌握了这一概念时，“生产力的飞跃”在行业中会带来巨大价值，创造经济增长，更高的生活水平，连同“消费者剩余和免费应用和信息价值”。这种思想还指出，在所有这些变化中，人们可能会失去工作，需要克服负所得税的问题，此外还需要对教育和培训以及技术的投资。
现实主义思想
尽管保持乐观总是好的，而且这个想法也是好的，但成为现实主义者也是至关重要的。这种思想学派主要关注AI背后的现实主义，以及人工智能在商业世界中可能带来的变化。
他们认为，就像以前的技术浪潮一样，人工智能和智能机器的浪潮可以创造它所承诺的生产力。可以实施人工智能技术各项要求的企业，将会快速提高生产力。虽然可以创造新的就业机会，但这项技术也会让过去发生的事情进一步恶化：中等技能工作水平降低，高等和低等水平提高。
现实主义者认为，由于缺乏完整的研究，这些问题还不能得到回答。需要经过研究才能做出关于AI和机器智能的明智决定。
缺乏生产力思想
似乎大多数思想都一直认为人工智能可以提高生产力。然而，这个想法却认为，与预期相比，人工智能会导致生产力缺乏。
《哈佛商业评论》称：“尽管智能技术具有强大的力量，国家生产力水平的提高将是微乎其微的。再加上人口老龄化、收入不平等以及应对气候变化的成本所带来的阻力，美国的GDP增长几乎为零。”支持这个思想学派的人认为，没有什么值得大惊小怪的，静观其变，坦然面对增长停滞。
你持有怎样的立场？
虽然这五种思想各不同，但有一点是肯定的：不管人工智能的未来如何，企业都必须为未来做好准备。我自己也在反复思考我是属于哪个学派，每个学派对我来说都是有意义的，似乎可能是一种可能性。不过最终我知道，无论关于人工智能的预测如何，我都需要为未来做好准备。
来源：至顶网
微信公众号：中咨院CLIAC_BJ解需科技jiexukeji
中咨产学研创新研究院官网：http://www.chanxueyan.org/
北京中咨产学研创新研究院（以下简称“中咨院”）筹备于2011年，2015年底成立于北京，是国内领先的拥有标准化产学研专业服务实力和创新型经营服务模式的综合研究型咨询机构。返回搜狐，查看更多
人工智能的三次浪潮与三种模式
■史爱武
谈到人工智能，人工智能的定义到底是什么？
达特茅斯会议上对人工智能的定义是：使一部机器的反应方式就像是一个人在行动时所依据的智能。
百度百科上对人工智能的定义是：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。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。
尽管人工智能现在还没有非常严格准确或者所有人都接受的定义，但是有一些约定俗成的说法。通常人工智能是指机器智能，让机器达到人智能所实现的一些功能。人工智能既然是机器智能，就不是机械智能，那么这个机器是指什么呢？是指计算机，用计算机仿真出来的人的智能行为就可以叫作人工智能。
2017年7月，国务院印发了《新一代人工智能发展规划》。2017年12月，人工智能入选“2017年度中国媒体十大流行语”。这一国家级战略和社会流行趋势标志着，人工智能发展进入了新阶段，我国要抢抓人工智能发展的重大战略机遇，构筑人工智能发展的先发优势，加快建设创新型国家和世界科技强国。
人工智能的三次浪潮
自1956年开始，人工智能经历了三起三落，出现了几次浪潮，现在人工智能已经是处于第三次浪潮了。
第一次浪潮（1956-1976年，20年），最核心的是逻辑主义
逻辑主义主要是用机器证明的办法去证明和推理一些知识，比如用机器证明一个数学定理。要想证明这些问题，需要把原来的条件和定义从形式化变成逻辑表达，然后用逻辑的方法去证明最后的结论是对的还是错的，也叫做逻辑证明。
早期的计算机人工智能实际上都是沿着这条路在走。当时很多专家系统，比如医学专家系统，用语言文字输入一些症状，在机器里面变换成逻辑表达，用符号演算的办法推理出大概得了什么病。所以当时的主要研究都集中在逻辑抽象、逻辑运算和逻辑表达等方面。
在第一次浪潮中，数学定理证明实际上是实现效果最好的，当时有很多数学家用定理思路证明了数学定理。为了更好地完成定理证明工作，当时出了很多和逻辑证明相关的逻辑程序语言，比如很有名的Prolog。
虽然当时的成果已经能够解开拼图或实现简单的游戏，却几乎无法解决任何实用的问题。
第二次浪潮（1976—2006年，30年），联结主义盛行
在第一次浪潮期间，逻辑主义和以人工神经网络为代表的联结主义相比，逻辑主义是完全占上风的，联结主义那时候不太吃香。然而逻辑主义最后无法解决实用的问题，达不到人们对它的期望，引起了大家的反思，这时候人工神经网络（也就是联结主义）就慢慢占了上风。
在70年代末，整个神经元联结网络、模型都有突飞猛进的进步，最重要的是BP前馈神经网络。1986年BP前馈神经网络刚出来的时候解决了不少问题，后来大家往更大的领域应用，实现了比较大的成果。在很多模式识别的领域、手写文字的识别、字符识别、简单的人脸识别也开始用起来，这个领域一下子就热起来，一时之间，人们感觉人工智能大有可为。随后十几年人们发现神经网络可以解决一些单一问题，解决复杂问题却有些力不从心。训练学习的时候，数据量太大，有很多结果到一定程度就不再往上升了。
这时期所进行的研究，是以灌输“专家知识”作为规则，来协助解决特定问题的“专家系统”为主。虽然有一些实际的商业应用案例，应用范畴却很有限，第二次热潮也就慢慢趋于消退。
第三次浪潮（2006—现在），基于互联网大数据的深度学习的突破
如果按照技术分类来讲，第二次和第三次浪潮都是神经网络技术的发展，不同的是，第三次浪潮是多层神经网络的成功，也就是深度学习取得突破。这里既有硬件的进步，也有卷积神经网络模型与参数训练技巧的进步。
若观察脑的内部，会发现有大量称为“神经元”的神经细胞彼此相连。一个神经元从其他神经元那里接收的电气信号量达某一定值以上，就会兴奋（神经冲动）；在某一定值以下，就不会兴奋。兴奋起来的神经元，会将电气信号传送给下一个相连的神经元。下一个神经元同样会因此兴奋或不兴奋。简单来说，彼此相连的神经元，会形成联合传递行为。我们透过将这种相连的结构来数学模型化，便形成了人工神经网络。
经模型化的人工神经网络，是由“输入层”“隐藏层”及“输出层”等三层构成。深度学习往往意味着有多个隐藏层，也就是多层神经网络。另外，学习数据则是由输入数据以及相对应的正确解答来组成。
为了让输出层的值跟各个输入数据所对应的正解数据相等，会对各个神经元的输入计算出适当的“权重”值。通过神经网络，深度学习便成为了“只要将数据输入神经网络，它就能自行抽出特征”的人工智能。
伴随着高性能计算机、云计算、大数据、传感器的普及，以及计算成本的下降，“深度学习”随之兴起。它通过模仿人脑的“神经网络”来学习大量数据的方法，使它可以像人类一样辨识声音及影像，或是针对问题做出合适的判断。在第三次浪潮中，人工智能技术及应用有了很大的提高，深度学习算法的突破居功至伟。
深度学习最擅长的是能辨识图像数据或波形数据这类无法符号化的数据。自2010年以来，Apple、Microsoft及Google等国际知名IT企业，都投入大量人力物力财力开展深度学习的研究。例如AppleSiri的语音识别，Microsoft搜索引擎Bing的影像搜寻等等，而Google的深度学习项目也已超过1500项。
深度学习如此快速的成长和应用，也要归功于硬件设备的提升。图形处理器（GPU）大厂英伟达（NVIDIA）利用该公司的图形适配器、连接库（Library）和框架（Frame⁃work）产品来提升深度学习的性能，并积极开设研讨课程。另外，Google也公开了框架TensorFlow，可以将深度学习应用于大数据分析。
人工智能的3种模式
人工智能的概念很宽泛，根据人工智能的实力可以分成3大类，也称为3种模式。
（1）弱人工智能：擅长于单个方面的人工智能，也叫专业人工智能。比如战胜世界围棋冠军的人工智能AlphaGo，它只会下围棋，如果让它下国际象棋或分辨一下人脸，它可能就会犯迷糊，就不知道怎么做了。当前我们实现的几乎全是弱人工智能。
（2）强人工智能：是指在各方面都能和人类比肩的人工智能，这是类似人类级别的人工智能，也叫通用人工智能。人类能干的脑力活，它都能干，创造强人工智能比创造弱人工智能难得多，目前我们还做不到。
（3）超人工智能：知名人工智能思想家NickBostrom把超级智能定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能”。超人工智能可以是各方面都比人类强点，也可以是各方面都比人类强很多倍。超人工智能现在还不存在，很多人也希望它永远不要存在。否则，可能像好莱坞大片里面的超级智能机器一样，对人类也会带来一些威胁或者颠覆。
我们现在处于一个充满弱人工智能的世界。比如，垃圾邮件分类系统是个帮助我们筛选垃圾邮件的弱人工智能；Google翻译是可以帮助我们翻译英文的弱人工智能等等。这些弱人工智能算法不断地加强创新，每一个弱人工智能的创新，都是迈向强人工智能和超人工智能的进步。正如人工智能科学家AaronSaenz所说，现在的弱人工智能就像地球早期软泥中的氨基酸，可能突然之间就形成了生命。如世界发展的规律看来，超人工智能也是未来可期的！