人工智能三大学派
若从1956年正式提出人工智能学科算起，人工智能的研究发展已有50多年的历史。这期间，不同学科或学科背景的学者对人工智能做出了各自的理解，提出了不同的观点，由此产生了不同的学术流派。期间对人工智能研究影响较大的的主要有符号主义、连接主义和行为主义三大学派。
符号主义
符号主义（Symbolism）是一种基于逻辑推理的智能模拟方法，又称为逻辑主义(Logicism)、心理学派(Psychlogism)或计算机学派(Computerism)，其原理主要为物理符号系统假设和有限合理性原理，长期以来，一直在人工智能中处于主导地位。
符号主义学派认为人工智能源于数学逻辑。数学逻辑从19世纪末起就获得迅速发展，到20世纪30年代开始用于描述智能行为。计算机出现后，又在计算机上实现了逻辑演绎系统。该学派认为人类认知和思维的基本单元是符号，而认知过程就是在符号表示上的一种运算。符号主义致力于用计算机的符号操作来模拟人的认知过程其，实质就是模拟人的左脑抽象逻辑思维，通过研究人类认知系统的功能机理，用某种符号来描述人类的认知过程，并把这种符号输入到能处理符号的计算机中，从而模拟人类的认知过程，实现人工智能。
连接主义
连接主义（Connectionism）又称为仿生学派(Bionicsism)或生理学派(Physiologism)。是一种基于神经网络及网络间的连接机制与学习算法的智能模拟方法。其原理主要为神经网络和神经网络间的连接机制和学习算法。这一学派认为人工智能源于仿生学，特别是人脑模型的研究。
联结主义学派从神经生理学和认知科学的研究成果出发，把人的智能归结为人脑的高层活动的结果，强调智能活动是由大量简单的单元通过复杂的相互连接后并行运行的结果。其中人工神经网络就是其典型代表性技术。
行为主义
行为主义又称进化主义(Evolutionism)或控制论学派(Cyberneticsism)，是一种基于“感知——行动”的行为智能模拟方法。
行为主义最早来源于20世纪初的一个心理学流派，认为行为是有机体用以适应环境变化的各种身体反应的组合，它的理论目标在于预见和控制行为。维纳和麦洛克等人提出的控制论和自组织系统以及钱学森等人提出的工程控制论和生物控制论，影响了许多领域。控制论把神经系统的工作原理与信息理论、控制理论、逻辑以及计算机联系起来。早期的研究工作重点是模拟人在控制过程中的智能行为和作用，对自寻优、自适应、自校正、自镇定、自组织和自学习等控制论系统的研究，并进行“控制动物”的研制。到60、70年代，上述这些控制论系统的研究取得一定进展，并在80年代诞生了智能控制和智能机器人系统。
人工智能研究进程中的这三种假设和研究范式推动了人工智能的发展。就人工智能三大学派的历史发展来看，符号主义认为认知过程在本体上就是一种符号处理过程，人类思维过程总可以用某种符号来进行描述，其研究是以静态、顺序、串行的数字计算模型来处理智能，寻求知识的符号表征和计算，它的特点是自上而下。而连接主义则是模拟发生在人类神经系统中的认知过程，提供一种完全不同于符号处理模型的认知神经研究范式。主张认知是相互连接的神经元的相互作用。行为主义与前两者均不相同。认为智能是系统与环境的交互行为，是对外界复杂环境的一种适应。这些理论与范式在实践之中都形成了自己特有的问题解决方法体系，并在不同时期都有成功的实践范例。而就解决问题而言，符号主义有从定理机器证明、归结方法到非单调推理理论等一系列成就。而联结主义有归纳学习，行为主义有反馈控制模式及广义遗传算法等解题方法。它们在人工智能的发展中始终保持着一种经验积累及实践选择的证伪状态。
人工智能发展史总结
什么是人工智能人工智能（AritificialIntelligence，AI）是一门融合了计算机科学、统学、脑神经学和社会科学的前沿综合性学科。它的目标是希望计算机拥有像人一样的智力能力，可以替代人类实现识别、认知、分类和决策等多种功能。
人工智能发展史人工智能在发展过程中产生了很多的流派，符号主义、连接主义和行为主义。这些流派的相辅相成推进了人工智能的发展。
如果你想要系统地学习人工智能，那么推荐你去看床长人工智能教程。非常棒的大神之作，教程不仅通俗易懂，而且很风趣幽默。点击这里可以查看教程。
符号主义符号主义又称逻辑主义、心理学派或计算机学派。符号主义认为，人工智能源于数学逻辑，人的认知基源是符号，认知过程即符号操作过程，通过分析人类认知系统所具备的功能和机能，然后通过计算机来模拟这些功能，从而实现人工智能。符号主义的发展大概经历了几个阶段：推理期（20世纪50年代–20世纪70年代），知识期（20世纪70年代—-）。“推理期”人们基于符号知识表示、通过演绎推理技术取得了很大的成就；“知识期”人们基于符号表示、通过获取和利用领域知识来建立专家系统取得了大量的成果。
连接主义连接主义又称仿生学派或生理学派。连接主义认为，人工智能源于仿生学，特别是对人脑模型的研究，人的思维基元是神经元，而不是符号处理过程。20世纪60~70年代，连接主义，尤其是对以感知机(perceptron)为代表的脑模型的研究出现过热潮，由于受到当时的理论模型、生物原型和技术条件的限制，脑模型研究在20世纪70年代后期至80年代初期落入低潮。直到Hopfield教授在1982年和1984年发表两篇重要论文，提出用硬件模拟神经网络以后，连接主义才又重新抬头。1986年，鲁梅尔哈特(Rumelhart)等人提出多层网络中的反向传播算法(BP)算法。进入21世纪后，连接主义卷土重来，提出了“深度学习”的概念。
机器学习二十世纪80年代，机器学习成为一个独立的科学领域，各种机器学习技术百花初绽。E．A．Feigenbaum等人在著名的《人工智能手册》中，把机器学习划分为“机械学习”、“示教学习”、“类比学习”和“归纳学习”。机械学习将外界的输入信息全部存储下来，等到需要时原封不动的取出来；示教学习和类比就是“从指令中学习”和“通过观察和发现学习”；归纳学习就是从样例中学习。二十世纪80年代以来研究最多的就是归纳学习，它包括：监督学习、无监督学习、半监督学习、强化学习等。归纳学习有两大主流：一、符号主义学习，其代表包括决策树和基于逻辑的学习（事实上，机器学习在20世纪80年代正是被视为“解决公式工程瓶颈问题的关键”而走上人工智能主舞台的）。二、基于神经网络的连接主义学习。二十世纪90年代中期，统计学习闪亮登场，并迅速占据主流舞台，代表性技术是支持向量机以及更一般的“核方法”。我们目前所说的机器学习方法，一般认为是统计机器学习方法。
ps:想按照算法的发展将人工智能发展过程梳理一遍，事实上感觉写的很差，希望大家多多指正。
研究领域与应用场景研究领域人工智能的研究领域主要有5层，最底层是基础设施建设，包括数据和计算能力两部分，数据越大人工智能的能力越强。往上一层是算法，比如机器学习、深度学习等算法。再上一层是主要的技术方向，如计算机视觉、语音工程、NLP等。第二层是各个技术方向中的技术。最上层为人工智能的应用领域。
应用场景 计算机视觉：车牌识别、人脸识别、无人车等 语音工程：2010年后，深度学习的广泛应用使语音识别的准确率大幅提升，像Siri、VoiceSearch和Echo等，可以实现不同语言间的 交流，从语音中说一段话，随之将其 翻译为另一种文字；再如智能助手，你可以对手机说一段话，它能帮助你完成一些任务。 自然语言处理：问答系统、机器翻译、对话系统等。 决策系统：决策系统的发展是随着棋类问题的解决而不断提升，从80年代西洋跳棋开始，到90年代的国际象棋对弈，再到AlphaGo，机器的胜利都标志了科技的进步。决策系统可以在自动化、量化投资等系统上广泛应用。 大数据应用：分析客户的喜好进行个性推荐，精准营销；分析各个股票的行情，进行量化交易。
AI面临的挑战1) 计算机视觉：未来的人工智能应该更加注重效果的优化，加强计算机视觉在不同场景、问题上的应用。2) 语音工程：当前的语音工程在安静环境下，已经能够取得和人类相似的水平。但在噪音情景下仍有挑战，如原场识别、口语、方言等长尾识别。3) 自然语言处理：机器欠缺对语意理解能力，包括对口语不规范的用于识别和认知等。4) 决策系统：目前存在的两个问题，第一是不通用，即学习知识的不可迁移性，如用一个方法学习下象棋，不能直接将其迁移到下围棋上；第二是大量模拟数据。