人工智能三个流派
systemVerilog中$fopen()函数无言IC:不需要，可以写相对路径
OBJ/lib/saverestoreobj/obj-linux64/kernel.o:(.text+0xc41):undefinedreferenceto`pthread_yield‘我又不吃饭:感谢，对我很有帮助
Verilog语法一元约简运算符jkl23333:付费就离谱
安装4.210版本Verilator祝我年少有为！:请问make后一直卡在哪里不动怎么办呢？
保持噪声容限l13548516937:你好，我想问下这个正方形数值是怎么算出来的？
人工智能的三大学派:符号主义、连接主义、行为主义
目前人工智能的主要学派有下列三家：(1)符号主义(symbolicism)，又称为逻辑主义、心理学派或计算机学派，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。(2)连接主义(connectionism)，又称为仿生学派或生理学派，其主要原理为神经网络及神经网络间的连接机制与学习算法。(3)行为主义(actionism)，又称为进化主义或控制论学派，其原理为控制论及感知-动作型控制系统。
1.符号主义
认为人工智能源于数理逻辑。数理逻辑从19世纪末起得以迅速发展，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。其有代表性的成果为启发式程序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。正是这些符号主义者，早在1956年首先采用“人工智能”这个术语。后来又发展了启发式算法>专家系统>知识工程理论与技术，并在20世纪80年代取得很大发展。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，尤其是专家系统的成功开发与应用，为人工智能走向工程应用和实现理论联系实际具有特别重要的意义。在人工智能的其他学派出现之后，符号主义仍然是人工智能的主流派别。这个学派的代表人物有纽厄尔(Newell)、西蒙(Simon)和尼尔逊(Nilsson)等。
2.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。它的代表性成果是1943年由生理学家麦卡洛克(McCulloch)和数理逻辑学家皮茨(Pitts)创立的脑模型，即MP模型，开创了用电子装置模仿人脑结构和功能的新途径。它从神经元开始进而研究神经网络模型和脑模型，开辟了人工智能的又一发展道路。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(BP)算法。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，伟神经网络计算机走向市场打下基础。现在，对人工神经网络(ANN)的研究热情仍然较高，但研究成果没有像预想的那样好。
3.行为主义
认为人工智能源于控制论。控制论思想早在20世纪40~50年代就成为时代思潮的重要部分，影响了早期的人工智能工作者。维纳(Wiener)和麦克洛克(McCulloch)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，如对自寻优、自适应、自镇定、自组织和自学习等控制论系统的研究，并进行“控制论动物”的研制。到20世纪60~70年代，上述这些控制论系统的研究取得一定进展，播下智能控制和智能机器人的种子，并在20世纪80年代诞生了智能控制和智能机器人系统。行为主义是20世纪末才以人工智能新学派的面孔出现的，引起许多人的兴趣。这一学派的代表作者首推布鲁克斯(Brooks)的六足行走机器人，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。
人工智能三大主要学派：符号主义、连接主义、行为主义
人工智能的发展，在不同的时间阶段经历了不同的流派，并且相互之间盛衰有别。目前人工智能的主要学派有下列三家：
符号主义(symbolicism)，又称为逻辑主义、心理学派或计算机学派，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。
连接主义(connectionism)，又称为仿生学派或生理学派，其主要原理为神经网络及神经网络间的连接机制与学习算法。
行为主义(actionism)，又称为进化主义或控制论学派，其原理为控制论及感知-动作型控制系统。
会发现三者的根源依据存在着较大的差异性，也为后世的学派发展产生了较为深远的影响。
符号主义（优秀的老式人工智能）
认为人工智能源于数理逻辑，主张用公理和逻辑体系搭建一套人工智能系统。代表的有支持向量机（SVM），长短期记忆（LSTM）算法。
数理逻辑从19世纪末起得以迅速发展，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。其有代表性的成果为启发式程序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。
正是这些符号主义者，早在1956年首先采用“人工智能”这个术语。后来又发展了启发式算法>专家系统>知识工程理论与技术，并在20世纪80年代取得很大发展。
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，尤其是专家系统的成功开发与应用，为人工智能走向工程应用和实现理论联系实际具有特别重要的意义。在人工智能的其他学派出现之后，符号主义仍然是人工智能的主流派别。
优点：越来越多的人认识到，高风险决策领域对人工智能系统有需求，因此这些系统的行为要有可验证性与可解释性，而这恰恰是符号主义AI的优势，联结主义算法的短板。
不足：虽然符号主义AI技术可以处理部分不可观察概率模型，但这些技术并不适用于有噪输入信号，也不适用于无法精确建模的场合。在那些可以准确判断出特定条件下特定动作利弊与否的场合中，它们会更有效。此外，算法系统还要提供适当的机制来实现清晰的规则编码与规则执行。
符号主义算法会剔除不符合特定模型的备选值，并能对符合所有约束条件的所求值做出验证，以后者而言，符号主义AI远比联结主义AI便捷。因为符号主义AI几乎或根本不包括算法训练，所以这个模型是动态的，能根据需要迅速调整
连接主义（壮年最普遍的人工智能）
认为人工智能源于仿生学，神经网络，特别是对人脑模型的研究,主张模仿人类的神经元，用神经网络的连接机制实现人工智能。
它的代表性成果是1943年由生理学家麦卡洛克(McCulloch)和数理逻辑学家皮茨(Pitts)创立的脑模型，即MP模型，开创了用电子装置模仿人脑结构和功能的新途径。
它从神经元开始进而研究神经网络模型和脑模型，开辟了人工智能的又一发展道路。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(BP)算法。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，伟神经网络计算机走向市场打下基础。
现在，对人工神经网络(ANN)的研究热情仍然较高，但研究成果没有像预想的那样好。
行为主义
行为人工智能源于控制论。控制论思想早在20世纪40~50年代就成为时代思潮的重要部分，影响了早期的人工智能工作者。维纳(Wiener)和麦克洛克(McCulloch)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，如对自寻优、自适应、自镇定、自组织和自学习等控制论系统的研究，并进行“控制论动物”的研制。
到20世纪60~70年代，上述这些控制论系统的研究取得一定进展，播下智能控制和智能机器人的种子，并在20世纪80年代诞生了智能控制和智能机器人系统。行为主义是20世纪末才以人工智能新学派的面孔出现的，引起许多人的兴趣。
这一学派的代表作者首推布鲁克斯(Brooks)的六足行走机器人，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。
总结
三大主义，从不同的侧面研究了人的自然智能，与人脑的思维模型有着对应的关系。粗略地划分，可以认为
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。
研究人工智能的三大学派、三条途径发挥到各个领域，又各有所长。
符号主义注重数学可解释性；
连接主义偏向于仿人脑模型，更加感谢；
行为主义偏向于应用和模拟。
人工智能的三大学派:符号主义、连接主义、行为主义
原标题：人工智能的三大学派:符号主义、连接主义、行为主义目前人工智能的主要学派有下列三家：
(1)符号主义(symbolicism)，又称为逻辑主义、心理学派或计算机学派，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。
(2)连接主义(connectionism)，又称为仿生学派或生理学派，其主要原理为神经网络及神经网络间的连接机制与学习算法。
(3)行为主义(actionism)，又称为进化主义或控制论学派，其原理为控制论及感知-动作型控制系统。
1.符号主义
认为人工智能源于数理逻辑。数理逻辑从19世纪末起得以迅速发展，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。其有代表性的成果为启发式程序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。正是这些符号主义者，早在1956年首先采用“人工智能”这个术语。后来又发展了启发式算法>专家系统>知识工程理论与技术，并在20世纪80年代取得很大发展。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，尤其是专家系统的成功开发与应用，为人工智能走向工程应用和实现理论联系实际具有特别重要的意义。在人工智能的其他学派出现之后，符号主义仍然是人工智能的主流派别。这个学派的代表人物有纽厄尔(Newell)、西蒙(Simon)和尼尔逊(Nilsson)等。
2.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。它的代表性成果是1943年由生理学家麦卡洛克(McCulloch)和数理逻辑学家皮茨(Pitts)创立的脑模型，即MP模型，开创了用电子装置模仿人脑结构和功能的新途径。它从神经元开始进而研究神经网络模型和脑模型，开辟了人工智能的又一发展道路。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(BP)算法。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，伟神经网络计算机走向市场打下基础。现在，对人工神经网络(ANN)的研究热情仍然较高，但研究成果没有像预想的那样好。
3.行为主义
认为人工智能源于控制论。控制论思想早在20世纪40~50年代就成为时代思潮的重要部分，影响了早期的人工智能工作者。维纳(Wiener)和麦克洛克(McCulloch)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，如对自寻优、自适应、自镇定、自组织和自学习等控制论系统的研究，并进行“控制论动物”的研制。到20世纪60~70年代，上述这些控制论系统的研究取得一定进展，播下智能控制和智能机器人的种子，并在20世纪80年代诞生了智能控制和智能机器人系统。行为主义是20世纪末才以人工智能新学派的面孔出现的，引起许多人的兴趣。这一学派的代表作者首推布鲁克斯(Brooks)的六足行走机器人，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。返回搜狐，查看更多
责任编辑：与AI共生：从人工智能的三大流派到What
我们目前并不需要过多担心被人工智能抢走饭碗，更应该考虑的是：如何运用人工智能帮助我们更高效的工作？我们是否需要更多的人工智能训练师，而不是医生、工程师？如果人工智能预测错误，谁来承担责任……
AlphaGo打败李世石已经有两年多的时间了，在这两年中，人工智能从各个角度入侵我们的生活，从各种语音助手到智能音箱，从智能手表到智能家电，从机器翻译到刷脸支付。落地应用一波未平一波又起，人们接触得多了，了解了人工智能有多智障，便也不再担心是否会被人工智能抢去饭碗了。
但，真的是这样吗？人工智能走什么时候能走出智障的圈子？
这还要从人工智能的三大流派说起。
三大流派符号学派1956年，在达特茅斯学院，香农（ClaudeShannon，信息论创始人）和其他几个年轻学者，一起讨论了如何用机器来模仿人类在各个方面的智能，并在讨论中提出“人工智能”一词，这年就是人工智能的元年。此后的40年间，人工智能所取得的辉煌成绩都与符号学派密不可分。
当时人们认为“机器要像人一样思考才能获得智能”，而人类的认知都是基于符号的，思维只是在符号表示上的一种运算。所以应该先研究清楚人类的认知系统，进而用机器模仿人类的认知过程，并将代表认知的符号输入这些机器，来达到模拟人类智能的目的。
符号学派认为人的物理能力和心智能力是分开的，而人工智能就是要用计算机程序来模拟心智能力，而不是物理能力。正因此，智能应该是一种特殊的软件，与实现它的硬件并没有太大关系。这就好比一个会开车的人，他不能让一个没有轮子的车跑起来，但你不能因此说他不会开车。这个人具有的开车的能力，就是智能（软件），与车能不能开（硬件）无关。
基于这些理念，符号学派在经历了一些波折后，在国际象棋上（1997年）和《危险》（2011年）中战胜了人类（《危险》是一个美国电视节目，主持人会给参赛者一系列线索，参赛者要用最短的时间猜出主持人描述的人或事物）。
连接学派智力活动在符号学派看来是一款软件，这款软件的运作需要从外界获得大量的知识输入，这样的输入在20世纪80年代相当的费时费力，成为了制约符号学派发展的瓶颈。另外一群人认为，把智力看成是一款软件是远远不够的。
人类智力是在大脑的活动下产生的，而大脑是由上百亿个神经元细胞通过错综复杂的连接构成的。所以人们很自然的想到，我们是不是可以模拟大量神经元的信号传输方式来模拟大脑的智力呢？
连接学派通过算法模拟神经元，并把这样一个单元叫做感知机，将多个感知机组成一层网络，多层这样的网络互相连接最终得到神经网络。我们可以根据要解决的实际问题来构建神经网络，进而用数据不断训练这一网络，调整连接权重来模拟智能。
现在炙手可热的深度学习，可以看做是连接学派的延伸，已经在语音识别、图片处理、模式识别等领域取得突破性进展。
行为学派与上面两个学派不同的是，行为学派把目标聚焦在相对低等的生物身上，他们发现即便是昆虫这种比人类简单得多的生物，也表现出了非凡的智能，比如可以灵活地行走并躲避障碍物，快速精准地捕食猎物。从这点出发，行为学派模仿动物的身体，在不需要大脑干预的情况下，仅凭四肢和关节的协调来适应环境。
另一方面，生命体在演化的过程中会不断变异，而环境会对这些变异进行选择，让更适应环境的变异繁衍下去，同时淘汰不适应环境的变异。在这一变异和选择的过程中生物逐渐从简单走向复杂，从低级走向高级。
基于此，霍兰（JohnHolland）提出了遗传算法：在计算机中，用一堆二进制串来模拟自然界的生物体，改变这些二进制串来模拟基因突变，用适应度函数来模拟大自然的优胜劣汰，最终找到最优解。
这一学派在机器人领域成果卓著，例如美国波士顿动力公司研发的“bigdog”，“开门机器人”
What-How-Why：“是什么”、“该怎么”、“为什么”举一个医疗诊断的例子有一种癌症，叫黑色素瘤，这是皮肤肿瘤中恶性程度最高的瘤种，容易出现远处转移，可以致死，所以早期的诊断非常重要。但是，它的初期表现，跟皮肤上长了一个普通的“色素痣”一样。想要在早期诊断黑色素瘤，最稳妥的方式是做活组织切片检查，可你总不能每长一个痣就去动刀。
好在黑色素瘤和普通色素痣的外观还是有区别的，总结说来，有以下四个特征：
一般都非对称边缘不规则颜色可能不统一，更富于变化直径通常大于6毫米一个皮肤科医生，要学习上面四个规则，来给患者进行诊断。那计算机不是也可以学习这些规则，然后取代人类吗？
“是什么”和“该怎么”1945年，英国心理学家吉尔伯特·赖尔（GilbertRyle）在演讲中提到了这两种知识：
一个孩子知道自行车有两个轮子，轮子里面都是空气，转动把手就可以拐弯……他只是知道了“是什么”，但还是不会骑车；如果一个孩子在几次摔倒之后学会了骑车，这时候，他就知道了“该怎么”。知道“是什么”是基于事实和概念；而知道“该怎么”是基于技能和经验。知道“该怎么”，可不一定知道“是什么”，你让一个会骑车的人讲解一下他是怎么骑车的，可能他根本说不清楚。
我们要把一件事物“是什么”告诉计算机，一种方法是把这个事物方方面面的描述都告诉计算机，它就知道了“是什么”，至少理论上是这样的。比如，你要让计算机来判断这是一个色素痣还是一个黑色素瘤，你只要把那几个特征告诉计算机就可以了。
可事实远比这复杂得多，因为把上面的四个特征翻译成算法语言，本身就不太容易——到底多不对称才叫“不对称”？怎么不规则才算“不规则”？而且符合那四个特征的也未必是黑色素瘤，不符合的也可能是。所以最后算下来，计算机的准确度还是不如人类专家。
还有第二种方法，就是深度学习。通过深度学习，我们甚至不用去制定规则，只要找出一套合适的模型，然后用大量的数据进行训练，模型自己就能学会判断。事实上，这种方式训练出的神经网络，已经在黑色素瘤的识别准确率上远高于人类专家。
这样说来，在“是什么”这一块，计算机已经可以超越人类了；而像骑自行车这类“该怎么”就是行为学派擅长的东西，可能未来也会超越人类。但人工智能有个致命的问题，就是不知道“为什么”。
“为什么”神经网络可以在黑色素瘤的识别这件事上做得比人类好，但只不过是依靠算法给出输入和输出之间的对应关系，它本身根本不理解病变。人类医生不仅仅会告诉你这里有一个病变，他还会告诉你用药的时候要注意周围的危险区域，他还会发现没有症状、但是已经产生的肿瘤……因为人类能理解病变。
人类比计算机更厉害的地方在于，我们不仅能理解，我们还会问“为什么”。
为什么会有这些病变？为什么黑色素瘤边缘是不规则的？为什么会变颜色？为什么容易出现远处转移？正是因为我们能问出为什么，我们才能不断深入研究，不断获得新的知识，不断找到新的治疗方法，不断地知道新的“是什么”和“该怎么”。
人工智能只能解决一个问题，但是不能创造一个问题。
共生尽管AlphaGoZero可以在自我对弈的前提下战胜所有人类，但AlphaGoZero还是在有限的棋盘上，在有限的规则下计算。它只知道“该怎么”，而不知道围棋“是什么”，更不知道“为什么”。
更何况真实的世界有无限多的自由度，没有明确规则，你沿着任何一个方向深入下去都会碰到各种各样新的可能性。这些新的东西，才更有价值。
我们目前并不需要过多担心被人工智能抢走饭碗，更应该考虑的是：如何运用人工智能帮助我们更高效的工作？我们是否需要更多的人工智能训练师，而不是医生、工程师？如果人工智能预测错误，谁来承担责任……
我们需要人工智能，但拓展知识的边界，还得靠我们自己。
参考文献：
[1]《科学的极致：漫谈人工智能》.集智俱乐部.
[2]Thealgorithmwillseeyounow.SiddharthaMurherjee.TheNewYorker.April3,2017.（https://www.newyorker.com/magazine/2017/04/03/ai-versus-md）
本文由@吹个大气球原创发布于人人都是产品经理，未经作者许可，禁止转载。
题图来自网络