图灵奖10（上篇） 艾伦·纽厄尔 人工智能符号主义学派的创始人
原作者：HerbertA.Simon
译者：dansen
1992年7月19日，艾伦·纽厄尔(AllenNewell)死于癌症，人工智能领域失去了一位杰出的科学家，他一生站在这个领域的最前沿。职业生涯的提前结束，丝毫没有减弱他的研究动力。他工作的历史在一定程度上也是我的历史，四十年的友谊和近二十年的合作，以及和已故同事克利夫·肖的历史。我将努力使这个叙述以艾伦为中心，并且不过分介入。如果我偶尔没做到这点，希望能得到原谅。
如果你问艾伦·纽厄尔他是干什么的，他会说:"我是一名科学家。"在他成年后的每一天，他几乎每时每刻都在扮演这个角色。他会如何回答"是什么样的科学家？"这个问题。我们人类长期以来一直痴迷于四大问题：物质的本质，宇宙的起源，生命的本质，思想的运作。艾伦·纽厄尔一生的工作就是回答这些问题中的第四个。他是一个不仅有梦想，而且还是实现梦想的人。他对人类的思维有着远见卓识。他一生都在扩大这个愿景，塑造它，并将其具体化为一系列计算机程序，这些程序展示了他们所解释的智能。
职业生涯
1991年12月，也就是他去世前七个月，他在卡内基梅隆大学就他的研究策略和历史进行了一次非凡的演讲，艾伦将他的职业描述为一心一意地理解人类思想，但他也承认有四五个"消遣"偏离那个目标------几乎所有这些都产生了自己的主要科学产品。这些"消遣"包括他与GordonBell在计算机硬件架构方面的工作，与StuCard和TomMoran在人机交互心理学方面的工作，在ARPA语音识别研究项目中的顾问角色，以及他在在卡内基梅隆大学建立计算机科学，并在该大学创建了开创性的计算机网络的工作。
从1955年秋天开始，艾伦的工作一直致力于将计算机模拟，用作理解和模拟人类思维的关键工具。在产生了逻辑理论家、通用问题解决者和NSS国际象棋程序的活动后，他越来越专注于识别和克服这些模型的局限性和不灵活性，这些局限性和不灵活性阻碍了它们扩展到完全一般的心智理论.他的最后一本书《统一认知理论》记录了他和其他人在三十多年来朝着这种普遍性取得的巨大进步，在他生命的最后十年里，这些进步主要集中在他和他的同事建立的Soar系统上。
开篇
AllenNewell于1927年3月19日出生于旧金山，是斯坦福医学院杰出放射学教授RobertR.Newell博士和JeanetteLeValleyNewell的儿子。有一个姐姐。他的父亲为他的儿子树立了一个重要的榜样。在一次采访中，艾伦曾经这样评价他："他在很多方面都是一个完人......他在山上建了一个小木屋......他会钓鱼、淘金。同时，他是一个知识分子......在我成长的环境中，他是一个伟人。他非常理想主义。他曾经写过诗。"
艾伦的童年很平静，许多夏天都是在内华达山脉父亲建造的小木屋里度过的。艾伦对山区的热爱从未减弱，他早期的抱负是成为一名护林员。由于对运动的热爱，再加上他6英尺1英寸的身高和健壮的体格，导致了他参加高中橄榄球队。他谈到自己的高中生涯："艾伦是一个特别的学生，尽管有些人似乎认为他很聪明。他去了洛厄尔高中------旧金山的知识型高中------在那里他开始学习。他在16岁时与同学诺埃尔·麦肯纳坠入爱河，并在战术上尽快与她结婚（20岁）。"这段婚姻表明，艾伦和诺埃尔即使在很小的时候也是出色的决策者，
艾伦在第二次世界大战即将结束时从高中毕业，在一个造船厂工作了一个夏天，然后加入了美国海军。尽管与他的父亲关系密切，并且结识了许多是家人朋友的科学家，但直到那时，他还没有打算从事科学事业。他说，接受科学作为他的职业，相当突然，当他在一艘载有科学观察员参加比基尼核试验的美国海军舰艇上服役，并分配了绘制环礁辐射分布图的任务时，他为科学事业感到兴奋。
在海军服役结束后，艾伦就读于斯坦福大学，主修物理学。本科研究导致他发表了第一篇关于X射线光学的论文（Newell和Baez，1949年）。斯坦福大学还在课堂上让他认识了乔治·波利亚，他不仅是一位杰出的数学家，也是一位有思想的学生。波利亚广为流传的书《如何解决它》出版于1945年，向许多人（包括我）介绍了启发式发现的艺术。艾伦从那次经历中走出来，意识到发现的过程是可以调查和分析的，启发式、引导搜索的艺术------在创造性思维中起着关键作用。（我们对启发式的共同迷恋使得艾伦和我在1952年初第一次会面时快速建立共同点。）
兰德
在普林斯顿大学攻读数学一年（1949-50年）并接触了不久前由冯·诺依曼和摩根斯坦发明的博弈论，这让艾伦确信，与纯数学相比，他更喜欢实验和理论研究的结合。离开普林斯顿后，他在圣莫尼卡当时的新智库兰德公司找到了一个职位，该团队正在研究空军的后勤问题。他与JosephB.Kruskal合著的两份技术报告《组织理论模型》和《在组织理论中制定精确概念》表明他当时对将形式方法应用于复杂经验现象的兴趣。两篇论文都采用了当时在博弈论和经济学中流行的公理化风格。
由空军于1952年资助的努力促成了兰德系统研究实验室的创建（最终拆分为系统开发公司）。研究的核心是记录和分析机组人员与雷达屏幕、拦截飞机以及彼此之间的互动。这些数据关注机组成员的信息处理和决策过程，并寻找一种适当的技术来分析和建模过程。当我成为实验室顾问时，我遇到了艾伦，在我们初次会面的最初几分钟，他和我在信息过程研究中找到了共同点，作为理解组织中人类决策的途径。
Allen在该项目中的一项特殊职责是找到一种方法来模拟空中交通的雷达显示，因为实验室没有可用的技术来制作适当的模拟光点在雷达屏幕上移动时的模式。在寻找替代计算方法的过程中，艾伦遇到了兰德系统程序员Cliff(JC)Shaw，然后他开始使用Card-ProgrammedCalculator，这是一种史前设备，它出现在第一台存储程序计算机之前。艾伦和克里夫构想了让CPC计算连续的空中图片并打印出模拟雷达图的想法。这不仅提供了所需的实验室模拟，而且还向Al和Cliff证明了计算机，甚至是史前计算机，可以做的不仅仅是算术：
现在，艾伦实现理解人类思维目标的两个先决条件已经到位。他清楚地将信息处理视为组织中的一项核心活动，并且他在符号计算方面有过经历。第三个先决条件来自与约翰·冯·诺依曼于1954年左右在兰德公司建造的存储计算机的接触。
此时控制论和人工生命的思想在国外。W.RossAshby于1952年出版了他的《大脑设计》。英格兰的W.GrayWalter(1953)建造了一些机械"海龟"，当它们的电池电量不足时，它们会在房间里四处游荡寻找墙上的插座，兰德的MerrillFlood小组也制造了类似的生物。到1950年，图灵和香农都描述了计算机国际象棋的策略，1952年我描述了一个扩展香农思想的程序。1954年夏天，在一次观看空军演习的汽车旅行中，艾伦和我详细讨论了使用计算机模拟人类解决问题的可能性。
承诺
1954年9月，艾伦参加了兰德公司的一个研讨会，林肯实验室的奥利弗·塞尔弗里奇描述了一个正在运行的计算机程序，它学会了识别字母和其他模式。在听塞尔弗里奇描述他相当原始但有效的系统时，艾伦经历了他一直所说的"转换体验"。他立刻就明白了"可以构建比以往任何事情都复杂得多的智能自适应系统。"艾伦已经掌握的关于计算机（包括它们的符号能力）、启发式、组织中的信息处理、控制论和国际象棋程序的知识，在添加了一个具体演示，以证明计算机模拟复杂过程的可行性。就在那时，他致力于通过模拟来理解人类的学习和思考。
在塞尔弗里奇访问之后的几个月里，艾伦写道（1955年）"国际象棋程序是处理复杂任务的例子"，其中概述了计算机程序以人的方式下棋的富有想象力的设计，有目标，有结束、"足够好"的移动、多维评估函数、实现目标的子目标的生成，以及诸如最佳优先搜索之类的东西。有关棋盘的信息将用类似于谓词演算的语言象征性地表达。该设计从未实施，但后来从中借鉴了一些想法，用于1958年的NSS国际象棋项目。
逻辑理论家和列表处理
甚至在他"改变"之前，艾伦就已经计划在1955年初与妻儿一起搬到匹兹堡，与我一起从事组织研究工作，并获得博士学位，兰德公司同意继续聘用艾伦。这个计划得到了适当的执行，但有一个关键的改变，研究变成了对国际象棋进行编程。兰德公司的克里夫·肖与我们一起工作，该程序将在兰德公司的Johnniac机器上运行。由于各种技术和偶然原因，国际象棋很快变成了几何学，几何学变成了逻辑学，发现命题演算中定理证明的逻辑理论机(LTM)于1955年12月15日作为模拟出现，1956年夏天成为一个正在运行的程序。
与此同时开发了一种足以实现设计的编程语言------信息处理语言(IPL)，这是第一个用于计算机的列表处理语言。可以说，LTM及其继任者GeneralProblemSolver为接下来十年的大部分人工智能程序奠定了基础。执行某种复杂任务的计算机程序比口头讨论思想具有更大的说服力。
LTM不是"演绎机器"------事实上，它逆向工作，归纳地，从假设定理到公理。发现证据很像发现任何其他事物，是一个选择性搜索的过程。
尽管这项工作被纳入了艾伦的博士论文，但我从未将他视为我的"学生"。Allen、Cliff和我是研究合作伙伴，每个人都将他的知识贡献给一个完全联合的产品。艾伦到达匹兹堡时，已经从事了五年的科学工作，他需要同事而不是老师。我并不是说他没有学习------他的一生从未停止成长和学习------但他像科学家一样从每个人和他们周围的一切事物中学习，尤其是从自然观察中学习。
为什么这项特殊的工作吸引了许多有能力的科学家的努力，为什么变得非常引人注目和有影响力？其影响的一个基本要素是实际运行的程序。此外，LTM及其继任者并非针对单一任务。具体程序是解决一般问题的步骤：理解人类的思想。该策略在LTM上的第一篇出版物中明确说明："在本文中，我们描述了一个复杂的信息处理系统......能够发现符号逻辑中定理的证明。这个系统，与系统算法......相反，通常使用在计算中，很大程度上依赖于类似于人类解决问题的启发式方法。该规范是用一种形式语言编写的，具有伪代码的性质。..用于数字计算机。...逻辑理论机器是通过指定和大量研究来理解复杂信息处理系统计划的一部分"。
应有尽有：复杂信息处理、符号计算、启发式方法、人类问题解决、编程语言、经验探索。这些是1955年和1956年卡内基-兰德集团基础研究战略的组成部分，这些战略继续指导AllenNewell的整个职业生涯的科学工作。这让他不断地识别和诊断他构建的程序的局限性，并思考可以消除这些局限性的架构，这使他在过去十年中获得了飙升------不是作为最终答案，因为他知道在科学上没有最终答案。
第一次成功
1955年之后的大约五年时间里，Newell-Shaw-Simon团队在越来越多的研究生圈子的帮助下，推动了LTM和IPL编程语言开辟的研究思路。Allen参与的主要推动力包括大声思考协议、通用问题解决、信息处理语言和生产系统、NSS国际象棋程序和人类问题解决。直到1961年，他一直在兰德公司（匹兹堡）工作；同年，他接受了卡内基理工学院的聘任为研究所教授。
一般问题求解器(GPS)
1957年夏天，在卡内基理工学院关于组织行为的研讨会上，艾尔和我从解决逻辑问题单一主题的协议中提取出解决人类问题的关键机制：手段-目的分析(means-ends)。在ME分析中，问题解决者将当前情况与目标情况进行比较；发现它们之间的差异；在记忆中发现经验所教的操作员减少了这种差异；并应用运算符来改变这种情况。重复此过程可能会逐渐实现目标，尽管通常无法保证该过程会成功。
ME分析的想法催生了GeneralProblemSolver（Newell、Shaw和Simon，1960年），该程序可以在提供问题后解决多个域中的问题，操作符可以通过空间，以及有关哪些运算符与减少哪些差异相关的信息。该研究还发现了一些方案，允许GPS从一小组原语中生成自己的算子，并了解哪些算子与减少哪些差异相关。
信息处理语言(IPLS)
人工智能中的IPL语言及其当代数值计算中的FORTRAN一劳永逸地解决了高级语言编程。IPL旨在满足灵活性和通用性的需求：灵活性，因为在这些类型的计算中不可能在运行时间之前预测需要什么样的数据结构以及它们需要什么样的内存分配；通用性，因为目标不是构建可以解决特定领域问题的程序，而是发现和提取可以在一系列领域上运行的通用问题解决机制，只要它们为每个领域提供了适当的定义。
---
为了实现这种灵活性和通用性，IPL引入了许多已成为一般计算机科学基础的思想，包括列表、关联、模式、动态内存分配、数据类型、递归、关联检索、作为参数的函数和生成器（流）。IPL-V手册（Newell，1961）利用该语言的封闭子程序结构，提倡一种编程策略，多年后将作为结构化编程------主要是自上而下的编程，避免了go-to。LISP由JohnMcCarthy于1958年开发，它将这些列表处理思想嵌入到lambda演算中，改进了它们的语法并结合了"垃圾收集器"来恢复未使用的内存，很快成为人工智能(AI)的标准编程语言。
生产系统语言(OPS5)
Allen并未将IPL或其后继者视为处理AI程序问题的最终解决方案。使用GeneralProblemSolver的经验表明，程序倾向于钻入连续子目标的深坑中，而栈顶程序无法重新获得控制权。摆脱困境的方法在1960年代中期开始以生产系统语言的形式出现，由BobFloyd和其他人引入计算以帮助编译编译器。在生产系统中，语言中的每条指令都采用条件的形式，后跟一个动作："IF[如此]THEN[这样做]。"完全通用的编程语言可以在这个计划上构建。
Carnegie-RAND小组在生产系统语言中看到了控制问题的解决方案，Allen领导了一系列此类语言的开发，其中最著名和最广泛使用的是OPS5。OPS5反过来为Soar系统提供了核心思想。出于对程序控制问题的关注，我们几乎同时开发的一组密切相关的想法导致了一个分散的系统，在该系统中，独立进程将信息添加到公共存储器（"黑板"）并从中获取所需的信息。黑板思想已在语音识别、视觉程序等领域得到广泛应用。
国际象棋：NSS程序
Carnegie-RAND小组的第三个主要实质性产品是一个名为NSS的国际象棋程序，它是其作者的首字母（Newell、Shaw和Simon，1958年）。它不是第一个被实施和运行的国际象棋程序（亚历克斯伯恩斯坦等人完成程序稍早一些），也不是一个非常强大的棋手：正如人工智能批评者喜欢指出的那样，它曾经被一个十岁的孩子击败。批评者未能理解的是它的目的：展示由启发式和高度选择性搜索如何在复杂任务中实现智能行为。
解决人类问题
随着LTM、GPS、列表处理语言和生产系统以及NSS的完成，Al、Cliff和我开始越来越多地与其他同事和研究生合作进行单独的项目。艾伦和我共同承担的最后一个项目是总结我们在人类问题解决中对问题解决的研究------《实验、模拟和理论》，于1972年出版。密切合作的逐渐停止，这从我们1975年的图灵奖演讲（纽厄尔和西蒙，1976年）和每周或更频繁的对话中可见一斑，这些对话一直持续到艾伦去世前几天，但随着我们每个人与不同的研究生和教职员工互动，建立我们的研究策略。
认知架构
从Allen研究早期阶段到后来，艾伦越来越关注计算架构和智能背后的控制结构建模。
架构是一组固定的机制，它允许获取和使用内存中的内容来指导追求目标的行为。实际上，这就是硬件-软件的区别。...这就是心智计算理论的本质。（纽厄尔，1992年，第27页）
RAND-Carnegie小组对灵活性和通用性的早期关注以及在该小组发明的编程语言中实现这些特性的关注已经被注意到。这些语言成为支持AI程序底层结构的一部分，预计其他人会在后来的努力中将列表处理嵌入到实际的物理硬件中。这些语言还将心理学研究揭示的人类记忆的一些特征内置到人工智能系统中，例如，体现在列表和图式中的联想结构以及刺激-反应连接的类似生产特征。
未解决的架构问题
但重要的架构问题仍未解决。GPS的经验强调了控制结构对于保持问题解决系统正常运行的重要性，既不将其精力分散在随机搜索中，也不沿着狭长的路径走，而这些路径在浪费了很多精力之后往往会导致死胡同。对这些问题的关注可以追溯到艾伦从1960年代初期开始并贯穿其大部分职业生涯的一系列出版物："问题解决程序中基本组织的一些问题"（1962年）、"学习、一般性和问题解决"（1963年），"寻求普遍性"（与G.Ernst，1965年），"当前解决问题的想法存量的局限性"（1965年），"关于问题的表示"（1966年），""对刺激编码机制的理论探索"（1972年）、"生产系统：控制结构模型"（1973年）和"梅林如何理解？"（基于匹配的"统一"架构的描述）（与J.Moore，1974年）；然后，在大约八年的间隔之后，"通过分块学习：任务和模型摘要"（与PSRosenbloom，1982年）和"通用弱方法"（与J.Laird，1983年）------这最后两个论文是对后来成为Soar系统的关键组成部分的早期描述，该系统占据了艾伦生命的最后十年。
梅林计划
MERLIN是大约在1967年创建的程序，最初是尝试构建一种教学工具，但后来成为构建具有理解力的系统。"MERLIN最初的构想是出于对AI课程构建辅助程序的兴趣。使其易于构建和使用简单的......AI程序实例......转化为......构建一个能够理解人工智能的程序------能够解释和运行程序，提出和回答问题......目的是构建一个知识领域的理解系统。"
构建MERLIN的基本思想是类比和匹配："从代表MERLIN所知道的结构构建地图，这是MERLIN试图理解的结构。"在实现这一目标的过程中困难重重，以至于Newell认为MERLIN是失败的，没有达到其实际目标，也没有产生对其他领域产生影响。它在一篇已发表的文章中进行了描述。许多创新的AI想法都嵌入在MERLIN中，但Allen不愿意在构建一个完整的系统之前发布它们。
消遣
艾伦描述为他的"消遣"工作包括对计算机硬件结构的研究、对语音理解的研究以及对人机交互的研究。稍后我将提及以机构构建活动形式存在的其他消遣。
计算机结构
一个对程序深感兴趣的人会对计算机硬件体系结构感兴趣，这也许并不奇怪，艾伦就是这样做的。然而，他认为他在这个主题上的工作是从他的主要目标的支线，该工作始于戈登贝尔在1968年左右受邀合作编写一本关于计算机系统的书。模拟人类思维的策略不依赖于计算机体系结构和大脑体系结构之间的任何相似性假设，即两者都是物理符号系统，因此可以对计算机进行编程以使其表现得像大脑。然而，所有计算都存在一些基本的架构问题，这些问题在硬件和软件的各个层面都表现出来，例如，
Newell和Bell在两个层次上描述体系结构：
(1)系统级的内存、处理器、开关、控制、传感器、数据操作符和链接（PMS语言）
(2)指令级的指令集（ISP语言）的详细操作。他们的著作《计算机结构：阅读和示例》于1971年出版，使用PMS和ISP语言来表征大量计算机。
与Bell的合作使Allen参与了其他有关计算机和软件系统的项目，直到1982年左右，他的许多出版物用于这些项目。在1970年到1971年间，Newell、McCracken、Robertson和其他人构建了一种语言L*，旨在为系统程序员提供一个有助于构建操作系统和用户界面的内核。
1972年，结合我们组织的人工智能研讨会，纽厄尔、罗伯逊和麦克拉肯建立了一个开创性的分层菜单系统，让研讨会参与者可以访问各种人工智能程序的演示。
几年后的1978-82年，使用新的触摸屏技术，这个想法发展成为超媒体ZOG系统，该系统成为访问新下水的航空母舰卡尔文森号的工具。Allen的其他计算机和系统设计包括在1971年左右与计算机科学系的同事在C.mmp和在那里设计的其他并行硬件和软件系统的工作。
言语理解
艾伦在1970年代的另一个重大转移是因为ARPA对启动自动语音识别程序的可能性感兴趣。特别是因为他不是一个积极的语音研究人员，因此站在一个中立的角落，艾伦被要求主持一个研究小组，该小组1971年的报告构成了一项主要ARPA研究工作的基础。艾伦随后成为该项目指导委员会的主席，并在1975年和1977年提交了一份进度报告和最终评估。他在演讲中的角色既说明了他在行业中的地位，也说明了他愿意为人工智能的发展承担"公民"责任。
人机交互
施乐PARC实验室于1970年成立时，艾伦询问了其研究程序，提出了一个将心理学理论应用于人机交互，特别是计算机界面设计的项目。从1974年开始，Allen和他以前的两个学生StuCard和TomMoran开始将现有的心理数据汇总在一起，检查它们的规律性（例如菲茨定律和学习的幂律），构建了一个工程级的模型用于常规认知技能（模拟人类处理器）和方法论"GOMS"，代表目标、操作符、方法和选择，用于根据执行任务所需的基本过程分析新任务。这项工作汇集在《ThePsychologyofHuman-ComputerInteraction》中。
尽管从某种意义上讲，他的主要关注点有所转移，但施乐PARC的活动使艾伦从对计算机的全神贯注转向了对人类心理结构的关注。此外，对整个人工任务建模的要求要求团队根据广泛的、统一的理论进行思考。从这个意义上说，该项目是朝着Soar系统迈出的第一步，该系统的规划始于1970年代后期，当时人机交互书籍尚未出版。
SOAR系统
艾伦开始怀疑缺乏实验证据是认知心理学的限制因素。他认为，已经存在足够的数据来确定构建大部分大脑结构。此外，进一步的实验工作只有在不以特殊的微观理论为指导，而是以广泛的理论框架为指导的情况下，才是目标明确和有用的。在他的最后一本书《统一认知理论》（UnifiedTheoriesofCognition，1990年）中，他以1987年在哈佛的威廉詹姆斯讲座为基础，呼吁使用此类理论，并以Soar为模型绘制了此类理论的轮廓。
当仔细观察现有的统一理论时，可以看到每个理论都是围绕核心认知活动构建的，然后将其扩展到处理其他认知任务。在安德森法案中，核心是语义记忆；在EPAM中，感知和记忆；在联结主义模型中，概念学习。在Soar和GPS中，核心是解决问题。Soar程序是一个生产系统。除此之外，还添加了与研究生合作开发的两个关键组件：通过组块学习（Rosenbloom和Newell，1982），它产生了遵循经验观察到的幂律的各种学习，以及通用弱方法。
分块学习源自之前的AI工作，以块为单位进行记忆组织，并通过自适应生产系统（创建和同化新产品的系统）进行学习。Soar的新功能是使用这种机制作为唯一的学习机制，并证明它既强大又符合学习的幂律。
解决问题的通用弱方法包括在每一步找出哪些算子是可执行的；如果没有或不止一个，则宣布陷入僵局，并移至具有新子目标的新问题空间以解决僵局。这个过程概括了问题空间的概念，并为它们之间可能的关系建立了一致的语义。
Soar项目在1980年代和1990年代继续发展，卡内基梅隆大学和其他地方（包括密歇根大学、南加州大学信息系统研究所和几个欧洲站点）的活跃参与者数量稳步增加。这项工作旨在扩展和加强基本的Soar架构，同时展示其处理范围更广的任务的能力，包括语言理解、复杂问题的解决，甚至是密码学。系统的范围可以从他的《统一理论》一书中看到，并且今天在许多方面依然有效。
虽然预测Soar与"终极"统一认知理论之间有什么相似之处是危险的，但很明显，艾伦将他的所有精力都投入到Soar中的策略激起了人们对构建的兴趣。广泛的理论涵盖了广泛的认知过程，并在认知科学上留下了重要的永久印记。
科学政治家
很难将艾伦所花费的时间归类为他的消遣还是他的工作一部分。从他在兰德公司工作的那一刻起，他就敏锐地意识到科学进步依赖于容纳和滋养它的机构。在兰德任职的最初几年，他认为智囊团是未来首选的研究机构，但他逐渐相信大学具有自我更新的能力，而这在独立实验室中很难维持。这种信念使得他1961年决定从兰德转到卡内基理工学院任教。
艾伦在他所在的每一个组织环境中都发挥了重要的领导作用：兰德、卡内基梅隆大学的计算机科学系（后来的一所学校）、整个大学、国家和国际计算机科学研究社区。总的来说，他不是通过担任正式的行政职位来做到这一点，而是通过承担特定的任务并作为一个非常活跃和备受重视的老政治家来做到这一点。正如我所说，他一生都是"长老"。
计算机科学系
当我们第一次将计算机带到卡内基梅隆大学时，艾伦还是一名博士生。到1961年，当一个非正式的计算机科学研究生课程由四个部门相互协商成立时，Allen与Perlis和我一起成为推动其发展的主要人物，然后创建一个计算机科学系，深入参与课程决策和设备采购。
与当时的心理学系主任伯特格林一起，艾伦在获得该系认知科学研究的第一笔研究资助方面发挥了重要作用。他是最初与艾伦·佩利斯（AlanPerlis）一起获得大量ARPA赠款的主要人物，这些赠款为为全国领先的计算机科学部门之一提供了核心资金。在接下来的25年或更长的时间里，艾伦通过他的研究、教学、对研究生的指导以及参与政策，在这两个系中都发挥了重要作用。
校园网络
大约从1972年起，计算机科学系成员使用ARPA网络的经验使社区确信，电子通信网络不仅对系内而且对大学都是必不可少的。在该部门说服大学管理部门后，艾伦同意担任特别工作组的主席，该工作组被任命一项计划并教育校园社区了解其潜力.1982年2月，该工作组发布了其报告《卡内基梅隆大学计算机的未来》.与IBM达成合作设计和安装系统的协议，CMU的校园网络系统------全国第一个------应运而生。
ARPA
从一开始，人工智能和人类思维模拟就一直是争议的焦点，这引起了那些认为机器思维的想法令人难以置信或具有威胁性的人的怀疑和愤怒。关于资助人工智能研究的决定不可避免地卷入了这场关于其价值的争论中，而ARPA对计算机科学特别是人工智能的支持在漫长而风雨飘摇的历史中不时受到攻击。
艾伦一生的很大一部分时间，花在为卡内基梅隆大学的计算机科学准备研究提案和预算辩护，以及参与ARPA规划练习以及向更广泛的科学界解释人工智能和认知科学研究。这也是科学机构建设的正常部分，但不是令人愉快的部分。艾伦虽然憎恨在这些职责中浪费的时间，但从不推卸责任。然而，他（和我的）的信念是，行动比说更重要：从长远来看，人工智能和认知模拟的命运，将不会由哲学家的辩论来决定，而是通过我们构建程序的成功或失败，这些程序可证明模拟人类思维过程，从而为人类思维过程提供理论解释。
认知科学与AAAI
专业组织在科学机构中很重要，艾伦也在其中发挥了他的作用。被选为美国人工智能协会首任主席，并获得国际人工智能联合会议颁发的首届卓越研究奖，让他引以为豪，但毫不意外。
艾伦这个人
从字面意思来看，艾伦·纽厄尔是一个令人难忘的人。我将根据我在自传(Simon,1991)中记录的我自己的印象在此画出来，并在后面加上一些熟悉他的人的评论。
1952年我在兰德第一次见到艾尔时，他25岁，完全有资格在任何一所大学任职------充满想象力和技术。...他的能量惊人，完全致力于科学，而且他对重要（和困难）的问题有着准确无误的直觉。如果这些言论表明他聪明且傲慢，那么它们并没有误导。
如果想像力和技术造就了科学家，但从艾尔身上我学会了我们还必须加上钱。..如何在研究计划中定位小数点。...从大处着眼是艾尔整个研究生涯的特点，不是为了大而大，而是根据任务的需要从大处着想。...
从我们最早的合作开始，Al的工作时间就很糟糕。我的..意思是..他在错误的时间工作。...他更喜欢晚上八点开始工作，几乎一直持续到黎明。
也许是他最大的乐趣。..是一种"紧急情况"，需要他熬夜或连续工作两夜。我记得1954年我们访问马奇空军基地时他欣喜若狂，当时空中演习持续了整个周末，每天24小时。
艾伦很认真，但并不严肃。他经常会有一些奇思妙想，也喜欢笑。有时令人单调的生活不是缓慢的进行曲，而是生动的戏剧，他在表演中表现出才华横溢，非常清楚自己正在产生的戏剧效果。
正如CliffShaw回忆的那样："AI给我最深的印象是他精力充沛且有才华。我们会长时间的进行电话通话和电传打字机会话。我们会在Al的家中进行会议到深夜.我觉得我跟在他后面，试图让Johnniac做我们已经知道可以做的事情。有了Al，他有IPL-V和附带的编程语言。"
很久以后，一位研究生说："艾伦·纽厄尔不是我的导师......也不是我论文委员会的成员。但艾伦仍然塑造了我的想法：从他那里我越来越了解研究是什么。通过他我了解如何朝着我的研究目标工作......很快，我最初感到的惶恐......转变为钦佩、友谊和尊重。"这份在他的追悼会上给出的证词可以被他的同事重复几十次------从正教授到新研究生。在对待学生的过程中，他很有耐心，他的批评是有建设性的，他从不发脾气。如果他作为导师有任何缺点（谁没有？）他有时会为他们提供更多的见解，而不是对他们有益的研究问题。
他处理的每一件事都充满活力和深度------无论是他当前的研究问题，还是学生或访客向他的咨询。事实上，正是这种无法困难的问题，才使艾伦转移较多的注意力，使他在相当长的一段时间内无法从事主要研究工作。但他以与处理主流任务相同的愉快热情和快活来处理分流。很难回忆起纽厄尔的乏味表现，无论是公开演讲、办公室谈话，还是对自言自语协议的分析。
我没有说艾伦的家庭生活或休闲。诺埃尔和艾伦与他们的儿子保罗组成了一个关系密切的家庭。由于他的大部分工作都是在家里的电脑上完成的，他根本不是一个缺席的丈夫或父亲，尽管他的马拉松工作周，他仍然与家人分享他的活动。Newells喜欢招待他们的朋友，他们中的大多数来自CMU或其他学术团体。内向或外向不适合用于描述艾伦。他在书房里工作很长时间，但他花大量时间与其他人相处------通常是从事专业工作。
几乎没有证据表明，也没有时间从事与他的工作无关的更简单的休闲或爱好。他经常出国旅行，通常是和诺埃尔一起旅行，但主要是参加专业会议，只是偶尔他会在这些旅行中增加几个假期。在他生命的最后，我了解到------令我惊讶的是，他经常看周日下午（或者是周六下午？）电视足球比赛，也许有点怀旧他高中运动的日子。
用艾伦·纽厄尔(AllenNewell)在1991年12月的"欲望与消遣"(DesiresandDiversions)演讲中提出的献给这位敬业科学家的格言作为结束语是恰当的，因为这些格言描述了他自己的生活：
每一个科学家的生活，都有自己的风格；每一种风格都定义了一种生活。
科学在于细节。
要在领域X工作，您必须是X领域的专业人士。
没有什么可以替代努力工作------非常努力。
科学家是从自然到理论的转换器；寻找自然，倾听她的声音。
科学问题选择你；你不选择它。
新事物从进化或变化开始，而不是设计。
一切都必须等到时机成熟；科学是可能性的艺术。
解决任何需要解决的问题；但不要被他们引诱。
深刻的科学思想极其简单；其他人通常认为它们是微不足道的。
在最后：选择一个比你的生命更长久的项目。
对于艾伦来说，Soar就是那个项目。
观识陈美平：人工智能三大学派的前世今生
从1943年形式化神经元模型（M-P模型）提出后，联结主义学派开启了起伏不平的发展之路。1957年感知器被发明，之后连接主义一度沉寂。1982年霍普菲尔德网络、1985年受限玻尔兹曼机、1986年多层感知机器被发明，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。随着人类进入互联网和大数据时代，在人工智能的算法、算力、数据三要素齐备后，联结主义学派开始大放光彩。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。联结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。
虽然联结主义在当下如此强势，但可能阻碍它未来发展的隐患也已出现。联结主义思想的限制在于具有可微分、强监督学习、封闭静态系统任务下才会得到良好的结果，并且训练得到的结果也限制于给定条件的问题上。
3
行为主义
行为主义，又称为进化主义或控制论学派。控制论思想受到行为主义的影响，维纳在1948年的《控制论》中指出：“控制论是在自控理论、统计信息论和生物学的基础上发展起来的，机器的自适应、自组织、自修复和学习功能是由系统的输入输出反馈行为决定的”。在对人工智能的早期研究主要集中在模拟人的智能行为和作用，将控制论、自组织系统、工程控制论、生物控制论、信息理论等联系起来，为20世纪80年代的智能控制和智能机器人系统的诞生撕下了种子。
美国机器人制造专家罗德尼•布鲁克斯(RodneyA.Brooks)作为行为主义的代表人物，他认为智能取决于感知和行动，提出智能行为的“感知-动作”模式。行为主义认为智能行为产生于对外界复杂环境的感知和行为的交互过程中，把复杂的行为分解为许多个简单的行为逐个研究。感知是对环境刺激产生的某种反应，而行为则是对这种反应的陈述。这种快速的反馈能够适应复杂、非系统化和非模型化的客观环境。控制论思想作为行为主义的基础，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，模拟人在控制过程中的所反映出的智能行为。行为主义学派的主要结果主要有：六足虫，日本的阿西莫，大狗。
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。行为主义思想的缺点在于过于简化人类的行为过程，忽略人类心理的内部活动过程，忽略意识的重要性。
综上所述，我们可以简略地认为符号主义研究抽象思维，联结主义研究形象思维，而行为主义研究感知思维。符号主义注重数学可解释性，联结主义偏向于仿人脑模型，行为主义偏向于应用和身体模拟。符号主义靠人工赋予机器智能，联结主义靠机器自行习得智能，行为主义在与环境作用和反馈中获得智能。联结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，在人工智能的领域中，较为成熟的智能理论仍没有形成。对人工智能各种问题争论可能还要持续几十年甚至几百年，随着人工智能的发展，这三大学派正在由早期的激烈争论和分立研究逐步走向取长补短和综合性研究，共同合作创造更加强大的人工智能。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，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。返回搜狐，查看更多
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（一）：起源与符号主义
0分享至随着ChatGPT的火出圈，人工智能掀起了业界的又一波热潮。今天我们就来聊聊人工智能的发展历程。通常人们认为的人工智能起源于1956年的DARTMOUTH会议，该次会议上研究者们提出了人工智能（ArtificialIntelligence）这一概念。但是事实上在此之前，人工就已经开始发展了。1955年，美国西部计算机联合大会在洛杉矶召开，其中包括了一个学习机讨论会的Session（SessiononLearningMachine）。会上，人工智能符号主义学派的代表人物AllenNewell参加了该次讨论。AllenNewell（1927年3月19日-1992年7月19日）符号主义（Symbolism）与联结主义（Connectionism）、行为主义（Actionism）是人工智能的三个主流学派。符号主义(Symbolism)也被称为逻辑主义(Logicism)、心理学派(Psychlogism)或计算机学派(Computerism)，其主要观点是利用物理符号系统及有限合理性原理来实现人工智能。具体来讲，符号主义认为人类思维的基本单元是符号，而基于符号的一系列运算就构成了认知的过程，所以人和计算机都可以被看成具备逻辑推理能力的符号系统，换句话说，计算机可以通过各种符号运算来模拟人的“智能”。1955年末，Newell和Simon开发了一个名为逻辑理论（LOGICTHEORIST）的程序。这个程序被许多人认为是第一个AI程序。它将每个问题都表示成一个树形模型，然后选择最可能得到正确结论的那一枝来求解问题。该程序可以证明出《自然哲学的数字原理》(PrincipiaMathematica)中的38条数学定理(后来可以证明全部52条定理)，而且某些解法甚至比人类数学家提供的方案更为巧妙。1957年，HerbertSimon、J.C.Shaw和AllenNewell等人又推出了通用问题解决器(GeneralProblemSolver，GPS)推理架构以及启发式搜索思路，这一思路影响相当深远，前几年很火的，打败了柯洁的AlphaGO就借鉴了这一思想。通用问题解决器可以解决很多常识问题。在该程序推出两年以后，IBM成立了一个AI研究组，专门对类似问题进行研究。GPS是世界上首个尝试解决所有一般性问题的程序，它被设计成为解决所有能够使用基本算法描述的问题。为此，研究者们还专门为它创造了一门编程语言InformationProcessingLanguage(IPL)。使用该程序的前提是问题能够用一组规则的公式来表达。这些公式可以是一张有向图的一部分，带有多个源和汇（SourcesandSinks）。其中源表示起始节点，汇表示结束节点。在GPS中，源表示公理，汇表示结论。尽管开发者的理想很庞大，但是事实上GPS只能被用于解决有着良好定义的问题，比如说数学题、几何题或者是棋类游戏。因为这些问题可以被形式化到可以被接受的程度。而在现实世界中，可能性爆炸式的增长，很快遍历所有的可能性就已经成为了超越计算能力的问题。利用GPS解决一般性问题的步骤如下：1、定义目标，比如说到商店买盒牛奶。2、定义先决条件，这些先决条件应与目标有关，比如说想买牛奶的话，需要有通往商店的路径，而且商店也需要有牛奶卖。3、在此基础上，我们就可以定义操作过程了。比如说去商店需要开车，而车又没有油了，那么我们就需要确定我们有钱加油，并且加完油之后还有钱买牛奶一个操作过程可以基于条件处理所有的情况。它由行为、前提条件、和行为导致的变化组成。在前面的例子中，行为包括给商店付钱，而付钱的前提是手里有钱。而付钱的行为改变了钱的状态，并且获得了牛奶。GPS可以解决类似的所有问题，但是因为它通过遍历所有可能的过程来实现这一目标的，因此在现实世界中，往往问题的复杂度超过了计算能力。除了逻辑理论和通用问题解决器以外，符号主义还为我们贡献了专家系统、知识库和知识图谱等一系列优秀的技术。发展出了很多，影响了很多领域的发展。喜欢本文的话，欢迎关注活在信息时代哦：）特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice:Thecontentabove(includingthepicturesandvideosifany)isuploadedandpostedbyauserofNetEaseHao,whichisasocialmediaplatformandonlyprovidesinformationstorageservices.
/阅读下一篇/返回网易首页下载网易新闻客户端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
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