人工智能

软件在做的事情就是将人的智能使用计算机重现，或者使用机器人实现，以此解放人类劳动力。而人工智能属于更智能的软件，智能在哪里呢？在于人工智能拥有一定的自主学习能力。

普通软件和 AI 的不同点，正是在于 AI 可以从数据中学习和发现规律，从而使用规律进行预测，形成智能的效果，但是普通软件却需要由程序员全程编写，深入到每个细节进行精心设计，才能形成智能的效果；共同点，一个软件往往抽象有限的智能，提供一个有限的服务集，一个 AI 模型往往抽象有限的智能，提供一个特定的智能集。

普通软件 -> AI
普通机械 -> AI机器人

人工智能两大范式

目前的人工智能分为两个主要的实践范式：符号主义、连接主义，还有近年来的前沿方向：神经符号主义。

符号主义

符号主义 AI（Symbolic AI），也称为经典 AI 或基于规则的 AI，其核心思想是：智能可以通过对符号的操纵和逻辑推理来实现。这种方法认为知识可以表示为符号（如文字、概念），并通过明确的规则和逻辑推理过程来处理这些符号。

• 特点：可解释性强，决策过程透明，每一步推理都可以被追踪和理解；知识显式表示：知识被明确编码在规则和逻辑系统中；精确控制：开发者可以直接控制系统的行为逻辑。
• 典型应用：专家系统（如医疗诊断系统、配置系统）、知识图谱、定理证明、推理引擎
• 发展历程：符号主义在 20 世纪 50-80 年代占据主导地位，代表了早期 AI 研究的核心范式。通过建立知识库和推理引擎，符号主义系统能够处理复杂的逻辑推理任务。然而，符号主义也面临着知识获取瓶颈（知识工程师瓶颈）、难以处理不确定性和模糊信息、难以适应复杂环境等问题。

连接主义

连接主义 AI（Connectionist AI），也称为神经网络 AI 或统计学习 AI，其核心思想是：智能可以通过模拟大脑的神经网络结构，通过大量数据训练来学习模式和规律。这种方法认为智能不是通过显式规则，而是通过神经网络中节点之间的连接权重来体现。

• 特点：学习能力强：能够从数据中自动发现模式和规律；适应性强：可以处理复杂、高维的非线性关系；泛化能力：经过训练的模型可以处理未见过的数据；
• 典型应用：深度学习、图像识别、语音识别、自然语言处理（如 GPT、BERT 等大语言模型）、推荐系统
• 发展历程：连接主义的思想可以追溯到 20 世纪 40-50 年代的感知机模型，但真正爆发是在 21 世纪，特别是 2010 年以后深度学习的兴起。得益于大数据、强大计算能力（GPU）和算法的改进，连接主义 AI 在图像识别、语音处理、自然语言理解等领域取得了突破性进展，甚至超越了人类水平。然而，连接主义也面临着可解释性差（黑盒问题）、需要大量数据和计算资源、鲁棒性问题等挑战。

行为主义（Behaviorism） 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。

• 典型应用：机器人、游戏 AI
• 发展历程：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。
• 连接主义中的强化学习来自于行为主义的思想，如今，行为主义已经和连接主义融合。

神经符号主义

神经符号主义（Neuro-symbolic AI）是近年来兴起的新方向，它试图结合两种方法的优势，将符号主义的可解释性和逻辑推理能力与连接主义的模式识别和学习能力相结合。

特点：互补优势：结合符号推理的精确性和神经网络的灵活性；可解释性提升：在保持学习能力的同时提高可解释性；知识融合：可以将先验知识（符号）与数据驱动学习（连接）相结合；应用方向：需要推理和学习的复杂任务，如科学发现、知识图谱增强的 NLP、可解释的决策系统。

• 发展趋势：神经符号主义代表了 AI 发展的一个重要方向，特别是在需要可解释性和可靠性的关键应用场景中。这种方法试图解决"纯连接主义不可解释"和"纯符号主义难以学习"的问题，推动 AI 向更加智能、可靠和可信的方向发展。

在很长一段时间内，符号主义占据着业界主流，而后近些年连接主义 AI 兴起，并且已经取得了一些过去符号主义未曾达到的成绩。两派并非完全对立，而是各有优势：符号主义擅长：逻辑推理、知识表示、可解释决策、小样本学习，连接主义擅长：模式识别、复杂映射学习、大规模数据处理、端到端学习。未来 AI 的发展趋势是结合两者的优势，构建更加智能、可解释、可靠的 AI 系统。神经符号主义正是这一趋势的体现。

人工智能子领域

• 知识表示与推理：符号主义理论基础，研究符号逻辑，并编写逻辑编码，让机器通过逻辑编码学习
• 机器学习：连接主义理论基础，通过大数据训练机器，让机器自己学习
• 自然语言处理：专精特征工程领域，识别和表达人类的自然语言文本
• 计算机视觉：专精特征工程领域，图片识别和输出
• 语音与听觉：专精特征工程领域，声音识别和输出，依赖于自然语言处理
• 规划与决策：让机器能够向人类一样拥有决策能力，是 AI 在学习知识之后，根据知识做出行为和决策的能力
• 机器人学：给予 AI 物理身体，成为具身智能，研究电子电路、传感器、机械原理等硬件底层