人工智能與機器學習，誰是誰的子集 —— 再談智能的邊界與演進路徑

人工智能（Artificial Intelligence, AI）作為當代最具影響力的前沿技術之一，常被大眾簡化為 “深度學習” 或 “大模型” 等標簽。然而，這種簡化認知往往掩蓋了AI技術內部結構的復雜性與多樣性。事實上，AI并非單一方法的代名詞，而是由多個理論基礎與實踐路徑共同構成的多學科交叉系統。
本篇文章將從歷史演進的角度，系統梳理人工智能的主要分支與技術流派，包括符號主義、連接主義、進化主義等不同范式的基本原理、代表模型及其適用場景。通過這一過程，旨在幫助讀者構建關于人工智能更全面、更準確的知識圖譜，并理解當前主流技術在整體AI體系中的位置與局限性。

文章目錄

- - 1、人工智能概念的誕生
  - 2、人工智能的三大流派
  - - 2.1、符號主義學派
    - 2.2、連接主義學派
    - 2.3、行為主義學派
    - 2.4、機器學習的分類及其與個學派的融合發展
  - 3、機器學習及其相關概念
  - - 3.1、機器學習的概念
    - 3.2、監督學習（名師出高徒）
    - 3.3、無監督學習（自學成才）
    - 3.4、強化學習（賭徒）
    - 3.5、神經網絡（神經元小隊）
    - 3.6、深度學習（約等于深度神經網絡 -- 神經元軍團）
  - X、后記

提到人工智能，可能你的腦海中第一時間浮現的就是 “機器學習” 這個概念，當然你知道人工智能不等于機器學習，但是除了機器學習和機器學習的衍生技術（深度學習、神經網絡等）之外，你還知道有哪些人工智能的技術分支呢。

這就是本篇來帶大家介紹的內容。

1、人工智能概念的誕生

在 17 世紀的法國，一位偉大哲學家和數學家坐在火爐前沉思，他叫勒內·笛卡爾（René Descartes，1596～1650，現代哲學之父，數學坐標系的創始人），他寫下了那句影響數百年的名言：“我思故我在（Cogito, ergo sum）”。

笛卡爾的時代沒有電腦，沒有電，更沒有人工智能。但他第一次提出了一個大膽的問題：

“人類思維是否可以像機器那樣被解析？”

在他的著作《談談方法》中，笛卡爾設想了一個世界，其中「人類和動物不過是精巧的機器（automata）」，而人類之所以特殊，是因為我們擁有 “思想” 和 “理性”。

但正是這種 “把心智等同于計算系統” 的思想，啟發了后來的科學家思考一個問題：

如果人類是可以 “計算” 的機器，那么我們能否制造出另一種機器，也會 “思考” ？

三百年后、英國的計算機科學家 艾倫·麥席森·圖靈（Alan Mathison Turing，1912~1954） 用劃時代的 “圖靈測試” 給出了回應。1950年，他在論文《計算機器與智能》中設計了一個實驗方案——模仿游戲（Imitation Game）：

我建議考慮一個問題：‘機器能思考嗎？’

……

為了避免定義 ‘思考’ 的困難，我們可以用一種被稱為 ‘模仿游戲’ 的測試來替代。游戲由三個人進行：一個男人（A）、一個女人（B）和一個詢問者（C），詢問者通過書面方式與另外兩人交流，目標是分辨誰是男人、誰是女人。

現在，如果讓一臺機器取代 A 的角色，詢問者能否像分辨男人和女人一樣，分辨機器和人？如果機器能成功欺騙詢問者，使其無法區分，那么我們可以說這臺機器具有智能。

并且圖靈預測，到 2000 年時，計算機將能在 5 分鐘的對話中騙過 30% 的人類裁判。

這就是大名鼎鼎的 “圖靈測試”，它的意義不僅在于提出一個 “智能” 標準，更在于它徹底改變了人工智能的研究范式，使其從哲學思辨轉向可操作的科學實驗。

進而，在 1956 年的達特茅斯會議上，一個全新的學科被定義，而學科名正是 “人工智能（Artificial Intelligence）”。

2、人工智能的三大流派

從學術的觀點上看，當下的人工智能主要被劃分成了三大學派，分別是符號主義學派、連接主義學派和行為主義學派。

2.1、符號主義學派

符號主義，又稱邏輯主義、心理學派或計算機學派，是一種基于邏輯推理的智能模擬方法，認為人工智能源于數學邏輯，其原理主要為物理符號系統（即符號操作系統）假設和有限合理性原理。

核心思想：智能的本質是符號推理，通過邏輯規則和知識表示模擬人類思維。

代表人物：

艾倫·圖靈（計算理論）
約翰·麥卡錫（LISP 語言，邏輯 AI）
馬文·明斯基（框架理論）
赫伯特·西蒙 & 艾倫·紐厄爾（通用問題求解器 GPS）

發展歷程：

1950s - 1960s（黃金期）：1956 年達特茅斯會議確立 AI 學科，符號主義主導早期研究；專家系統（Expert Systems）興起，如 DENDRAL（化學分析）、MYCIN（醫療診斷）；
1970s - 1980s（瓶頸與復興）：受限于計算能力和知識獲取難度（“知識工程” 成本高），進入 “AI 寒冬”；1980 年代專家系統商業化（如 XCON），但最終因維護困難衰落；
1990s - 今（與機器學習結合）：邏輯編程（Prolog）、知識圖譜（Google Knowledge Graph）仍在特定領域應用；現代 AI（如ChatGPT）仍部分依賴符號推理（如數學證明、規劃問題）。

2.2、連接主義學派

連接主義，又稱仿生學派或生理學派，是一種基于神經網絡和網絡間的連接機制與學習算法的智能模擬方法。連接主義強調智能活動是由大量簡單單元通過復雜連接后，并行運行的結果，基本思想是，既然生物智能是由神經網絡產生的，那就通過人工方式構造神經網絡，再訓練人工神經網絡產生智能。

核心思想：智能源于神經網絡的分布式計算，模擬人腦神經元連接。

代表人物：

弗蘭克·羅森布拉特（感知機，1958）
杰弗里·辛頓（反向傳播算法，1986）
楊立昆（卷積神經網絡 CNN）
約書亞·本吉奧 & 伊恩·古德費洛（深度學習、GAN）

發展歷程：

1940s - 1960s（早期探索）：麥卡洛克-皮茨提出神經元模型（1943）；羅森布拉特提出感知機（1958）；1969 年明斯基出版《感知機》指出單層網絡局限性，導致連接主義進入低谷；
1980s - 1990s（復興）：辛頓改進反向傳播算法，神經網絡重新受到關注。受限算力，仍無法超越符號主義。
2010s - 今（深度學習革命）：大數據 + GPU算力爆發，CNN（2012 AlexNet）、RNN、Transformer（2017）等模型突破；AlphaGo（2016）、GPT（2018-2023）、Stable Diffusion（2022）等應用爆發。

2.3、行為主義學派

行為主義，又稱進化主義或控制論學派，是一種基于 “感知——行動” 的行為智能模擬方法，思想來源是進化論和控制論。其原理為控制論以及感知——動作型控制系統。

核心思想：智能是環境交互的產物，通過試錯學習（如強化學習）。

代表人物：

羅德尼·布魯克斯（行為機器人學）
理查德·薩頓（強化學習理論）
DeepMind（AlphaGo、AlphaFold）

發展歷程：

1980s - 1990s（機器人學興起）：布魯克斯提出 “包容架構”（Subsumption Architecture），強調簡單行為組合成復雜智能（如 Roomba 掃地機器人）；
2000s - 今（強化學習爆發）：2016 年 AlphaGo 擊敗李世石，強化學習（RL）成為熱點。應用于游戲 AI（OpenAI Five）、自動駕駛（Tesla）、機器人控制（Boston Dynamics）。

2.4、機器學習的分類及其與個學派的融合發展

簡單的來說，我們可以認為符號主義研究抽象思維，注重數學可解釋性；連接主義研究形象思維，偏向于仿人腦模型；行為主義研究感知思維，偏向于應用和身體模擬。

這就是人工智能誕生后形成的三大主流學派，當然，也有一種五大主流學派的說法，但是這并不影響我們思考，現在人工智能真正的主流學科 – 機器學習，屬于哪個流派呢？

個人觀點：

首先要說明的是，當下的機器學習不屬于上述的任何一個流派，無論是三大流派還是五大流派的分類，更像是一種 “舊人工智能” 時代的說法了。當下的機器學習和機器學習這個概念誕生之初的概念也產生了巨大的區別，當下的機器學習更像是外部學科對人工智能領域的入侵，它是基于數學與概率學。所以你可以發現當我們強調機器學習的基礎時，不是這些學派理論、計算機科學，而是高數、線性代數等數學和概率學內容。

當下的機器學習的發展是早期學派時代的的一條未曾設想的道路，而且這條道路在當下看來無疑是正確的。因為無論是符號主義學派，還是連接主義學派，又或者是行為主義學派。這些學派產生分歧和爭論的目的，不都是研究如何產生更強大的人工智能機器嗎？而當下的機器學習做到了！

未命名文件

并且，機器學習通過有機整合連接主義的架構優勢、行為主義的學習范式以及符號主義的邏輯內核，正在突破單一方法論的局限，推動人工智能進入多維協同發展的新階段。這一領域的顯著進步不僅源于數學與統計學的理論基石，更通過兼收并蓄三大流派的核心思想實現突破性創新：

以神經網絡為代表的連接主義奠定了深度學習的生物啟發式架構（如GPT、AlphaFold），
行為主義的試錯機制演化出強化學習的智能體訓練范式（如 AlphaGo 的決策體系），
而符號主義的邏輯可解釋性則催生了神經符號系統等融合型技術（如醫療診斷中的規則推理引擎）。

這種跨流派的協同進化，既保留了數據驅動的計算優勢，又彌補了傳統方法的解釋性缺陷，為人工智能應對復雜現實問題提供了更完備的技術路徑。

3、機器學習及其相關概念

3.1、機器學習的概念

筆記部分：

機器學習是什么：機器學習（Machine Learning, ML）是一種讓計算機無需顯式編程，而是通過數據自動學習模式，并進行預測或決策的技術。

機器學習的核心思想：

從數據中學習（而不是手寫規則）
建立數學模型（讓機器自動發現數據中的規律）
對未知數據做出預測或決策（泛化能力）

機器學習分類：通常機器學習可以分為 監督學習、無監督學習、強化學習 三大類，其中監督學習是現實應用最廣泛、發展最迅猛的領域。

3.2、監督學習（名師出高徒）

監督學習：是一個舉一反三的過程，先由已標注正確的訓練集進行訓練，訓練完成之后的經驗稱為模型，然后將未知的數據傳入模型，機器即可通過經驗推測出正確結果。

核心奧義：給機器 “標準答案” → 就像教孩子認動物卡片：“這是貓，這是狗”
生活場景：你刷抖音時，系統能準確推薦你愛看的萌寵視頻——這就是監督學習在分析你的歷史行為（帶標簽數據）
致命弱點：需要大量標注數據（相當于要求老師給每道題寫詳解）

監督學習有兩個任務：回歸和分類。

回歸：可以理解為逆向的分類，通過特定算法對大量的數據進行分析，總結出其中的個體具有代表性的特征，形成類別；
分類：概念很容易理解，通過訓練集給出的分類樣本，通過訓練總結出樣本中各分類的特征模型，再將位置數據傳入特征模型，實現對未知數據的分類。

3.3、無監督學習（自學成才）

無監督學習本質上是一種統計手段(也可以理解為一種分類手段)，它沒有明確目的的訓練方式，你無法提前知道結果是什么，因此無須打標簽。它的原理類似于 監督學習中的回歸 ，但在回歸結果中沒有打標簽。

核心奧義：讓機器自己找規律 → 把 100 種動物圖片丟給機器，它自己分出"長耳朵族"、“短腿族”
震驚案例：某銀行用無監督學習發現，凌晨3點頻繁小額轉賬的客戶，80%涉嫌洗錢（機器自己發現了異常模式）
隱藏技能：處理現實中 90 %的無標簽數據

它常用的兩個分類算法（手段）是降維和聚類：

降維：這里的降維和《三體》中的 “降維打擊” 并非同一個概念，這里的降維，實質上是一種去重過程。
聚類：簡單來說，是一種自動化分類的方法，在監督學習中，你很清楚每一個分類是什么，但是聚類則不是，你并不清楚聚類后的幾個分類每個代表什么意思。

3.4、強化學習（賭徒）

強化學習指的是計算機對沒有學習過的問題做出正確解答的泛化能力，可以理解為 強化學習 = 監督學習 + 無監督學習。和監督學習一樣，它也是需要人工介入的。

核心奧義：用獎勵機制培養"條件反射" → 就像訓練貓咪：跳上桌子就斷電（懲罰），回貓窩就喂零食（獎勵）
封神之作：AlphaGo下棋時，每走一步都在計算 “這步棋能增加多少勝率”（即時獎勵評估）
殘酷真相：訓練一個強化學習模型，耗電量夠普通家庭用十年。

3.5、神經網絡（神經元小隊）

人工神經網絡（Artificial Neural Network，ANN，也簡稱為神經網絡），是機器學習模型的一個分支，它是利用連接主義在神經元組織的基礎上建立的，而這些神經元組織的工作原理正是在動物大腦的生物神經網絡中發現的

核心奧義：讓機器像人腦一樣處理信息 → 把一堆 “神經元” 連成網，信息層層傳遞，逐漸形成判斷
模擬原理：就像人腦的神經細胞一樣，人工神經元會根據輸入信號做出 “激活” 與否的反應，然后傳遞給下一層神經元
歷史瞬間：1986 年 Hinton 等人提出的誤差反向傳播算法（Backpropagation）是神經網絡騰飛的關鍵技術

神經網絡（Neural Networks）既可以用于監督學習，也可以用于無監督學習，甚至強化學習。

神經網絡本質上是一種數學模型，它本身不是某種特定的學習類型，而是可以適用于不同的機器學習范疇。

神經網絡，或稱為人工神經網絡，Artificial neural networks （ANNs），或稱為模擬神經網絡，Simulated neural networks （SNNs），它是一種模仿人類大腦中神經網絡結構和功能的計算模型。人工神經網絡由大量的人工 “神經元” 組成，每個神經元都是對大腦中的神經元細胞的模仿。