1.3　人工智能主要流派

人工智能的研究发展已有多年的历史，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，并提出了不同的观点，由此产生了不同的学术流派。这些学派中，如图1-6所示，对人工智能研究产生较大影响的主要有符号主义、连接主义和行为主义三大学派（王广赞等，2018）。其中符号主义（Symbolism），又称为逻辑主义学派（Logicism）、心理学派（Psychlogism）及计算机学派（Computerism），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（Bionicsism）或生理学派（Physiologism），其原理主要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），又称进化主义（Evolutionism）或控制论学派（Cyberneticsism），其原理为控制论及感知-动作型控制系统。

1.3.1　符号主义学派

符号主义（Symbolism）是一种基于物理符号系统的智能模拟方法，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（Gao XS等，2013）。符号主义不仅是逻辑推理，包括逻辑学派（麦卡锡，尼尔逊，代表作各种逻辑理论），认知学派（西蒙，纽厄尔，代表作认知推理架构GPS，OPS，Soar），知识学派（Douglas Lenat，代表作常识知识库Cyc）。

早期，符号主义在人工智能的研究中处于主导地位，其实现基础是纽厄尔和西蒙提出的物理符号系统假设。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；人是一个物理符号系统，计算机也是一个物理符号系统，因此我们就能够用计算机来模拟人的智能行为，即用计算机的符号操作来模拟人的认知过程。这种方法的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，就可以模拟人类的认知过程，从而实现人工智能。可以把符号主义的思想简单地归结为“认知即计算”。

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。符号主义的最初成果是1956年纽厄尔和西蒙等人研制的成为“逻辑理论家”的数学定理证明程序，说明了可以用计算机来研究人的思维过程模拟人的智能活动。自此以后，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。符号主义走过了一条启发式算法—专家系统—知识工程-知识逻辑的发展道路，尤其是专家系统的成功开发与应用，使人工智能研究取得了突破性的进展。

从符号主义的观点来看，知识是信息的一种形式，是构成智能的基础，知识表示、知识推理、知识运用是人工智能的核心，知识可用符号表示，认知就是符号的处理过程，推理就是采用启发式知识及启发式搜索对问题求解的过程，而推理过程又可以用某种形式化的语言来描述，因而有可能建立起基于知识的人类智能和机器智能的同一理论体系。

符号主义学派的人工智能研究方法可视为功能模拟方法。通过分析人类认知系统所具备的功能，用计算机模拟这些功能，实现人工智能。符号主义试图用逻辑方法来建立智能的统一理论诠释，但却遇到了“常识”问题的障碍，以及不确知事物的知识表示和问题求解等难题，因此受到其他学派的质疑与否定。

1.3.2　连接主义学派

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（Sharmaj等，2000）。连接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。这一学派可视为人工智能的仿生学研究，特别是人脑模型的研究，其中人工神经网络就是其典型代表性技术。

连接主义建立了心理或行为现象模型的显现模型——单纯元件的互相连结网络。连接主义的中心原则是用简单单元的互联网络描述智能行为。连接主义可以追溯到一个多世纪以前，该理念在整个发展过程中几经兴衰。1980年以后代表连接主义的神经网络在停滞多年后由于技术的突破被科学家重新接受。当时的连接理论被称为分布式并行处理，其直接根源是20世纪50年代和60年代弗兰克·罗森布拉特（Frank Rosenblatt）等人的感知机理论，这种神经网络理论着重于强调神经处理的并行特性，以及神经表征的分布特性。

目前，连接主义有许多不同的形式，但最常见的形式利用了神经网络模型。早期，连接主义学派认为人工智能源于仿生学，强调对人脑模型的研究。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，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，但是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年至1984年提出用硬件模拟神经网络以后，连接主义才又重新兴起。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）。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。目前对人工神经网络的研究成为人工智能领域的研究热点（Hinton et al.，2006）。

1.3.3　行为主义学派

行为主义又称还原主义（Reductionism）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（徐心和等，2004）。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。行为主义认为智能主体能够自主地适应客观环境，而不依赖于设计者制定的规则或数学模型。这种适应的实质就是复杂系统的各个要素彼此之间的精确联系以及它们整个集团与四周环境的精确联系。为了达到精确联系必须采用某种协调机制，这些协调机制可以使智能主体与外界环境相适应，使智能主体内部状态相互配合以及多个智能主体之间产生协作。

早期，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，并在80年代诞生了智能控制和智能机器人系统。

1986年，在行为主义理论的指导下，第一个基于“感知—行为”模式的轮式机器人诞生，它在不需要中枢控制的情况下分别实现了避让、前进、平衡等功能。经过十余年的发展，一些前沿技术理论不断地渗透到行为主义人工智能的研究中，使以该方法设计的机器人具有更加复杂的、智能的组合行为以及协同工作的能力。随着人工智能和计算机技术的发展，已经有可能把自动控制和人工智能以及系统科学中一些有关学科分支（如系统工程、系统学、运筹学、信息论）结合起来，建立一种适用于复杂系统的控制理论和技术。智能控制系统通常具有感知环境、不断获得信息以减小不确定性和计划、产生以及执行控制行为的能力。智能控制技术是在向人脑学习的过程中不断发展起来的，人脑是一个超级智能控制系统，具有实时推理、决策、学习和记忆等功能，能适应各种复杂的控制环境。

智能控制是以控制理论、计算机科学、人工智能、运筹学等学科为基础，扩展了相关的理论和技术，其中应用较多的有模糊逻辑、神经网络、专家系统、遗传算法等理论和自适应控制、自组织控制、自学习控制等技术。例如，专家系统是利用专家知识对专门的或困难的问题进行描述。用专家系统所构成的专家控制，无论是专家控制系统还是专家控制器，其相对工程费用较高，而且还涉及自动地获取知识困难、无自学能力、知识面太窄等问题。尽管专家系统在解决复杂的高级推理中获得较为成功的应用，但是专家控制的实际应用相对还是比较少。模糊逻辑用模糊语言描述系统，既可以描述应用系统的定量模型，也可以描述其定性模型。模糊逻辑可适用于任意复杂的对象控制，但在实际应用中模糊逻辑实现简单的应用控制比较容易。遗传算法作为一种非确定的拟自然随机优化工具，具有并行计算、快速寻找全局最优解等特点，它可以和其他技术混合使用，用于智能控制的参数、结构或环境的最优控制。

神经网络是利用大量的神经元按一定的拓扑结构和学习调整方法。它能表示出丰富的特性：并行计算、分布存储、可变结构、高度容错、非线性运算、自我组织、学习或自学习等。这些特性是人们长期追求和期望的系统特性。它在智能控制的参数、结构或环境的自适应、自组织、自学习等控制方面具有独特的能力。神经网络可以和模糊逻辑一样适用于任意复杂对象的控制，但它与模糊逻辑不同的是擅长单输入多输出系统和多输入多输出系统的多变量控制。

人工智能研究进程中的符号主义、连接主义和行为主义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，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综合作用。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、规则系统、非单调推理理论、描述逻辑到知识图谱等一系列成就。而连接主义有归纳学习，行为主义有反馈控制模式及广义遗传算法等求解方法。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。