符号主义、连接主义、行为主义是人工智能的三大学派。
符号主义 (symbolicism)
符号主义，又称逻辑主义、心理学派或计算机学派。
人工智能的符号主义学派是一种认为人工智能源于数理逻辑的观点，它试图用符号系统和规则来表示和操作人类的思维过程，例如推理、证明、解决问题等。
下图是用决策树模型输入业务特征预测天气，就是典型的符号主义。
图: 用决策树模型输入业务特征预测天气
它叫做符号主义，是因为它使用了数学和物理学中的逻辑符号，如变量、常量、函数、谓词、量词等，来构建复杂的表达式和语句，从而表达知识和逻辑。
符号主义学派是人工智能的早期和主流学派之一，它的代表性成果有专家系统和知识工程等。
符号主义首个代表性成果是： 1956年Newell和 Simon等人研制的成为“逻辑理论家”的数学定理证明程序LT，可以证明出《自然哲学的数字原理》(Principia Mathematica)中的38条数学定理(后来可以证明全部52条定理)，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。
图：Newell 和 Simon
符号主义最辉煌的时候，是专家系统，专家系统的能力来自于它们存储的专业知识，知识库系统和知识工程成为了上世纪80年代AI研究的主要方向。
图：专家系统
- 专家系统仅限于一个专业细分的知识领域，从而避免了常识问题；
- 专家系统其简单的设计又使它能够较为容易地编程实现或修改。
- 专家系统仅仅局限于某些特定情景，且知识采集难度大、费用高、使用难度大，在其它领域如机器翻译、语音识别等领域基本上未取得成果。未能实现的日本的第五代计算机项目就是典型。
图：日本第五代计算机概念图
在20世纪80年代末，符号主义学派开始衰落。其原因如下：
- 符号主义试图将人类思想、行为和结果抽象为简洁深入的规则，类似于数学定理。然而，人类的思想是极其复杂而广泛的，而人类的智能不仅仅是逻辑和推理的结果。
- 人类抽象出的符号，源头是身体对物理世界的感知，人类能够通过符号进行交流，是因为人类拥有类似的身体。计算机只处理符号，就不可能有类人感知，人类可意会而不能言传的“潜智能”，不必或不能形式化为符号，更是计算机不能触及的。
1997年5月，名为“深蓝”的IBM超级计算机打败了国际象棋世界冠军卡斯帕罗夫，这一事件在当时也曾轰动世界，其实本质上，“深蓝”就是符号主义在博弈领域的成果。
图：卡斯帕罗夫对战超级电脑“深蓝”
连接主义 (connectionism)
连接主义认为人工智能源于仿生学，用神经网络和学习算法来模拟人类的大脑结构（神经元的连接）和功能，代表性的成果有感知机和反向传播算法。
1957年,弗兰克·罗森布拉特（Frank Rosenblatt）在一台IBM-704计算机上模拟实现了一种他发明的叫做“感知机”（Perceptron）的神经网络模型。
图：神经细胞与感知机
感知机可以被视为一种最简单形式的前馈式人工神经网络，是一种二分类的线性分类判别模型，其输入为实例的特征向量（x1,x2...），神经元的激活函数f为sign，输出为实例的类别（+1或者-1），模型的目标是要将输入实例通过超平面将正负二类分离。
1969年，“符号主义”代表人物马文·明斯基（Marvin Minsky）的著作《感知器》提出对XOR线性不可分的问题：单层感知器无法划分XOR原数据，解决这问题需要引入更高维非线性网络（MLP, 至少需要两层），但多层网络并无有效的训练算法。这些论点给神经网络研究以沉重的打击，神经网络的研究走向长达10年的低潮时期。
1974年，哈佛大学沃伯斯(Paul Werbos)博士论文里，首次提出了通过误差的反向传播(BP)来训练人工神经网络。
BP算法的基本思想不是（如感知器那样）用误差本身去调整权重，而是用误差的导数（梯度）调整。通过误差的梯度做反向传播，更新模型权重，以下降学习的误差，拟合学习目标，实现“网络的万能近似功能”的过程。
其后的发展就是等算力和数据的提升，我们在深度学习中有讲解。
知识图谱
知识图谱是大数据时代的知识工程集大成者，是符号主义与连接主义相结合的产物，是实现认知智能的基石。
行为主义 (actionism)
强调行为和刺激之间的关系，将人类的思维过程看成是一种条件反射和刺激响应的过程。认为人工智能源于控制论，用感知-动作模式和自适应机制来模拟人类的行为和反应，代表性的成果有进化算法和多智能体系统。
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。
图：1989年，由麻省理工学院制造的六足机器人Genghis（成吉思汗），被认为是现代历史上最重要的机器人之一。由于其体积小，材料便宜，Genghis被认为缩短了生产时间和未来空间机器人设计的成本。它有12个伺服电机和22个传感器，可以穿越多岩石的地形。
在他的实验室中还有大量的机器昆虫（如上图所示），相对于那些笨拙的机器人铁家伙来说，这些小昆虫要灵活得多。
著名的研究成果还有波士顿动力机器人和波士顿大狗。
图：波士顿大狗
总结
| 研究领域 | 注重方向 | |
|---|---|---|
| 符号主义 | 研究抽象思维 | 注重数学可解释性 |
| 连接主义 | 研究形象思维 | 偏向于仿人脑模型 |
| 行为主义 | 研究感知思维 | 偏向于应用和身体模拟 |
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。它们彼此之间扬长补短，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，共同合作创造更强大的强大的人工智能。