3.3 三派鼎力，分释智能
3.3.1 符号主义
艾伦·纽厄尔（Alan Newell）和赫伯特·亚历山大·西蒙（Herbert Alexander Simon）曾说，符号是智能行动的根源，当然，它也是人工智能的核心。符号主义学派，正如其名，其核心是物理符号系统及常识等。在人工智能最初发展的那几十年中，符号主义一直是具有主导地位的，有种天下武功出少林的意味。
符号主义的思想历史久远，最早可以追溯到公元前5世纪。而在人工智能中，学者们普遍认为其来自艾伦·图灵，是一种从功能的视角去看待智能的过程。前文中已经介绍了智能的有关概念。艾伦·图灵抛开复杂的智能内部情况，将智能视为一个黑盒，提出了图灵测试的思想。符号主义学派利用“符号”（Symbolic）对客观世界进行抽象，利用逻辑推理和搜索的方式代替了人脑复杂的运行。
符号主义学派在自身完善的过程中，分为3个阶段：最早的关注点放在如何利用知识去做推理、规划、运算及判断，而不考虑知识是如何获取的，这个阶段被称为符号阶段的推理阶段；随着研究的不断深入，学者们发现仅仅使用推理等手段并不能处理智能问题，还需要先验知识，因此重点就变为知识的获取、知识的表示，这个阶段也称为知识阶段；随着信息的不断增加，仅靠专家的总结已经无以为继，因此面对海量的信息，机器必须要能自主学习，获取知识，这个阶段就是符号主义的学习阶段。
符号学派将数学化的逻辑推理与人类大脑思考的逻辑推理联系到了一起。该学派的学者们认为，逻辑符号可以将语言转换成数学表达，那么这个用语言描述的世界，也应该可以用符号表示。17世纪的德国数学家戈特弗里德·威廉·莱布尼茨（Gottfried Wilhelm Leibniz）提出了能够表达人类思想的通用语言，19世纪的英国数学家乔治·布尔（George Boole）提出的布尔代数实现了用抽象代数描述逻辑推理。
戈特洛布·弗雷格（Gottlob Frege）进一步完备了乔治·布尔的符号逻辑体系，从此将逻辑数学化。英国哲学家伯特兰·罗素（Bertrand Russell）完成了3卷《数学原理》，这套书与后来的人工智能有着不解之缘。艾伦·纽厄尔和赫伯特·亚历山大·西蒙在达特茅斯会议上提出惊人之作——一般问题解决器（General Problem Solver）。[4]利用一般问题解决器，从心理学的视角探索机器模拟智能，可以模仿人解决问题时的启发式策略，该研究方式让计算机证明了当时的世界三大猜想之一的四色猜想。这种通过心理学实验仿真人类解决问题的研究方式在符号主义学派中也称为认知派。尽管属于同一学派，然而人工智能创始人之一约翰·麦卡锡认为机器不用在意人的思考方式，而应该直指逻辑推理，这样的研究方式称为符号主义学派的逻辑派。约翰·麦卡锡发表的《常识编程》（Programs with Common Sense）中曾经就提及，未来的机器在处理重复型、计算型工作上会轻松超越人类，只有拥有常识的智能才能被称为智能。这也为后来的知识工程工作奠定了基础。
另一位人工智能创始人，马文·明斯基（Marvin Minsky）原先属于人工智能另一大派，即连接主义学派的人物，后来投身于符号主义学派。他先支持认知派，后在意识到智能的复杂性且很难描述后，提出了框架理论（Frame Theory），奠定了智能代理（Intelligent Agent）的研究基础。
数学思想在符号主义学派的逻辑与推理中发挥了极其重要的作用，人工智能的几位创始大咖，如约翰·冯·诺依曼、艾伦·图灵、约翰·麦卡锡、马文·明斯基、赫伯特·亚历山大·西蒙等学者，如果按照数学族谱来看，均源于弗里德里希·莱布尼茨（Friedrich Leibniz），即前文中戈特弗里德·威廉·莱布尼茨的父亲。感兴趣的读者可以登录数学族谱项目这个网站（见图3-4），自己搜索一下，颇有意思。
图3-4 数学族谱网站主页
3.3.2 连接主义
连接主义学派也以人脑为关注对象，但是与符号主义截然不同。它从脑的生理，即脑结构层面出发，认为智能源自神经元之间的连接，人的大脑就是通过神经元连接构成的网络，所以仿真大脑结构就可以模拟大脑工作，获得智能。
提到连接主义与神经元，就不得不先了解一位传奇人物沃尔特·哈里·皮茨（Walter Harry Pitts），一位在计算神经科学领域工作的逻辑学家。[5]他提出了具有里程碑意义的神经活动和生成过程的理论表述，影响了如认知科学、心理学、哲学、神经科学、计算机科学、人工神经网络、控制论和人工智能等诸多领域。
沃伦·麦卡洛克（Warren McCulloch）与沃尔特·哈里·皮茨合著的《一种内在存在于神经活动中的思想的逻辑演算》（A Logical Calculus of Ideas Immanent in Nervous Activity）首次提出了神经网络（Neural Network），给出了神经元的第一个数学模型，是科学史上的开创之作。这个简化的神经元是神经网络领域的参考标准，通常被称为McCulloch-Pitts神经元，简称M-P神经元。经过5年的非官方研究，芝加哥大学授予皮茨艺术副学士学位，以表彰他在论文上的工作。[6]
与沃伦·麦卡洛克第一次结识时，沃尔特·哈里·皮茨才17岁。一位是无家可归的孩子，一位是成绩斐然的学者，前者不懂生理学，后者不懂数学，是他们共同的偶像戈特弗里德·威廉·莱布尼茨让他们走到了一起。
控制论的创始人诺伯特·维纳对沃尔特·哈里·皮茨非常赏识，称这是他见过的全世界最厉害的科学家，并愿意指导他取得麻省理工数学博士学位。冯·诺依曼非常欣赏沃尔特·哈里·皮茨，在他的《EDVAC报告书的第一份草案》（First Draft of a Report on the EDVAC）这篇文章中，唯一的外引就是《一种内在存在于神经活动中的思想的逻辑演算》。1954年《财富》杂志将他与克劳德·艾尔伍德·香农等人一起评选为40岁以下最有才华的20位科学家。
如果说沃伦·麦卡洛克与沃尔特·哈里·皮茨解决的是大脑如何处理信息的问题，那么另一位神经心理学家唐纳德·赫布（Donald Hebb）则研究的是大脑如何学习知识，他试图解释突触可塑性，即大脑神经元在学习过程中的适应性。唐纳德·赫布所著的《行为组织学》一书中提到的赫布法则（Hebb’s rule），也称赫布学习（Hebb’s Learning）：当细胞A的轴突到细胞B距离足够近，以至于能刺激到细胞B，并且能反复或持续刺激时，那么，某种生长过程或代谢变化将会发生在两个细胞或其中一个细胞中，从而增加细胞A对细胞B的刺激效果。
在人工智能，尤其是机器学习中，几乎所有的学习算法都多少借鉴了赫布学习。真正奠定神经网络工程应用的出现在1957年，是由弗兰克·罗森布拉特（Frank Rosenblatt）在IBM 704计算机上实现的感知器（Perceptron）神经网络模型。它是M-P神经元和赫布学习结合的产物，可以做到不需要人工编程，就能通过机器学习完成部分机器视觉和模式识别方面的任务。两年后，弗兰克·罗森布拉特制造出第一台硬件感知器，称为“Mark 1感知器”（Mark 1 Perceptron）。1962年，弗兰克·罗森布拉特写了《神经动力学原理：感知器和大脑机制的理论》（Principles of Neurodynamics:Perceptrons and the Theory of Brain Mechanisms）。这本书总结了感知器和神经网络的主要成果，一度被连接主义奉为圣经。
感知器的影响迅速发酵，使弗兰克·罗森布拉特无论是声誉，还是研究经费都与日俱增，然而，这也为感知器和他日后的研究与生活带来了负面影响。
3.3.3 行为主义
符号主义和连接主义是从脑出发，开始研究智能，属于一种“从上至下”的研究方式，而在人工智能的学派中，有一种“从下而上”且不再聚焦人脑的研究学派，他们将智能的关注点放在“感知—行动”之上，这就是人工智能三大学派中的行为主义学派。
人类的智慧，到底是在脑中还是在整个身体上，是一个争论不休的哲学问题。1948年，艾伦·图灵在《机器智能》（Intelligent Machinery）中就将智能划分为具身智能（Embodied Intelligence）和非具身智能（Disembodied Intelligence）。具身智能认为无论是人的还是其他生物的智能，都是由整个机体的各个方面所塑造的，智能及认知不能离开具体的身体和环境。
人工智能研究的经验提供了另一条证据来支持具体的思维论题。在人工智能的发展过程中，基于推理这种“非具身智能”的方法在20世纪70年代至80年代遇到了严重的困难，许多人工智能研究人员开始怀疑高级符号推理能否很好地解决简单的问题。罗德尼·布鲁克斯（Rodney Brooks）在20世纪80年代中期辩称，这些象征性方法之所以失败，是因为研究人员普遍不了解感觉运动技能对智力的重要性。其实，早在人工智能诞生的十几年前，约翰·冯·诺依曼就与诺伯特·维纳一起对机器生命问题展开过研究。约翰·冯·诺依曼认为将机器生命的对标物确定为人类是错误的，因为人类大脑太复杂。
通常认为，行为主义学派产生的标志是《控制论》的出版，因此该学派也被称为控制论学派。“控制论”（Cybernetics）这个词来自希腊文，意思是“操纵、导航或治理”。1948年，诺伯特·维纳（Norbert Wiener）所著的《控制论：动物和机器中的控制与交流》（Cybernetics: On Control and Communication in the Animal and the Machine）的出版，标志着控制论的诞生，诺伯特·维纳也被称为控制论之父。诺伯特·维纳将控制论定义为“对动物和机器的控制和交流的科学研究”。也就是说，控制论是关于人类、动物和机器如何相互控制和交流的科学研究。
控制论和信息论构成了人工智能研究方法的主体。控制论是一门跨学科的研究，同时很多领域也深受控制论的影响，如控制系统、电气网络理论、机械工程、逻辑建模、进化生物学、神经科学、哲学、人类学、心理学、经济学、管理学、社会学、博弈论、建筑学等。因此，又一个学派确定了人工智能研究的跨学科性。
控制论与机械、物理、生物、认知和社会系统相关，它的目标是理解和定义系统的功能和过程，从行动到感知，到与期望目标的比较，再到行动。它的重点是任何事物，包括数字的、机械的或生物的如何处理信息，如何对信息做出反应，以及如何改变以更好地处理信息，对信息做出反应。
在1950年，诺伯特·维纳出版了一本科普控制论的畅销书《人有人的用处：控制论与社会》（The Human Use of Human Beings: Cybernetics and Society）。这本书前瞻性地讲述了自动化对社会的好处，分析了生产性交流的意义，认为人之间和人与机器之间的传输过程都是相似的，是一种反馈，即一方发送信息，另一方接收信息，然后发送响应，而且人与机器之间、机器与人之间、机器与机器之间的信息，注定要发挥越来越大的作用。
另外，这本书讨论了人与机器合作的方式，有可能放大人的力量，把人从重复的体力劳动中解放出来，在知识性工作和艺术中进行更有创造性的追求。这本书还探讨了这些变化可能危害社会的风险，并提出了如何避免这种风险的建议。
因为存在人、机器的这种反馈机制，所以产生了功能模拟的科学方法。而智能模拟则是在功能模拟的基础上进行的延展，是用计算机的硬件、软件等模拟人的感知、记忆、联想及思维等过程的方法。感知层面上包括对人的视觉、听觉、触觉、嗅觉等进行模拟，通过传感器等设备获取外部环境的信息，然后进行分析和反馈。思维层面上则是对人脑及神经元结构和功能进行模拟。
在无法认清内部机制的情况下，如人们并不了解人脑的机制，那么如何对人脑进行模拟呢？控制论的“黑箱”（Black Box）提供了方法论[7]。黑箱是一种内部机制未知的设备、对象或系统，只有“刺激”的输入和“反应”的输出是已知特征（图3-5）。也就是只知其然，不知其所以然。从定义中可以看出，人类的大脑显然是一个黑箱。
图3-5 黑箱原理
在日常生活中，人们每时每刻都面临着这样一些“系统”，它们的内部机制没有完全开放以供检查，必须用适合于黑箱的方法加以处理。例如，一个小孩为了得到某项结果（输出），必须在手机或屏幕上进行操控（输入）。再如，后面要谈到的神经网络等就属于黑箱。
裘迪亚·珀尔（Judea Pearl）于1988年发表了极具影响力的书，将概率和决策理论引入了人工智能。在使用的许多新工具中，有贝叶斯网络、隐马尔可夫模型、信息论、随机建模和经人工智能研究人员开始比以往更多地开发和使用复杂的数学工具。人们普遍意识到，人工智能需要解决的许多问题已经由数学、经济学或运筹学等领域的研究人员进行了研究。共享的数学语言既可以与更成熟、更成功的领域进行更高水平的合作，又可以实现可测量和可证明的结果；人工智能已成为一门更为严格的“科学”学科。