国际人工智能主流学派有哪些？

我们可以从以下几个主流学派/范式来理解：

符号主义

这是人工智能最古老、最经典的学派，也常被称为“老式人工智能”（Good Old-Fashioned AI, GOFAI）或“自上而下”的AI。

• 核心思想：智能的核心是符号操作，它认为人类的认知过程可以被形式化为一套逻辑规则和符号系统，智能行为可以通过对符号的运算、推理和搜索来模拟。
• 技术方法：
  • 知识表示：用逻辑（如一阶谓词逻辑）、语义网络、框架等形式来表示知识和事实。
  • 推理引擎：基于逻辑规则进行演绎推理、归纳推理和溯因推理。
  • 搜索算法：如A*、深度优先搜索等，用于在巨大的问题空间中找到解决方案。
  • 专家系统：这是符号主义最辉煌的成就之一，将特定领域专家的知识编码成“知识库”和“推理机”，形成能解决特定问题的程序。
• 代表人物/成果：John McCarthy（Lisp语言、人工智能之父）、Marvin Minsky、早期的专家系统（如MYCIN, DENDRAL）。
• 优势：
  • 可解释性强：决策过程基于明确的逻辑规则，易于理解和验证。
  • 知识精确：符号表示具有明确的语义，适合处理结构化的、确定性的知识。
• 局限性：
  • 知识瓶颈：获取、表示和更新海量、模糊的知识极其困难。
  • 脆弱性：在规则未覆盖的边缘情况或模糊环境下表现很差，缺乏鲁棒性。
  • 缺乏学习能力：早期的符号主义系统几乎不具备从数据中自动学习的能力。

连接主义

这是当前最主流、最活跃的学派，也是现代深度学习的理论基础，它也被称为“自下而上”的AI。

• 核心思想：智能源于大量简单的、相互连接的处理单元（神经元）组成的网络，智能不是来自预先设定的规则，而是通过网络结构、连接权重和神经元之间的交互，从数据中“涌现”出来的。
• 技术方法：
  • 人工神经网络：模拟生物神经系统的结构。
  • 反向传播算法：训练网络的核心算法，通过调整权重来最小化预测误差。
  • 深度学习：使用具有多个隐藏层的深层神经网络，能够自动学习数据的层次化特征。
  • 主流模型：卷积神经网络、循环神经网络、Transformer等。
• 代表人物/成果：Geoffrey Hinton（“深度学习之父”）、Yann LeCun、Yoshua Bengio、AlexNet、AlphaGo、GPT系列、DALL-E等。
• 优势：
  • 强大的学习能力：能从海量、高维、复杂的数据（如图像、语音、文本）中自动学习特征。
  • 鲁棒性好：对噪声和不完整数据有较强的容忍能力。
  • 在感知和模式识别任务上表现卓越：如图像识别、语音识别、自然语言处理等。
• 局限性：
  • “黑箱”问题：模型的决策过程难以解释，缺乏可解释性。
  • 数据依赖：需要大量的标注数据进行训练，数据质量直接影响模型效果。
  • 计算资源消耗巨大：训练复杂模型需要强大的算力支持。

行为主义

这个学派强调智能体与环境的交互，认为智能是适应环境、实现目标的能力。

• 核心思想：智能不是思考或计算的结果，而是在感知-行动循环中体现出来的适应性行为，它借鉴了心理学中的行为主义（如斯金纳的操作性条件反射），关注“刺激-反应”模式。
• 技术方法：
  • 强化学习：这是行为主义最核心的技术，智能体通过与环境交互，采取行动获得奖励或惩罚，从而学习到最优策略。
  • 智能体：构建能够感知环境、做出决策并执行动作的自主实体。
• 代表人物/成果：Richard Sutton、Andrew Barto（强化学习领域的奠基人）、DeepMind的DQN、AlphaGo Zero、OpenAI Five。
• 优势：
  • 无需大量标注数据：通过试错进行学习，适合解决序贯决策问题。
  • 自主学习能力：能探索未知环境，发现潜在的最优策略。
  • 在游戏控制、机器人等领域表现出色。
• 局限性：
  • 探索与利用的权衡：如何在探索新策略和利用已知好策略之间找到平衡是一个难题。
  • 训练过程可能非常漫长。
  • 对奖励函数的设计敏感，奖励函数的设计不当可能导致智能体学习到非预期的行为。

统计学习主义

这个学派可以看作是连接主义的一个重要理论基石,但更侧重于其数学和统计本质。

• 核心思想：人工智能的核心任务是从数据中进行概率推断和模式识别，它将智能问题转化为一个统计建模和优化问题，目标是找到一个能最好地拟合数据分布的概率模型。
• 技术方法：
  • 概率图模型：如贝叶斯网络、马尔可夫随机场，用于建模变量间的概率依赖关系。
  • 贝叶斯推断：一种利用新证据更新信念的统计方法。
  • 支持向量机：一种经典的监督学习算法，基于统计学习理论。
• 代表人物/成果：Michael Jordan（机器学习领域的领军人物）、Christopher Bishop。
• 优势：
  • 提供了坚实的数学理论基础，为许多机器学习算法提供了理论保证。
  • 能很好地处理不确定性，通过概率模型量化预测的不确定性。
• 局限性：
  • 在处理高维、非结构化数据时，不如深度学习灵活和强大。
  • 复杂模型的推断计算成本可能很高。

混合主义与新兴范式

近年来,单一学派的局限性日益凸显，学术界和工业界越来越倾向于融合不同学派的优点，形成了新的研究范式。

• 神经符号主义：

  • 目标：结合连接主义的感知和学习能力与符号主义的推理和可解释能力。
  • 方法：让神经网络负责从原始数据中提取符号，然后交由符号推理系统进行逻辑操作和决策，用CNN识别图像中的物体（符号），然后用知识图谱进行推理。
  • 意义：被认为是实现通用人工智能的一条有希望的道路。

• 具身认知：

  • 思想：强调智能的产生离不开物理身体和与物理世界的互动，智能不是脱离身体的“大脑计算”，而是身体、大脑和环境三者动态交互的结果。
  • 与行为主义的联系：它与行为主义有相似之处，但更强调物理实体（机器人）在真实或模拟环境中通过感知-行动循环来学习。
  • 代表：机器人学、模拟环境中的智能体训练。

总结与对比

连接主义（深度学习） 无疑是国际AI舞台上的绝对主角，其在感知和生成领域的巨大成功推动了整个行业的发展。行为主义（强化学习） 在决策领域扮演着越来越重要的角色，学术界和产业界已经深刻认识到单一范式的不足，神经符号主义等混合范式正成为新的研究热点，旨在打造更强大、更可靠、更可解释的下一代人工智能系统。

标签： 人工智能主流学派分类 国际AI主要研究流派 全球人工智能学派对比