三大学派

定义演进与路径竞争

自1956年人工智能（artificial intelligence）这个名称出现以来，直到今天，AI的定义从未真正统一。

行为主义视角

图灵测试定义（1950，艾伦·图灵）

如果机器在与人类的对话中无法被区分，则可以认为它具有智能。

行为机器人学（Rodney Brooks, 1991）

智能是系统在动态环境中表现出的适应性行为，无需内部符号表示。

具身认知科学（R. Brooks）

人工智能应关注与现实世界的互动，通过大量松耦合的进程实现智能行为，这些进程主要以异步、并行的方式运行。

新行为主义（现代AI评估标准）

智能系统是在特定任务中达到或超越人类行为性能的实体。

领域最新概念/新成果：强化学习、具身智能

功能主义、符号学派（显式推理）视角

麦卡锡的早期定义（1956，达特茅斯会议提案）

制造智能机器的科学与工程，尤其是智能计算机程序。

明斯基（1968）

人工智能是让机器做那些人类需要智能才能完成的事情的科学。

尼尔森（1998）

人工智能关注如何让计算机做当前人类更擅长的事。

纽厄尔与西蒙（1976）

人工智能是关于知识的研究：如何表示知识、如何获取知识、如何使用知识。

典型概念/成果：知识图谱、专家系统

连接主义（神经网络，机器学习）视角

侯世达（1979，《哥德尔、埃舍尔、巴赫》）

AI是理解人类思维本质的镜子，通过机器再现认知过程。

机器学习定义（Mitchell，1997）

计算机程序通过经验（数据）自动改进性能的能力。

“智能即预测”定义（Schmidhuber，2015）

智能是压缩观察数据并预测未来状态的能力。

斯图尔特·罗素（1995）

AI是设计理性智能体的研究，即能通过感知环境最大化目标实现概率的系统。

佩德罗·多明戈斯（2015）

AI是自动化决策的科学，从数据中提取规则以指导行动。

本吉奥与辛顿（2018）

具备人类水平的通用推理、学习和迁移能力的系统。

肖恩·莱格（2021）

能在任何环境中高效学习新任务并实现目标的自主智能体。

领域最新概念/新成果：大语言模型

近年来，随着人工智能发展，三大流派呈现融合趋势，也出现一些跨学派的新概念/新成果：

• 多模态大语言模型：整合不同感知通道的信息处理机制，能够理解和处理多种不同类型数据（如文本、图像、音频、视频等）的大型神经网络模型。

• AI agent（人工智能智能体）：能够感知环境并做出决策以实现特定目标的智能系统。它通过与环境的交互来学习和适应，以完成各种任务。

• AGI（Artificial General Intelligence，通用人工智能）：具有广泛认知能力的人工智能系统，能够像人类一样在多种领域和任务中表现出智能行为。

• 神经符号计算（Neuro-Symbolic Computation）：一种将神经网络计算和符号规则推理相结合的新型计算方法，融合神经网络处理非结构化数据的强大能力和符号系统处理结构化数据的优势，以实现更高效、更可解释的人工智能。

• 脑机接口（Brain-Computer Interface, BCI）：一种直接在大脑和外部设备之间建立通信和控制的技术，属于神经工程+AI+生物医学工程的交叉领域。

国内人工智能正式起步以1981年成立人工智能学会（CAAI）为标志，早期主要由符号学派主导，2000s-2010s期间转向“行为学派+连接主义”，2020年代以来，以跨学派融合为主。

人工智能是基于逻辑推理和知识表示的计算机系统，能模拟人类专家的决策能力。

——《人工智能导论》（1987，中科院）

人工智能是让机器具备感知、学习、决策与交互能力的技术集合。

——《中国人工智能白皮书》（2016，CAAI）

人工智能是通过智能机器延伸、增强人类改造自然和治理社会能力的新兴技术。

——《普通高中信息技术标准》（2017年版）

人工智能是以大数据和算力为基础，通过机器学习、知识推理和多模态交互，实现增强人类智能、优化社会运行的技术体系。

——《新一代人工智能伦理规范》（2021，中国国家标准化委员会）

整体上，国内定义更强调多学派融合，突出产业落地相关技术及其社会应用；西方定义则更偏向基础创新技术和理论探索。这个差异与AI产业国际发展现状之间有什么关联，我们后续详细探讨。

流派融合的底层逻辑

发展与解释发展的辩证统一

人类社会演进是个一边发展（自我实现）一边解释发展（自我认知）的过程。发展构成人类实践能力与认知边界不断拓展的客观进程，这一进程推动着技术革新与文明进步；解释发展则是对这一进程的理性反思与知识构建，形成不断深化的知识体系与实践智慧。发展与解释发展共同构成人类智能的本质特征：既是改造世界的实践主体，又是理解世界的认知主体。

人工智能的发展目标就在于使机器系统在特定领域逐步接近并突破人类智能的极限表现。这一进程呈现出两种相辅相成的路径：

• 符号学派路径

以专家系统为代表，通过形式化逻辑和规则体系，对人类已系统化的知识成果进行结构化建模，在明确的边界内尝试扩展其推理能力极限。

——对人类认知成果的再现与延伸

• 行为学派与连接主义路径

基于对人类智能形成机制（生物神经功能、认知发展过程）的逆向工程，通过行为模拟和神经网络建模，复现智能的涌现过程，使AI系统能够突破既定知识框架的限制，在动态交互中展现出超越特定的人类能力的行为表现。

——通过机制模拟实现人类智能的某些功能

两种路径共同构成了人工智能发展的完整图景：

前者继承和扩展人类已有的认知成果，后者探索和突破人类智能的潜在边界。这种双重驱动既确保了AI发展的知识连续性，又为其能力突破提供了机制性基础。

所以，总体来看，人工智能也是发展与解释发展的辩证统一。就像人类文明演进中多元形态的共生与碰撞一样，不同流派的本质区别主要在于核心研究对象，也就是解释或模拟人类智能的切入点和方法论不同。

• 知识表征维度（符号学派）

研究对象：人类显性知识体系的结构化特征

方法论内核：基于一阶谓词逻辑的形式化系统

知识表示技术：产生式规则、框架理论、语义网络、描述逻辑

典型应用：专家系统、自动定理证明、知识图谱

• 行为交互维度（行为学派）

研究对象：适应性行为的形成机制

理论基础：控制论的反馈原理+行为心理学的强化理论

核心方法：马尔可夫决策过程（MDP）、Q-learning、策略梯度

应用场景：机器人控制、游戏AI、自动驾驶决策

• 认知模拟维度（连接主义）

研究对象：神经系统的信息处理机制

建模方法：人工神经网络的多层表征学习

数学基础：统计学习理论+微分优化

技术演进：从感知机到深度神经网络的范式跃迁

典型应用：图像识别、语音识别、自然语言处理

近些年，由于深度学习技术的突破性发展，连接主义范式在人工智能领域取得显著优势地位，使得“人工智能”这个概念在公众讨论中经常被等同于机器学习，需要特别注意机器学习仅仅是模拟人类智能的多种技术路径之一，人工智能的未来发展必将走向多范式融合。

• 神经符号系统结合深度学习和知识推理

• 具身智能整合感知、决策与物理交互

• 多模态学习统合视觉、语言等不同模态

人机共生

人工智能的局限与未来范式

虽然在特定领域，机器系统能够无限接近甚至超越人类的表现，但这种超越本质上是一种功能性替代。

真正的智能不在于超越人类，而在于理解人类智能的本质。

人类常识是数百万年进化沉淀的本能（我们习以为常的“常识”，才是智能的真正基石）；AI的知识是工程师逐行代码构建的规则。二者本质上不同。

孙老师聊人工智能，公众号：孙老师聊人工智能人工智能发展的两朵乌云：从物理学史看AI的核心瓶颈

这就产生了人工智能的天然局限。这种局限不是技术迭代能够解决的，因为它触及了计算主义假说的哲学边界——意识的硬问题（主观体验的本质和起源）可能永远无法用算法解码。人工智能的未来发展，或许应该放弃对“超越人类”的执念，转而探索人机协同的新型智能范式。这一新型智能范式的典型发展包括：

• 脑机接口

技术核心：通过侵入式/非侵入式脑电信号解码，实现意念控制机器设备。

应用场景：医疗康复（脊髓损伤患者）、军事操控、智能家居。

• 人机协同学习

技术核心：人类与AI智能体共同优化数据采集和任务执行，形成“越用越强”的闭环。

应用场景：机器人技能学习、智能制造、远程操作。

• 数字孪生

技术核心：利用计算机视觉+数字孪生技术，构建人机共存的虚拟映射。

应用场景：工业生产线、仓储物流、高危作业环境。

• 多模态融合

技术核心：整合语音、视觉、触觉等多模态输入，实现更自然的交互方式。

应用场景：消费电子、教育训练、元宇宙交互。

此外，人工智能发展还面临诸多挑战：

• 技术上：通用人工智能的认知瓶颈、数据质量、计算资源与能耗……

• 伦理与法律上：算法的可解释性、数据隐私、深度伪造与AI滥用……

• 应用上：人机协作的信任边界、跨行业标准化……

• 社会与经济上：身份认同、技术垄断与社会公平、就业冲击……

但这些挑战不应该被视为人工智能发展的阻碍，而应理解为推动技术与社会治理革新的催化剂。历史上，每一次重大技术变革都伴随着类似的挑战。

技术突破与伦理治理的协同进化将成为决定未来AI格局的关键变量。在这一阶段，真正的领导者将不是单纯追求算力或模型规模的竞争者，而是能够系统性解决三大核心矛盾的探索者：

• 技术能力与人类价值观的矛盾

• 创新速度与社会治理体系适应的矛盾

• 商业价值与公共利益的矛盾

这又再次印证了我们上文提到的：

现代产业竞争已经从单一行业的技术比拼升级为以国家为单位的综合能力体系竞争。

本文在网络公开资料研究基础上成文，限于个人认知，可能存在错漏，欢迎帮忙补充指正。