无意中看到女儿的课本，
名为人工智能导论，
随手翻阅了一下。
书中把人工智能的基本方法或流派，
归为符号、连接、行为、统计、学习五类，
总感觉太过教条，不太妥当。
分类的目标在于，
选择观察事物的统一层面与视角，
归纳出兼具简洁与有效的模式，
让事物本质清晰地呈现出来。
把人工智能方法归为这五类，
既无统一的层面与视角，
又缺乏简洁性，
将其作为智能类别定论，
本意或在于表达的全面性，
却徒增学习者的认知负担，
亦掩盖了智能的本质。
机器学习方法，
本质上是基于统计的模式归纳；
符号逻辑表达的规则，
关键参数的确定亦绕不开统计，
二者都利用统计建立确定性，
故统计是随机性通向确定性的桥梁，
而非人工智能方法类别。
连接主义，
侧重于智能结构的模式归纳，
行为主义，
侧重于智能行为的模式归纳，
二者是对同一事物不同视角的本质表达，
不能视为并列对立的流派。
人类知识获取途径有两个，
前人知识与实践经历，
智能则研究如何表示与运用知识，
故而从知识获取途径的视角，
将其方法归为符号推理与机器学习两类，
自然就更合乎人类的认知规律。
前者从先验知识库中抽取和利用知识，
如运用物理学运动定律预测弹道。
后者从现实经验中归纳和利用知识，
如从视觉信号中归纳与识别模式。
符号推理包含许多具体方法，
如逻辑规则表示与推导，
机理模型表示与预测，
乃至一些元启发方法等，
它们源自不同层面与视角，
难以实施一刀切式划分。
从特征获取途径的视角看，
机器学习方法只包含两类，
基于人工特征的方法，
基于表示学习的方法。
前者更依赖领域专家的经验，
后者更侧重特征的自动表示。
在前者向后者演进的过程中，
曾经的频域与小波变换，
不仅作为信号处理工具，
还扮演了半自动特征提取的角色。
后者虽然越来越大行其道，
使前者相形见绌，
但在资源受限的场景，
后者常常能四两拨千斤。
至于监督与无监督学习之分，
最容易误导学习者，
以为这两者，
是依据标签的有无来划分的。
二者的本质区别，
并不在于有无标签，
任何学习都需要标签，
区别只在于如何构造标签。
强化学习也从经验中学习，
也需要标签-用经历构造标签，
但它具有完全不同的目标视角，
其目标是多步序贯决策的最优，
而非单步预测的最优，
把它与监督学习，无监督学习，
并列为机器学习三大路线之一，
是以偏概全偏离本质而误人。
两类人工智能方法，
只有场景适应之别，
并无优劣高下之分。
符号推理长于专家知识表示，
从一般到具体进行演绎，
但难以应对现实世界的复杂多变。
机器学习长于经验特征表示，
从具体到一般进行归纳，
但难以泛化有限经验到无限实践。
二者都做不到放之四海而皆准，
二者的划分是一种相对侧重，
不是绝对的非此即彼，
在二者边界的附近，
更是亦此亦彼兼而有之。
二者相互结合以取长补短，
已成为人工智能方法的演进方向。
强化学习相较于两类基本方法，
具有截然不同的功能视角，
它将两类方法吸纳于其中，
其目标聚焦于智能进化。
广义控制论也在聚焦智能，
也已将两类方法吸纳其中，
学习虽已成为其常用手段，
但稳准快才是其核心目标，
它与强化学习既有视角之别，
又有相互交叉与彼此辉映，
二者与行为流派颇有渊源。
不同的智能方法，
都在其独有的层面与视角下，
既发挥自己固有的优势，
又吸纳其他方法的长处，
从不同方向逼近终级智能。