第 03 章 三大流派：符号主义 / 连接主义 / 行为主义
系列：从 0 开始学 AI · 第 3 章 / 共 365 章 上一篇：第 02 章《AI 发展简史》 阅读时长：约 11 分钟｜含可运行代码
开场：AI 内部吵了 60 年的三个"门派"
你可能以为 AI 是一个统一的学科。但实际上，从诞生那天起，AI 内部就分成了三个门派，争论了几十年：
- 一派说：要像人一样，靠"逻辑规则"思考。
- 一派说：要像大脑一样，靠"神经元连接"学习。
- 一派说：别管内部，要看"行为"对不对，靠奖励/惩罚来学。
这一章看懂三个门派，你就明白两件事： 为什么今天赢的是"连接主义"？以及，另外两派其实也没死，只是换了马甲活在今天的 AI 里。
概念讲解：三派到底在争什么
一张表看清三派
| 流派 | 核心思想 | 类比 | 代表方法 | 今天在哪 |
|---|---|---|---|---|
| 符号主义 | 用"符号+规则"表示知识，靠逻辑推理 | 像人"用语言和逻辑思考" | 专家系统、知识图谱、推理机 | 知识图谱、逻辑推理组件仍在使用 |
| 连接主义 | 用"大量神经元连接"从数据中学习 | 像大脑"靠突触连接" | 神经网络、深度学习 | 当下主流，你学的大半是它 |
| 行为主义 | 不看内部结构，只看"行为结果"，靠试错+奖惩 | 像动物"靠条件反射学习" | 强化学习、控制论 | 游戏 AI、机器人、自动驾驶决策 |
一句话记住三派
符号主义问"怎么想"、连接主义学"怎么算"、行为主义管"怎么做"。
为什么最后是"连接主义"赢了？
不是它最高级，而是它最能打：
- 符号主义：把"猫长什么样"写成规则？写不完。真实世界太复杂、规则太脆。
- 行为主义 ：强项是"在环境里试错"，但需要海量试错，且难以像深度学习那样"一学顶所有"。
- 连接主义 ：只要给数据、给算力，它就能自己学会复杂规律------正好吃下互联网时代的海量数据红利。
关键认识：三派不是非此即彼。今天的 AI 是"连接主义为主、其余两派为辅助"的混血。 比如：大模型生成 + 工具调用里的"规则校验"是符号主义；游戏 AI、让模型"一步步试"的 Agent 是行为主义/强化学习。
用你熟悉的场景理解三派
你做广告 SDK、推荐、客户端开发，其实每天都在接触它们：
- 连接主义：广告点击率预测用的神经网络；端上的人脸识别。
- 符号主义：规则引擎过滤垃圾请求、白名单校验、合规判断。
- 行为主义：推荐里的"多臂老虎机"（边尝试边调整，试错了就少推）。
最小可运行代码：亲手对比"符号"与"连接"的差别
为了把抽象流派变成能摸的东西，我们做一个小实验：同一件事（判断"成绩是否及格：>=60"），分别用符号规则和**"伪连接主义"的学习**来做，直观感受两者的差别。
运行环境：Python 3.8+，pip install numpy
python
import numpy as np
# 成绩样本
成绩 = np.array([45, 62, 88, 30, 59, 60, 100])
# ---------- 流派1：符号主义（写规则） ----------
def 符号判断(x):
# 规则：>=60 及格
return 1 if x >= 60 else 0
# ---------- 流派2：连接主义（从数据学规律） ----------
# 给 3 个"例子"，让一个线性模型自己找阈值
已知成绩 = np.array([40, 60, 90])
已知结果 = np.array([0, 1, 1]) # 40不及格，60/90及格
# 用最简单的方式学一个"权重w和偏置b"：求一个分界线
w = (1.0 - 0.0) / (90 - 40) # 数据里的变化率
b = 0.0 - w * 40 # 让40分→0
def 连接判断(x):
return 1 if (w * x + b) > 0.5 else 0
# 对比
print("成绩 | 符号主义(规则) | 连接主义(从数据学)")
for x in 成绩:
print(f" {x:>3} | {'及格✅' if 符号判断(x)==1 else '不及格❌'} | {'及格✅' if 连接判断(x)==1 else '不及格❌'}")
print("\n连接主义学到的规律：及格线≈", round((0.5 - b) / w))结果解读（看图说话）
scss
成绩 | 符号主义(规则) | 连接主义(从数据学)
45 | 不及格❌ | 不及格❌
62 | 及格✅ | 及格✅
88 | 及格✅ | 及格✅
30 | 不及格❌ | 不及格❌
59 | 不及格❌ | 不及格❌
60 | 及格✅ | 及格✅
100 | 及格✅ | 及格✅两个流派在这个例子上结果一样。但请你注意它们的本质差别：
- 符号主义 ：是我（人）写死了规则
>=60，机器没"学"。 - 连接主义 ：我只给了它 3 个例子，它自己从数据里算出了及格线≈60。
这就是第 1 章那句话的具象化 ：连接主义"从数据学"，这才是现代 AI 的引擎。而你写规则的能力（符号主义）也别丢------真实 AI 系统里，神经网络负责"学"，规则负责"兜底/校验"，两者配合。
常见坑（认知坑，不涉及报错）
| 常见误解 | 真相 |
|---|---|
| "神经网络 = 整个 AI" | 只是连接主义一支；符号主义、强化学习仍在用 |
| "AI 全靠深度学习" | 复杂系统常是"深度+规则+强化"混合 |
| "三派势不两立" | 现代 AI 是混血，各取所长 |
| "学了深度学习就够了" | 看应用：做推荐/识别够；做 Agent/游戏决策会用到强化学习 |
动手练习（今天就能完成）
- 跑通上面代码，确认输出一致。
- "踢馆"连接主义 ：把例子里的
已知成绩改成[40, 50, 90]（中间塞一个不及格的），看连接主义算出的及格线会不会变歪？数据差 → 学的规律就歪，这个教训很重要。 - 做一个"三派归类"小练习：把下面 4 个场景分别归到三派：① 垃圾短信规则过滤；② 照片美颜的人脸检测；③ 让 AI 自己下棋练成高手；④ 大模型调用你写的校验函数。（答案：①符号 ②连接 ③行为/强化 ④混合，前两者是符号。）
延伸思考（留给发散思维）
- 迁移到你的工作：你维护的广告 SDK / 合规体系里，哪些是"符号规则"、哪些可以换成"从数据学"？规则写不动的部分，正是 AI 的切入点。
- 反事实提问 ：如果当年没有互联网的海量数据，连接主义还能赢吗？------"算法 + 数据 + 算力"三位一体再次出现，请记住这个判断框架。
- 前瞻：既然三派是混血，那么"让大模型自己写规则（符号）再自我校验（连接）"是不是未来的 Agent 形态？先记下，第 276 章我们讲 Agent 时回看它。
下一篇预告
你知道了三派，也知道今天赢的是"连接主义"。下一章（第 4 章《机器学习、深度学习、大模型到底什么关系》），我们把贯穿前 3 章的四个词------AI / ML / DL / 大模型------的关系彻底钉死，配一张层级图，往后 361 章都用得上。
明天见。
本文为《从 0 开始学 AI》第 03 章。已发布：第 01 章《AI 全景》、第 02 章《AI 发展简史》。欢迎收藏专栏。