什么是人工智能：从符号主义到深度学习

直觉：AI 不是一种技术，而是一类目标

工程师容易把「人工智能」直接等同于「神经网络」或「大模型」。但更准确的说法是：AI 是一个目标导向的领域——让机器完成那些「我们原本认为需要人类智能才能完成的任务」。这个定义有个尴尬的副作用：一旦某个问题被解决，它往往就不再被算作 AI（这被称为「AI 效应」），比如下棋、OCR、垃圾邮件过滤。

理解 AI 的历史，本质上是理解人类对「智能是什么」的两种根本假设之间的拉锯：智能是显式符号操作，还是从数据中涌现的统计模式。

机制：两条技术路线的数据流

符号主义（GOFAI）

符号主义假设：智能 = 对符号的逻辑操作。知识被显式编码为规则与事实，推理就是在这些符号上做搜索与演绎。

典型的数据流是：

事实库 + 规则库  ──►  推理引擎(前向/后向链)  ──►  结论

一个最小的前向链推理：

facts = {"发烧", "咳嗽"}
rules = [
    ({"发烧", "咳嗽"}, "可能感冒"),
    ({"可能感冒"}, "建议休息"),
]

changed = True
while changed:
    changed = False
    for premises, conclusion in rules:
        if premises <= facts and conclusion not in facts:
            facts.add(conclusion)
            changed = True
# facts 最终包含 "建议休息"

它的优势是可解释、可验证：每一步推理都能回溯。专家系统（如 MYCIN）、定理证明器、Prolog 都属于这一脉。其致命弱点是知识获取瓶颈——规则必须由人手写，且现实世界的例外多到无法穷举。处理「一张图里有没有猫」这种感知问题时，符号主义几乎无能为力，因为你无法用 if-else 写出「猫」的定义。

连接主义 / 统计学习

连接主义反其道而行：不写规则，而是定义一个带大量可调参数的函数 $f_\theta$，让它从数据中拟合出输入到输出的映射。

$\theta^* = \arg\min_\theta \; \mathbb{E}_{(x,y)\sim \mathcal{D}}\big[\,\mathcal{L}(f_\theta(x), y)\,\big]$

知识不再是显式规则，而是分布在数百万参数里的权重。数据流变成：

原始数据  ──►  参数化模型 f_θ  ──►  损失 L  ──►  梯度  ──►  更新 θ
                     ▲___________________________________|

这条路线对感知类任务（视觉、语音、语言）压倒性地有效，代价是可解释性差、依赖海量数据与算力。

公式视角：为什么深度学习「能学到」非线性

单个线性层 $Wx+b$ 永远只能表达线性映射，叠多少层都没用——因为线性变换的复合仍是线性变换。深度网络的关键在于层间插入非线性激活 $\sigma$：

$h^{(l)} = \sigma\!\big(W^{(l)} h^{(l-1)} + b^{(l)}\big)$

通用逼近定理（Universal Approximation Theorem）从理论上保证：一个足够宽的单隐层网络配合非线性激活，可以以任意精度逼近紧集上的连续函数。但「存在」不等于「可学」——实践中我们靠深度（而非无限宽度）来高效地构造层级特征：底层学边缘，中层学纹理与部件，高层学语义。这种**表示学习（representation learning）**正是深度学习区别于传统机器学习的内核：特征不再由人手工设计，而是端到端学出来的。

工程权衡：三条路线不是替代而是分工

维度	符号主义	传统 ML（含手工特征）	深度学习
知识来源	人写规则	人设计特征 + 算法学权重	端到端学表示
数据需求	低	中	高
可解释性	强	中	弱
感知任务	差	一般	强
逻辑/约束	强	弱	弱

现实系统几乎都是混合的。一个推荐系统可能用深度模型做召回，再用业务规则（符号）做硬性过滤；自动驾驶用神经网络做感知，用规则与优化做决策与安全约束。近年的「神经符号（neuro-symbolic）」方向正是想把两者缝合：用神经网络处理感知与不确定性，用符号系统保证逻辑一致性与可验证性。

常见误区

• 「AI = 深度学习」：深度学习只是当下最有效的一条路线，AI 还包括搜索、规划、博弈、概率推理、约束求解等大量非神经方法。
• 「符号主义已死」：编译器、SAT/SMT 求解器、知识图谱、形式化验证都是活得很好的符号 AI，只是不再被贴「AI」标签。
• 「数据越多越好，所以不用管偏置」：统计学习继承数据里的一切——包括偏差、噪声、分布漂移。模型不会「理解」，只会拟合你喂给它的分布。

小结

AI 的主线是从「把智能写成规则」到「让智能从数据里涌现」的范式迁移。符号主义给了我们可解释、可验证的推理，但卡在知识获取；连接主义用可微分的参数化函数和梯度下降绕过了手写规则，在感知任务上取得突破，但牺牲了可解释性并吃掉了海量数据与算力。理解这条脉络，你才能判断手上的问题该用哪条路线——或者，像绝大多数真实系统那样，把它们组合起来。