自1956年达特茅斯会议正式确立“人工智能”概念以来，学界围绕“智能的本质是什么”“如何实现人工智能”两大核心问题，形成了三类影响最为深远的基础理论观点，三类观点从不同维度切入对智能的探索，共同支撑了人工智能技术的发展迭代。

第一类是符号主义理论，也被称为逻辑主义、计算机学派。这一理论起源于数理逻辑研究，核心主张是人类智能的本质是对符号的运算与推理，只要将客观世界的知识抽象为可被计算机处理的符号系统，通过逻辑规则实现符号的推理、演算，就能复刻人类的智能能力。符号主义的代表性成果包括早期的逻辑理论家程序、专家系统等，上世纪七八十年代的人工智能商用落地大多以符号主义技术为核心，在知识推理、定理证明、规则类决策场景中发挥了显著作用。但符号主义的局限性也十分明显：它很难处理无法被明确符号化的模糊知识、感知类任务，面对开放、不确定的环境时适应性较差。

第二类是连接主义理论，也被称为仿生学派、神经网络学派。这一理论的研究基础来自神经科学对人脑结构的探索，核心主张是人类智能来源于人脑神经元的连接与并行运算机制，人工智能的研发应当模拟人脑的神经网络结构，通过大量神经元节点的连接权重调整、分布式信息存储来实现智能能力。连接主义的发展几经起伏，从早期的单层感知机模型，到反向传播算法带动的多层神经网络研究，再到近年Transformer架构支撑的大语言模型、生成式AI技术爆发，连接主义已经成为当前人工智能落地应用的主流技术路径。它在图像识别、自然语言处理、内容生成等感知、生成类任务中表现远超符号主义，但也存在可解释性差、训练成本高、容易出现幻觉错误等短板。

第三类是行为主义理论，也被称为进化主义、控制论学派。这一理论起源于控制论的相关研究，核心主张是智能不需要依赖复杂的符号推理或者高精度的神经网络模拟，而是在主体与环境的持续交互中不断进化、适应形成的，人工智能应当聚焦于感知-行动的闭环机制建设，让智能体在和环境的交互反馈中自主迭代能力。行为主义的代表性成果包括布鲁克斯研发的无推理六足行走机器人、近年快速发展的强化学习技术等，在机器人控制、自动驾驶、游戏AI等需要动态适应环境的场景中应用广泛。但行为主义的落地高度依赖交互数据反馈，目前很难支撑复杂逻辑推理、高阶认知类的智能任务。

值得注意的是，三类理论观点并非互斥对立的关系，近年人工智能的前沿研究已经呈现出明显的融合趋势：比如通过引入符号知识优化大模型的逻辑准确性、将强化学习与大模型结合提升智能体的交互能力等，三类理论各取所长的融合路径，正在为通用人工智能的探索提供更扎实的支撑。

本文由AI大模型（Doubao-Seed-1.6）结合行业知识与创新视角深度思考后创作。