探索人工智能从符号推理到深度学习的思想演进，见证三大流派的碰撞与融合
理性主义 · 规则驱动
认为智能的本质是符号的运算与逻辑推理，主张通过形式化的知识表示和推理规则来模拟人类智能。
开启了AI的理性主义研究路径，为早期AI理论和应用提供了核心方法。
仿生主义 · 数据驱动
认为智能源于大脑神经元的连接与计算，主张通过构建人工神经网络来模拟生物大脑的信息处理机制。
从生物机理角度探索智能本质，成为当前AI发展的核心动力之一。
交互主义 · 试错驱动
认为智能源于主体与环境的交互行为，主张通过感知-动作循环和强化学习来实现智能体的自主学习与决策。
推动AI从"闭门造车"到"交互学习"的转变，为机器人学提供关键思想。
AI诞生的标志，会议上符号主义思想初步形成，约翰·麦卡锡、马文·明斯基等为符号主义奠定了基础。
会议正式提出"人工智能"术语，推动了AI作为一门学科的诞生。
纽厄尔和西蒙开发的逻辑理论家程序能证明数学定理，是早期符号主义的重要成果。
验证了通过符号推理模拟智能的可行性，影响了后续专家系统的发展。
罗森布拉特提出的感知机是早期的人工神经网络模型，能实现简单的模式分类。
初步验证了连接主义的可行性，为后续神经网络研究奠定了基础。
将领域知识以规则形式存入系统，实现特定领域的智能决策。
展现了符号主义在专业领域的应用价值，但也暴露了其知识获取困难、适应性差的局限。
由于感知机的局限性以及符号主义的兴起，连接主义研究陷入低谷。
这体现了当时连接主义理论和技术的不足，也促使研究者后续不断完善神经网络模型。
提出"无表征智能"，强调机器人通过与环境的直接交互来完成任务。
机器人能在复杂环境中自主避障、导航，展示了行为主义在机器人领域的应用潜力。
让智能体通过与环境的交互，根据奖励信号调整行为策略。
逐渐成为行为主义的核心方法，在游戏AI、机器人控制等领域广泛应用。
随着计算能力的提升和大数据的出现，CNN、RNN、Transformer等模型取得突破性进展。
AlphaGo结合深度学习和强化学习，击败人类围棋世界冠军，标志着AI进入新的发展阶段。
符号主义侧重逻辑推理，连接主义侧重神经计算，行为主义侧重交互行为，在发展过程中曾相互竞争。
例如符号主义盛行时连接主义陷入寒冬，反映了不同思想对智能本质的理解差异。
随着AI发展，不同流派思想逐渐融合。AlphaGo融合了连接主义（深度学习）和行为主义（强化学习）。
知识图谱技术则融合了符号主义的知识表示和连接主义的表示学习，体现了AI思想从分立到协同的发展趋势。
连接主义中，感知机的研究为深度学习奠定了基础，神经网络寒冬后的技术积累和理论突破促成了深度学习的崛起。
强化学习算法的持续发展，与深度学习结合后能力进一步提升，展现了思想发展的承继性。