03｜符号主义输在哪里，联结主义又赢在哪里？

一、先说结论

二、我们先理解一个问题

先想一个问题：如果你要教一个从没见过猫的人认识猫，你会怎么做？

第一种办法是写一本手册：「猫有四条腿，有胡须，耳朵是三角形，体长约五十厘米……」听起来很靠谱。但麻烦马上来了：三脚猫怎么办？折耳猫怎么办？毛色和背景混在一起、只看得到半张脸的猫怎么办？你会发现，规则要不断地补，补到几千条还是会有例外。

第二种办法是：给他看十万张猫的照片，让他自己总结。他说不出猫的定义，但他能一眼认出猫。

这就是符号主义与联结主义的分野。 前者相信智能可以被写下来，后者相信智能可以被练出来。

而在二十世纪中期，几乎所有聪明人都押在了第一种办法上。这不是因为他们笨，而是因为当时的条件只能支持第一种办法。

三、作者到底提出了什么观点？

作者在书中写道，1956 年的达特茅斯会议开启了 AI 研究。早期研究者的目标是：让机器像人一样学会逻辑思考，而其中最重要的标志，是学会证明数学定理。

为什么是证明定理？因为在那个年代的人看来，数学证明是人类理性最纯粹的形态：有明确的规则，有确定的真假，有可以一步步检查的过程。如果机器能证明定理，那它就抓住了理性的骨架——这是一个从苏格拉底一路继承下来的信念：思考就是逻辑，逻辑就是数学。

于是符号主义成了第一代 AI 的主流方法：把知识写成符号，把推理写成规则，把问题写成搜索。作者在书中的判断是，这条路线走了几十年之后撞了墙。

墙在哪里？作者的说法是：现实世界太复杂了。你可以写出「所有人都会死，苏格拉底是人，所以苏格拉底会死」这样的规则，但你写不出「这句话是什么意思」「这个人为什么生气」。规则手册越写越厚，能覆盖的场景却始终有限。

而联结主义提供的是另一种答案：它不去定义智能，它去模仿产生智能的器官。作者在书中解释了它的灵感来源：神经元之间通过突触连接，信息以化学信号转电信号的方式传递；一个神经元很笨，但大量神经元连成的网络可以处理极其复杂的信息。

四、把这个观点翻译成人话

用大白话总结这两条路线的差别：

符号主义是「先懂再做」：先把知识整理清楚，写成规则，再让机器照着规则走。它的前提是——我们必须先知道智能是怎么回事。 联结主义是「先做再懂」：先搭一个粗糙的网络，喂数据，让它自己调参数；它变强了，我们再去研究它为什么变强。它的前提是——我们不必先知道智能是怎么回事。

第一条路听着更让人安心，因为它可控、可解释。但它有一个致命的负担：世界上的知识不是可以写完的。 你写下的每一条规则，都需要有人先把它想清楚；而人类大量的能力，恰恰存在于说不清楚的地方。

第二条路听着很不靠谱，但它有一个巨大的优势——它不需要有人先把规则想清楚。 网络自己会从数据里把规律找出来。

两条路线的胜负，其实不取决于哪条路更聪明，取决于哪条路等得起。

五、为什么会这样？

把符号主义的困境和联结主义的复兴串起来，推理链条是这样的：

graph TD
    A[前提：智能就是逻辑
逻辑可以写成规则] --> B[符号主义路线
把知识写成符号与规则]
    B --> C[撞墙：现实世界太复杂
规则永远写不完]
    C --> D[联结主义另辟蹊径
模仿神经元与突触]
    D --> E[中间过程：三十年冷板凳
数据不足、算力不足]
    E --> F[条件成熟：数据、算力、算法
三件事同时到位]
    F --> G[结果：2012 年深度学习爆发
联结主义胜出]
    G --> H[更深一层：创新不是设计出来的
它需要被交给市场去跑]

这条链条里最容易被忽略的是第五步。联结主义不是突然变聪明了，而是它需要的东西终于凑齐了。 神经网络的基本原理在几十年前就已经写出来了，它之所以没成功，是因为当时没有足够多的数据喂它、没有足够快的芯片算它、也没有足够好的技巧训练它。

这也是作者那句话的意思：创新不是设计出来的。如果创新可以设计，那么几十年前那些最聪明的头脑，早就应该把神经网络设计出来了——条件只能靠无数人在市场里试错、失败、再来，慢慢攒出来。

六、举一个现实生活中的例子

最典型的例子是感知机和它引发的 AI 寒冬。

感知机是联结主义最早的具体形态之一：一个很简单的模型，模仿神经元的结构，输入信号，加权求和，超过阈值就输出。它在五十年代末出现时引起了巨大的兴奋。

然后它被泼了冷水。批评者论证：感知机的能力有严格限制，连一些很简单的逻辑关系都学不会；它被承诺的那些宏大能力，在数学上是不可能实现的。这个批评极有杀伤力，因为它不是观点之争，而是证明。

后果是漫长的沉寂。资金撤了，研究者散了，这段时期后来被称为 AI 寒冬，前后持续了二十年左右。

这里面最值得琢磨的，不是谁对谁错，而是「被证明有局限」和「这条路走不通」是两回事。感知机确实有局限，但网络加深、层数增加之后，那些局限就不存在了。批评者证明了单层感知机不行，却被读成了神经网络不行。一个正确的结论被过度推广，代价是二十年的停滞。

而转折点来得很晚。作者在书中写道，2012 年，辛顿点燃了 AI 时代的火花。这背后正是数据、算力和算法三件事的合力：李飞飞推动的 ImageNet 提供了海量标注数据，GPU 提供了廉价算力，算法上的改进让深层网络可以被训练起来。作者还提到吴恩达 2009 年的一篇论文，发现用 GPU 实现的检测器比传统软件版本快了 90 倍，而且能轻松处理数以百万计的实例。

同一个想法，几十年后重新拿出来，结果完全不同——变的不是想法，是条件。顺带说一句后续：辛顿、杨立昆、本吉奥因为在深度学习上的贡献，2018 年获得了图灵奖，被称为「人工智能教父」。而辛顿本人后来对 AI 的风险感到害怕，用「盗火的普罗米修斯」来形容自己。

七、回到书中重新理解

作者写这段技术史，其实是在为一件事做铺垫。

如果智能可以被设计，那么谁的设计能力强，谁就能造出智能——这听起来像一个可以规划、可以集中投入的任务。但历史给出的答案不是这样：神经网络的基本原理早就有了，真正决定胜负的是数据、算力和算法这三件看起来不那么高级的东西。它们没有一件是靠某个天才的设计完成的，都是整个产业和市场长期积累的结果。

作者由此得出的推论超出了技术史。他说创新最好交给市场，理由是市场上的企业数量远远超过任何一个中心机构能调动的资源——「政府虽然比单个企业有钱，但绝不可能比市场上千千万万的企业加起来还有钱」。这句话的重点不在钱，而在试错的并行度：一千家企业同时试一千条路，失败九百九十九条，剩下一条可能就是通往未来的路。

这也和全书的第一块基石接上了：智能不是被设计出来的，而是涌现出来的；创新也是一样。

八、这个观点背后还有什么？

第一，「输在哪里」的答案，往往在技术之外。 符号主义的失败，表面上是方法问题，实质上是知识获取的成本问题；联结主义的胜利，表面上是算法问题，实质上是产业条件问题。

第二，冷板凳是一种基础设施。 这三十年里神经网络并没有消失，而是一直有人在做、在改进、在被嘲笑中坚持。等到条件成熟，需要有人接得住这个机会。作者的叙事里有一种很冷静的提醒：任何一项真正的创新，在它成功之前，看起来都像是一个错误。

第三，这两条路线未必是终局。 作者讲的是一个历史胜负，但符号与联结的边界今天其实在重新模糊：模型可以调用工具、执行代码、做形式化推理，符号主义的很多想法以新的形态回来了。

九、这个观点有问题吗？

十、今天再看这个观点

以下部分是基于作者思想的现代延伸，不是作者原话。

今天最有意思的现象是：两条路线正在合流。用强化学习延长思维链的推理模型，会把推理过程一步步写出来，这看起来非常像符号主义；但它的底层依然是神经网络。可以说，联结主义提供了能力，符号主义提供了形式。

另一件事是，作者那句「创新最好交给市场」在今天遇到了新的问法。当算力和数据的门槛高到只有少数几家公司能跨过时，「市场」这个词的含义本身就在收缩——它从千千万万家企业，变成了几家巨头。这不必然推翻作者的判断，但确实让分散试错这个前提变得不那么自动成立。

对普通人来说，这一段历史最实际的提醒也许是：不要用现在看起来有没有用来判断一件事的价值。

十一、这一篇真正应该记住什么？

1. 符号主义想把智能写成规则手册，它撞墙的原因不是规则写错了，而是现实世界复杂到规则永远写不完。
2. 联结主义不去定义智能，而是模仿神经元与突触，让网络自己从数据里找规律。
3. 神经网络坐了三十年冷板凳，复兴靠的是数据、算力、算法三件事同时到位，而不是某个天才的灵光一现。
4. 「被证明有局限」不等于「这条路走不通」——一个正确的结论被过度推广，代价可能是二十年的停滞。
5. 作者由此得出的判断是：创新不是设计出来的，它更适合交给市场去并行试错。

十二、留一个问题

如果联结主义的胜利靠的是数据、算力和算法，那么接下来的问题就很自然了：如果继续把这三样东西往上堆，会发生什么？

神经网络坐冷板凳的那些年，它连简单的任务都做不好；而到了 2012 年之后，它开始在很多任务上超过人类。有意思的是，这种进步并不是平滑的——它更像是在某个规模上突然跳了一下：之前几乎什么都不会，之后就什么都会了一点。

这种「突然变聪明」到底是怎么发生的？它会不会一直持续下去，直到机器比所有人都聪明？这是我们下一篇要讨论的问题。