两条历史路线
用符号主义、联结主义和混合系统三条线索，看懂 AI 为什么既需要学习，也需要规则、知识和边界。
两条历史路线：规则派和学习派为什么都没消失
AI 不是沿着一条直线发展出来的。普通读者不用背完整年表，先抓住两条主线就够了：一条相信“知识可以写成规则和符号”，另一条相信“能力可以从数据和连接中学出来”。今天的大模型很耀眼，但现实系统往往仍把两条路线混着用。
两条路线怎么分
| 路线 | 核心想法 | 典型形态 | 优点 | 边界 |
|---|---|---|---|---|
| 符号主义 | 把知识写成符号、规则和逻辑关系。 | 规则引擎、专家系统、知识图谱、权限策略。 | 可解释、可审计，适合边界清楚的业务规则。 | 面对模糊语言、图像和复杂现实变化时，规则很难写全。 |
| 联结主义 | 让大量连接和权重从数据里学习模式。 | 神经网络、深度学习、大语言模型。 | 擅长图像、语音、语言和生成任务中的复杂模式。 | 需要数据和算力，行为不总是透明，错误也可能很自信。 |
为什么今天还需要混合
一个真实 AI 产品通常不是“纯模型”。比如客服助手可能用大模型理解问题和生成回复，用检索系统找到公司文档，用规则系统限制退款权限，再用人工复核处理高风险案例。这不是倒退，而是工程上很清醒：模型负责弹性，规则负责边界，知识库负责可追溯资料。
这也解释了为什么读 AI 基础层级 时要小心：当前系统可以在某些任务上表现得像“懂了”，但它通常仍是由模型、数据、工具、规则和人类流程拼出来的窄域能力。
读新闻时怎么用这张图
- 看到“模型能力突破”，先问：是联结主义路线里的模型规模、数据、架构或训练方法变化吗？
- 看到“企业 AI 落地”，先问：系统里有没有检索、权限、审计、人工复核等符号化或流程化边界？
- 看到“AI 推理很强”，先区分是逻辑推理、数学题表现、工具调用流程，还是用户感觉上的回答连贯。
- 看到“AGI 快到了”，回到 AGI 的定义和证据，不要把单项能力直接外推成通用智能。
常见误区
- 以为深度学习淘汰了规则。 实际上，高风险系统越要明确规则、权限和责任边界。
- 以为规则系统就不智能。 很多可靠自动化都依赖清楚的符号规则，只是它不酷，不上热搜。
- 以为混合系统是拼凑。 恰恰相反，能把模型、知识、工具和流程拼稳，才是产品能力。
继续阅读
- 用 关键术语地图 把 AI、机器学习、深度学习、训练和推理连起来。
- 进入 模型机制 看 token、embedding、Transformer 和参数如何支撑现代模型。
- 参考资料：Stanford Encyclopedia of Philosophy 的 The Philosophy of Computer Science: Artificial Intelligence 与经典教材 Artificial Intelligence: A Modern Approach。