其中一派人的思想直接继承至图灵，主张从功能角度出发，让机器去模拟人类心智表现，而不去追求与人类一样的思维过程；另一派人主要来自对人类大脑神经网络结构的研究学者，主张从生物结构角度出发，让机器先去模拟人脑构造，再从中获得智能。

假设某项评价指标可作为系统性能的度量（Performance，简称P），而这个指标可以在某类任务（Task，简称T）的执行过程中随着经验（Experience，简称E）增加而不断自我改进的话，那么我们就称该过程‘Process＜P,T,E＞’是一种学习行为”。

认为人类、生物和具有智能的机器等都是通过“由负反馈和循环因果律逻辑来控制的目的性行为”来实现自身目的的，这一句话便是控制论思想的源头

图灵给香农看了他还在剑桥大学念硕士时（1936年）写的一篇论文《论可计算数及其在判定性问题上的应用》（OnComputableNumbers,withanApplicationtotheEntscheidungsproblem），这篇文章是可计算性领域的里程碑式作品。

“图灵机”与“冯·诺依曼架构”并称现代通用计算机的“灵魂”与“躯体”，它对可计算性理论、计算机科学、人工智能都影响深远，可以说是一项改变了人类近代科学史的伟大发明。

现代科学中所说的逻辑学，源自亚里士多德（Aristotle，公元前384—前322）所建立的传统逻辑学说。

因此，弱人工智能的技术理论发展的时间再长，对强人工智能的实现并不会有多少实质性的促进，反而是脑科学、神经生理学、认知科学等的发展，都远比弱人工智能的进步更容易触及到心灵和意识的奥秘。

对于如何教育学习机器的问题，我们可以尝试通过计算机模拟，使用遗传算法[插图]（GeneticAlgorithm）来解决，把学习机器的进化和生物进化论中物竞天择的思想联系起来。

香农提出考虑机器智能问题时，应当把艺术、情感、音乐等方面的能力一并考虑进去，这很接近今天多元智能理论中对智能的理解。而图灵则不认可，他认为智能既然是由物质（指人类大脑）所承载的，就应该可以由物理公式去推导，可以用数学的方式去描述，不应该把这些文化方面的内容包含进去。

目前的学术界提出的其中一种思路，是希望神经网络这一连接主义的代表性技术能够与符号主义相结合，因为可解释性正是符号主义的强项之一。

如何用一些不可靠的部件来构造出一个可靠的系统。自复制机恰好就是一个最好的用不可靠部件构造的可靠的系统。

可是应用在多层神经网络情况就复杂多了，由于有了中间隐层的存在，它作为下一层神经元的输入，是通过一层层传到输出层之后，才能间接影响模型的输出结果的，每一个隐层神经元的输出都不是神经网络的最终输出值，不能直接拿来和实际值比较误差，这样就没有办法直接通过对损失函数求导得到梯度来计算出各个隐层的各个神经元的权值参数了。

连接主义学派使用的是生物仿生学的方法，通过模拟生物体的脑部组织结构去寻找智能，它关心的是承载智能的生理结构；符号主义学派使用的是逻辑推理和演算的方法，通过解析物理符号系统假说和启发式搜索原理去寻找智能，它关心的是承载智能的心理结构和逻辑结构；而行为主义学派使用“感知—动作”的研究方法，通过环境反馈和智能行为之间的因果联系去寻找智能，既不关心智能的载体和其内部的生理结构，也不关心智能的逻辑和心理结构，只关心智能的外部可观察到的行为表现。

符号主义学派的学者们首先考虑的寻找人工智能的入手点是从假设将现有已知的知识都可以通过形式语言精确描述，并可以全部灌输给计算机（这点只能是假设，因为当时计算机硬件的限制，只能从理论上或者规模十分有限的数据量上去模拟），然后通过计算机的运算能力实现在这些知识基础上的演绎推理，得出新的未知的知识，或者做出正确的决策，从而令机器展现出具有智能的行为。这个时期人工智能努力的目标，就可以概括为本节标题的八个字：“描述已知，推理未知”。

所谓的特征选择，是指我们应该放弃掉对结果影响轻微的特征，挑选出对结果有决定性影响的关键特征，提供给建模阶段作为模型输入使用。

多伦多大学计算机科学系的杰弗里·辛顿（GeoffreyHinton,1947—）教授。在今天他被尊称为“深度学习教父”

工业机器人领域的四大企业（瑞典的ABB，德国的库卡[插图]，以及日本的发那科和安川电机）

如果仅局限于神经网络方法范围内而言，机器学习的本质就是调节神经元之间的连接权重，即赫布法则中的神经元关联程度。

符号主义从20世纪80年代末开始沉沦，一直持续到今时今日还处于低谷中，它到底是从此一蹶不振，还是另有再兴之日？

“如果某个系统可以从经验中改进自身的能力，那这便是学习的过程。”