前言：
人工智慧的發展史其實曾經歷境過一場思想與技術的激烈交鋒，其中最核心的競爭莫過於符號主義（Symbolicism）與連接主義（Connectionism）兩大派系之間的對抗。這兩個派系代表了對「智能」本質的不同理解，也塑造了AI從誕生到現代的曲折道路。
符號主義強調邏輯與規則，試圖透過形式化的符號系統模擬人類的理性思維；而連接主義則從生物學出發，模仿人腦神經網路，依靠數據與訓練來實現智能。以下將結合歷史脈絡，詳細講述這場競爭的演變，以及連接主義如何在21世紀初脫穎而出，成為當今AI的主流範式。
一、符號主義與連接主義的起源與理念分歧
符號主義與連接主義的對立可以追溯到AI的早期發展階段。符號主義，又稱邏輯主義或「電腦學派」，起源於1956年達特茅斯會議，這場會議由麥卡錫（John McCarthy）等人發起，正式確立了「人工智慧」這一術語。符號主義的核心理念是將智能視為符號操作的過程，認為人類思維可以透過邏輯規則和形式化語言在計算機中重現。這種方法受到認知科學的啟發，強調「物理符號系統假說」（Physical Symbol System Hypothesis），即智能的本質在於對抽象符號的處理與推理。
與此相對，連接主義的根源則更早，追溯到1940年代的控制論（Cybernetics）時期。1943年，麥卡洛克（Warren McCulloch）和皮茨（Walter Pitts）提出了人工神經元的數學模型，試圖模擬生物神經系統的基本運作。他們的模型認為，智能不是來自預設的邏輯規則，而是通過大量簡單單元的並行計算與相互作用自然湧現。隨後，赫布（Donald Hebb）在1949年提出的「赫布學習規則」（Hebbian Learning），進一步為連接主義奠定了理論基礎，強調神經元之間的連接強度可以透過學習而改變。這種方法後來被羅森布拉特（Frank Rosenblatt）發揚光大，他於1957年開發了「感知器」（Perceptron），一個能夠透過訓練識別圖像的機器，成為連接主義的標誌性成果。
兩派之爭
簡單的說，你可以把符號主義與連結主義（Connectionism）想像成建構智慧的兩種不同藍圖：
一種建立在邏輯、規則與推理之上；
另一種則依靠學習、適應與模式識別。
它們的競爭不僅塑造了我的發展，也影響了人類對「智慧」本身的看法。這種分歧引發了 AI 界激烈的辯論。
符號主義的支持者批評神經網路「不可靠」、「不透明」，像一個黑箱，做出決策卻無法解釋。
連結主義者則反駁符號主義「僵化」、「無法應對現實的複雜性」。
這場辯論不只是技術之爭，更是關於人類如何理解智慧的哲學之爭：
智慧是來自邏輯與推理？還是感知與適應？
是「寫下規則」還是「學習規則」？
二、符號主義的黃金時代與連接主義的早期挫折
在AI發展的最初幾十年，符號主義佔據了絕對優勢。從1960年代中期到1990年代初，符號主義主導了學術界和資金分配，成為AI的正統範式。論文中提到，這一時期的代表人物包括麥卡錫、西蒙、紐厄爾和明斯基（Marvin Minsky），他們透過開發如LISP語言（1958年由麥卡錫創建）和「通用問題求解器」（General Problem Solver, GPS）等工具，將AI的研究焦點集中在邏輯推理和問題求解上。這些系統的特點是將世界簡化為「玩具世界」（Toy World），如棋類遊戲或幾何定理證明，通過預設規則在封閉環境中運行。
符號主義的成功得益於當時的技術環境和社會支持。美國國防部高級研究計劃局（DARPA）在1964至1974年間為符號主義項目提供了75%的AI研究資金，這使得該派系得以壟斷資源並建立權威地位。然而，符號主義的局限也逐漸顯現：它依賴於人工設計的規則和知識庫，無法處理現實世界中的複雜性和不確定性。例如，專家系統（Expert Systems）雖然在特定領域（如醫療診斷）取得成功，但其擴展性極差，無法適應數據量激增的時代。
與此同時，連接主義在早期卻遭遇了重大挫折。羅森布拉特的感知器雖然展示了學習能力，但其單層結構限制了功能。1969年，明斯基和帕佩特（Seymour Papert）出版了《感知器》（Perceptrons）一書，證明單層感知器無法解決XOR（NOT OR）問題，並以此質疑連接主義的潛力。這本書被認為是對連接主義的致命一擊，導致其研究資金被大幅削減，學術地位一落千丈。論文中將此描述為符號主義對連接主義的「驅逐」（excommunication），標誌著連接主義進入長達數十年的「寒冬」。
三、連接主義的復興與深層學習的突破
儘管被邊緣化，連接主義並未完全消失。1980年代，一些研究者如魯梅爾哈特（David Rumelhart）、辛頓（Geoffrey Hinton）和楊立昆（Yann LeCun）開始探索多層神經網路，並開發了反向傳播算法（Backpropagation），解決了單層感知器的局限。這一時期被稱為「新連接主義」（Neo-Connectionism），為後來的復興埋下伏筆。然而，受限於計算能力和數據規模，連接主義仍難以與符號主義抗衡。
真正的轉折點出現在2010年之後，隨著大數據和計算能力的飛躍，連接主義迎來了歷史性機遇。2012年歐洲計算機視覺大會（ECCV）上的一幕：辛頓的學生Alex Krizhevsky利用深度卷積神經網路（CNN）在ImageNet圖像分類競賽中以17%的錯誤率碾壓對手，遠超此前27%的最佳成績。這一事件被視為深層學習（Deep Learning）的里程碑，震撼了計算機視覺領域，也標誌著連接主義的全面復興。
深層學習的成功得益於三個關鍵因素：首先，數據量的爆炸式增長，例如ImageNet提供了120萬張標記圖像，為訓練提供了充足素材；其次，GPU等高性能計算設備的普及，使得複雜神經網路的訓練成為可能；最後，算法的進步，如卷積神經網路（CNN）和循環神經網路（RNN），大幅提升了模型性能。
四、連接主義勝出的原因與符號主義的衰落
連接主義之所以能在21世紀大獲全勝，與其技術適應性和哲學理念密切相關。首先，連接主義的「黑箱」特性使其能夠處理現實世界中的複雜數據。深層學習通過「端到端」（End-to-End）處理，從原始像素到最終分類，省去了符號主義依賴的繁瑣特徵工程（Feature Engineering）。例如，卷積神經網路透過層次結構自動提取圖像特徵，無需人工定義邊緣或形狀，這種靈活性遠超符號主義的僵化框架。
其次，連接主義順應了數據驅動時代的潮流。大數據如「巨浪」沖垮了傳統建模方法。當數據規模從數千擴展到數百萬時，符號主義的手工規則顯得力不從心，而連接主義則通過統計學習從海量數據中挖掘模式。此外，數據的「向量化」（Embedding）技術，如Word2vec，將語義關係轉化為數值空間，進一步增強了連接主義的應用範圍，從圖像識別到自然語言處理無所不包。
反觀符號主義，其衰落源於內在局限。符號系統需要人工構建知識庫，無法應對數據的動態性和不確定性。即使在專家系統的巔峰時期，其應用也局限於狹窄領域，無法擴展到開放環境。此外，符號主義的「玩具世界」假設與現實脫節，難以適應互聯網時代的複雜需求。隨著連接主義在語音識別、圖像分類和機器翻譯等領域屢創佳績，符號主義逐漸失去話語權。
結語
能夠看到這裡的小夥伴們，大概也頭昏腦脹了：人工智慧怎麼又生出了二個神祕宗教團體？不就是如我在《GenAI演進之路：關鍵技術里程碑》一文所述，科技發展的演進就是不斷地疊加與突破嗎？的確，那是連接主義的科技發展史，但歷史的真相確是如此！
連接主義的勝利並非偶然，而是技術、數據和社會需求的共同結果。猶如球場上出現的情勢逆轉。儘管「人工智慧」一詞源於符號主義，其內涵卻被連接主義重新定義。
從歷史視角看，這場競爭不僅是技術之爭，更是對智能本質的哲學探討。符號主義追求可解釋的理性，而連接主義擁抱數據驅動的適應性。連接主義的勝利並非終點，而是AI發展中的階段性成果。未來，隨著新挑戰（如可解釋性AI）的出現，兩派的思想或許會以某種形式融合。