1956 年夏天，美国达特茅斯学院，几个年轻人凑在一起开了个会，会上喊出一个词：人工智能。
按现在的眼光看，那更像几个理想主义者立了个大 flag。但就是这场会，给之后七十年的 AI 研究定了三条路。这三条路吵了几十年，分分合合，最后演变成了今天这个局面。
符号主义：让机器像人一样"想"
第一条路的主张最直白：智能就是符号操作。人是怎么推理的，就把那套推理写成规则，让机器照着演。
这条路诞生得最早。达特茅斯会议之后，纽厄尔和西蒙做出了 Logic Theorist——史上第一个能证明数学定理的 AI 程序；麦卡锡发明了 LISP，一门专为操作符号而生的语言，至今还在 AI 研究里活着。核心思想很朴素：把智能理解成对符号的搬运和变形，用形式逻辑和演绎推理模拟思考。好处是看得懂：规则清清楚楚，推理过程每一步都能追踪。
1970 到 1980 年代，符号主义迎来黄金期，代表作是专家系统。把某个领域的经验编成海量 if-then 规则，机器就能像老师傅一样诊断病情、分析地质。MYCIN 能开抗生素处方，PROLOG 用一阶逻辑写推理程序。
但专家系统有两个死穴。一是知识工程瓶颈：让专家把自己脑子里的"隐性知识"一条条讲明白、编成规则，比想象中难一百倍；二是没有处理不确定性的能力，碰到带噪声的真实数据就抓瞎。有人试图打补丁，给专家系统塞进贝叶斯网络做概率推理，但终究没挡住后面那波更大的浪潮。
连接主义：让机器自己"学"
第二条路思路正好反过来：别手写规则了，模仿大脑，让机器从数据里自己长出来。
1943 年麦卡洛克和皮茨就提出了神经元的数学模型；1958 年罗森布拉特做出感知器，能自动调整权重、区分简单图形，学术界一度兴奋。1969 年明斯基和派普特一盆冷水泼下来：单层感知器连 XOR 都表示不了。资金和人才掉头就走，神经网络研究进了十多年的冰河期。
1986 年，鲁梅尔哈特等人把误差反向传播（BP）讲清楚了，多层网络能训了，XOR 不再是问题。1989 年杨立昆在贝尔实验室做出 LeNet，手写数字识别精度惊人，还真的被银行拿去做支票识别——神经网络第一次有了商业价值。
2006 年 Hinton 提出逐层预训练，2012 年 AlexNet 在 ImageNet 上以碾压姿态夺冠，深度学习正式登基。到今天，从图像、语音到多模态，Transformer 和自注意力机制把整个 AI 产业推到了大模型时代。
这一派和统计学习在理念上天然同源：都是从数据里拟合规律。SVM、决策树、随机森林这些经典统计方法，和深度神经网络共享同一套"数据驱动"的哲学。
行为主义：让机器自己"碰"
第三条路最不起眼，主张也最野：智能不用建模，也不用学习，靠"感知—行动"的直接耦合就能冒出来。
Braitenberg 车是教科书级的例子：几个传感器、几根线、几个马达，小车就能表现出"看见光就凑过去"这种看似有意图的行为，中间没有任何推理环节。Rodney Brooks 的行为式机器人更彻底：不要全局地图、不要建模，分层架构一路走到哪算哪——和符号主义那套"先建模、再推理"的思路完全相反。
进化算法（遗传算法、进化策略、遗传规划）走的是另一条支线：把"自然选择"搬进计算，用选择、交叉、变异在巨大空间里搜解。群体智能（蚁群、粒子群）也一样，靠个体间的简单规则涌现出复杂行为。
后来这条线和连接主义合流了，产物就是深度强化学习：AlphaGo 一边用神经网络"理解"棋局，一边用奖赏信号"试错"。到了多智能体场景，行为主义这套"无中心、靠交互"的思路反而成了天然优势。
今天：三条路已经合流
回头看，没有哪个流派被彻底淘汰。符号主义在概率图模型、神经符号混合里续了命；连接主义成了绝对主流；行为主义寄生在强化学习和进化搜索里继续输出。
大模型时代最有意思的张力也在这：Transformer 是纯连接主义的胜利，可它最被人诟病的不可解释、不可控，恰恰是符号主义当年最强的卖点。于是神经符号混合成了热门方向——把规则塞进神经网络，用逻辑约束训练，既保性能又补可解释。
AI 七十年，与其说是"谁取代谁"，不如说是三条路各自撞墙、互相借道。谁知道下一轮破局，会不会是三者再合体一次。