连接主义：从感知机到神经网络

与符号主义并列的另一条路线是连接主义：不写规则，而是模仿大脑神经元的连接方式，让大量简单单元协作涌现出智能。本文讲述从感知机、到多层网络与反向传播、再到深度学习复兴的过程，说明“连接”如何一步步变成今天的主流。

模仿神经元的最初尝试

连接主义的出发点和符号主义完全不同：它不关心知识怎么表达，只关心结构。大脑里没有一个写着语法规则的角落，却有上千亿个彼此相连的神经元。于是有人设想：造一堆极简的人工神经元，把它们连起来，调整连接的强弱，智能也许会自己长出来。

1958年，感知机（perceptron）诞生。它的结构极简：接收若干输入，每个输入乘一个权重后求和，超过阈值就输出一，否则输出零。用生活类比，就像一次投票，各位评委按自己的分量打分，加权总分过半就通过。

线性不可分带来的低谷

感知机还能自己学：答错了就按误差调整权重，这叫误差修正。演示中它能学会区分简单图形，一度引发巨大热情。但好景不长，研究者指出它连异或这样最基本的问题都解不了，因为它是线性的，只能画一条直线把两类点分开。

这盆冷水浇得很彻底。此后十余年，资金和注意力都转向了符号主义，神经网络研究者成了小众群体，但他们在资源匮乏的条件下继续改进算法，保住了这条路线的火种。

多层网络与反向传播

转折来自两个关键想法。一是把感知机分层堆叠，中间层可以做非线性变换，理论上能拟合任意复杂的形状；二是反向传播算法，让误差从输出层往回传，高效地告诉每一层该往哪个方向调整。

想法早已出现，真正跑通靠的是后来积累的数据与算力。2010年前后，深层神经网络在语音识别和图像竞赛中大幅刷新纪录，连接主义从边缘路线变成绝对主流。

胜利与代价

代价也随之而来。连接主义擅长“看起来对”，却不擅长说清为什么对；它需要的数据和电力都极为可观。今天研究者关心的问题之一，就是如何把符号主义的可解释与可推理能力，重新装回这套擅长感知的系统里。

本文为 AI 科普内容，仅用于知识普及，不构成任何技术选型、投资或职业决策建议。