教育新闻网分裂是人工智能领域的核心。自成立以来，该领域已被两个相对的哲学之间的智力拔河所定义：连接主义和象征主义。对于如何“解决”智力问题，这两个阵营有着截然不同的看法，研究议程各不相同，有时还存在痛苦的关系。
如今，连接主义统治着AI世界。深度学习的出现是一种典型的连接主义技术，它在过去十年中推动了AI活动和资金的全球爆炸式增长。深度学习的最新成就令人惊讶。然而，随着深度学习的普及，其局限性越来越明显。
如果人工智能要充分发挥其潜力，就必须在连接主义和象征主义之间达成和解。值得庆幸的是，在学术和商业环境中，融合这两种传统上对立的方法的研究工作已经开始出现。这样的综合很可能代表了人工智能的未来。
AI的符号方法试图构建通过操纵直接映射到概念(例如，单词和数字)的符号来智能运行的系统。同时，连接主义方法通过互连的处理单元的大规模网络(通常称为神经网络)来表示信息并模拟情报，而不是通过符号来明确表示。
在许多方面，联系主义和象征主义代表着彼此的阴阳：每种方法都有核心优势，而其他优势则是重要的弱点。神经网络根据所馈送的数据发展出灵活的，自下而上的直觉。他们数以百万计的相互连接的“神经元”使他们对输入的等级和歧义高度敏感。它们的可塑性使他们能够根据新信息进行学习。但是，由于神经网络不是由人类明确编程的，因此它们是“黑匣子”：通常不可能用对人类有意义的术语来查明为什么他们做出自己的决定。缺乏可解释性是在高风险的实际环境中广泛使用连接主义方法的根本障碍。
符号系统不存在此问题。由于这些系统使用附加了离散含义的高级符号进行操作，因此它们的逻辑和内部工作方式是人类可读的。折衷是符号系统更加静态和脆弱。当遇到未明确编程处理的情况时，它们的性能往往会下降。现实世界是复杂而异质的，充满了模糊定义的概念和新颖的情况。象征性AI不适合应对这种复杂性。
在成立之初，人工智能领域就以象征主义为主导。作为一门严肃的学科，人工智能的历史可以追溯到1956年夏天，当时一小群学者(包括诸如克劳德·香农(Claude Shannon)，马文·明斯基(Marvin Minsky)和约翰·麦卡锡(John McCarthy)之类的未来人工智能偶像)在达特茅斯组织了一个为期两个月的研究工作坊。学院。从那个夏天起该小组的原始研究建议就可以明显看出，这些AI先驱者的智能概念是以符号理论和方法为中心的。
在整个1960年代到1970年代，象征性的AI方法占据了主导地位。著名的早期AI项目(例如Eliza和SHRDLU)就是说明性示例。这些程序旨在使用自然语言(在精心规定的参数范围内)与人类互动。例如，SHRDLU可以成功回答诸如“金字塔后面是否有大块?”或“盒子包含什么?”之类的人类查询。
与此同时，具有象征意义的AI研究显示出希望的早期迹象，同时探索戏剧化的连接主义通往AI道路的新生努力也被关闭了。1969年，为了响应对人工神经网络的早期研究，领先的AI学者Marvin Minsky和Seymour Papert出版了具有里程碑意义的著作《Perceptrons》。这本书提出了数学证明，似乎证明了神经网络不能执行某些基本的数学功能。
