举个例子，人类解迷宫时，会遵循“试错-调整”的逻辑：先试左边的路，走不通就退回来试右边的路，再不通就试中间的……GPS解题时也得有类似的过程。纽厄尔和西蒙甚至会把GPS的解题步骤，和人类解题时的“思维口述记录”对比，看是否一致。

这个思路直接催生出了认知科学——一门横跨人工智能、心理学、神经科学、语言学的交叉学科。它的目标是“构建精确且可检验的人类心智理论”，简单说就是：用人工智能的“计算模型”模拟思维，用心理学的“实验方法”检验模型，两者联手把人类思考的“秘密”挖透。

本小章还未完，请点击下一页继续阅读后面精彩内容！

2. 认知建模的三大技术路径

现在的AI要实现类人思考，主要靠这三条技术路线，咱们逐个分析：

（1）符号主义：给AI一套“思维规则”

把人类的知识和逻辑整理成“符号+规则”，让AI按规则推理。比如：

- 知识：“所有鸟都会飞”“企鹅是鸟”；

- 规则：“如果A是B，B是C，那么A是C”；

- 推理：AI能推出“企鹅会飞”（虽然结论不对，但逻辑是通的）。

优点：逻辑清晰、可解释性强，适合处理数学证明、法律推理这类“规则明确”的任务。早期的专家系统（比如医疗诊断系统MYCIN）就是靠这路子。

缺点：面对复杂、模糊的现实问题直接抓瞎。比如“什么是美？”“如何应对突发的金融危机？”，符号规则根本罩不住——现实世界的规则太多变、太模糊了。

（2）连接主义：让AI像大脑一样“连线”

模仿人脑的神经网络，用大量“神经元”（计算单元）的连接来学习。比如让AI看10万张猫的图片，它会自动总结出“猫有尖耳朵、胡须、绒毛”这些特征，下次看到没见过的猫也能认出来。

这就是现在大火的深度学习，ChatGPT、Midjourney、自动驾驶都靠这路子。它的优点是能处理复杂的模式识别（图像、语言、声音），不用人类手动设计特征；但缺点是“黑箱”——AI知道“这是猫”，但说不清楚“为什么认为这是猫”，也很难融入人类的常识和逻辑。

比如，你问ChatGPT“为什么天空是蓝色的”，它能给你一套科学解释，但它不是“理解”了这个问题，只是“学习了大量关于天空颜色的文本，总结出了最常见的回答模式”。

（3）行为主义：让AI在“试错”中学习

模仿人类“环境互动-奖惩反馈”的学习过程。比如让AI玩游戏，它每赢一次就给奖励（加分数），输了就给惩罚（扣分数），慢慢就学会了怎么操作能赢。

强化学习是典型代表，AlphaGo下围棋、机器人学走路、自动驾驶躲障碍物，都靠这思路。它的优点是能在动态环境中自主决策；但缺点是太依赖“试错”，现实中很多场景没法让AI随便试（比如医疗手术、航天发射，试错成本太高）。

（4）混合路线：把“三大主义”捏在一起

现在前沿的研究是走“混合路线”，结合多种技术的优点：

- 用连接主义处理“感知”（比如识别图像、理解语言）；

- 用符号主义处理“逻辑推理”（比如做数学证明、规划路线）；

- 用行为主义处理“决策执行”（比如在复杂环境中行动）。

举个例子，自动驾驶汽车的工作流程：

- 先靠深度学习识别红绿灯、行人、车辆（感知）；

- 再用符号规则规划最优路线（推理）；

- 最后靠强化学习调整驾驶策略（比如遇到突发情况是刹车还是避让）。

三、当前AI离“类人思考”还有多远？

实话实说，现在的AI还差得远，主要卡在这几个“硬骨头”上：

1. 常识理解：AI是“常识盲”

人类天生就懂很多常识，比如“人要吃饭才能活”“冰会融化”“熬夜对身体不好”。但AI得靠人类喂大量数据才能学，而且经常学歪。

比如，你问ChatGPT“如果一个人一周没吃饭，会怎么样？”，它能给出科学回答；但你要问“如果一个人一周没吃饭，还能跑马拉松吗？”，它可能会一本正经地分析“理论上的可能性”，完全忽略“人一周不吃饭早就没力气了”这个基本常识。