图灵在提出“学习机器”概念的论文里表达的观点十分明确，可以简单归纳为一句话：“计算机可以思考却不需要和人类一样地思考，计算机能够学习却不需要和人类一样地学习。”图灵认为计算机应该凭借它的快速、精确、可复制等特点，扬长避短地找到通向智能的道路，而不必受生物结构的牵绊。随后兴起并长期占据人工智能研究主流的符号主义学派的观点直接继承自图灵。最初，整个科学界都很认可这种观点，导致了符号主义学派的快速崛起，但是，事实证明了哪怕是当时最保守的学者都严重低估了机器通过逻辑演绎去实现人工智能的难度，经过一系列尝试与挫败之后，人们终于不得不承认基于符号和规则的机器学习所能处理的实体和规则数量，距离现实世界所存在的几乎无穷无尽的自然规律和它们相互作用的组合，有不止十万八千里的差距，要由此获得智能简直无异于蹇人升天、水中揽月。
由于符号主义的研究不断遭受挫折，进展缓慢甚至停滞，科学界才不得不退而求其次，把研究的主要方向转到模仿大脑的神经元结构和探求生物拥有学习能力的本质上，这条道路也很难，但最起码是有可仿照之物作为参考的。基于仿生和连接主义来获得学习能力，其中最主要的不足是现在人类自己都没搞清楚自己的大脑是如何思考和学习的，所以让计算机去模拟人类大脑思考这件事情的基础本身就不太牢靠，如果说连接主义在算法实现这类微观层面还有一些严谨的推理过程的话，那它在宏观层面是没有太严密的理论支撑的，譬如现在许多应用案例中，用神经网络来做自动驾驶或者人机对弈，这些应用各需要多少层的网络、初始连接权重值如何配置、模型如何训练、模型或者网络拓扑结构应该如何设计等都没有一个最优准则，还处于主要凭经验和试错来实现效果的原始摸索阶段。所以说这种仿生的机器学习，现在依赖的不是现实世界的本质规律，而是大量数据样本中体现出来的规律和特征。
第 7 章 深度学习时代
307