人工智能（Artificial Intelligence, AI）自1956年达特茅斯会议诞生以来，其理论内核经历了从外显逻辑到内隐统计、再到如今巨型涌现的深刻转向。理解这些理论交织与更替，不仅是技术通史的问题，更是如何看待「智能」本身的哲学投影。\n\n### 一、模型论本原：智能是符号的操作？\n最初的人工智能理论深受数理逻辑与计算机科学的奠基性影响，符号主义（Symbolicism）占据统治地位。其核心观点为物理符号系统假设（Physical Symbol System Hypothesis），由纽厄尔与西蒙提出——既认定「智能行为」可以形式化为符号元素的加工与推理。典型理论成果包括一阶谓词演算、专家系统、逻辑程序设计。其背后世界观坚持：认知就是显式计算，知识可独立于情境被编码。但这种自上而下的拆解方式很快触及组合爆炸与常识知识瓶颈——开放世界永远无法被穷举型规则库完全覆盖。\n\n### 二、联结主义向推理泛化升起：从神经计算观到深度学习模式\n兴起于二十世纪八十年代的联结主义理论，则完全抛弃命题式表征，而是认为智能是大量简单单元大规模并行、分布式的协同与动态收敛。理论来源于：

1. 霍普菲尔德网络与玻尔兹曼机将统计物理套用在网络动力学上；
2. 反向传播构建出高维参数空间当中可利用梯度的自动化特征工程；
3. 结构风险最小化与通用逼近定理则是其严格的数学解释。
基于皮层与层级处理视图，深度学习常归纳出一类隐空间表象和残差近似图，具有自下而上层级组织和自动抽象特点。

该路径内似乎还未探讨出一种泛抽象