1.符号主义
符号主义（Symbolism）是一种基于逻辑推理的智能模拟方法，又称为逻辑主义(Logicism)、心理学派(Psychlogism)或计算机学派(Computerism)，其原理主要为物理符号系统（即符号操作系统）假设和有限合理性原理，长期以来，一直在人工智能中处于主导地位，其代表人物是纽威尔、肖、西蒙和尼尔森。
早期的人工智能研究者绝大多数属于此类。符号主义的实现基础是纽威尔和西蒙提出的物理符号系统假设。该学派认为：人类认知和思维的基本单元是符号，而认知过程就是在符号表示上的一种运算。它认为人是一个物理符号系统,计算机也是一个物理符号系统,因此,我们就能够用计算机来模拟人的智能行为,即用计算机的符号操作来模拟人的认知过程。这种方法的实质就是模拟人的左脑抽象逻辑思维，通过研究人类认知系统的功能机理，用某种符号来描述人类的认知过程，并把这种符号输入到能处理符号的计算机中，就可以模拟人类的认知过程，从而实现人工智能。可以把符号主义的思想简单的归结为“认知即计算”。
2.连接主义
基本简介：
第二派是联结主义，又称为仿生学派，其原理主要为神经网络及神经网络间的连接机制与学习算法。简言之，他们相信模仿人类大脑的构成，可以制造一个相同的大脑。
认为人工智能源于仿生学，特别是对人脑模型的研究。它的代表性成果是1943年由生理学家麦卡洛克(McCulloch)和数理逻辑学家皮茨(Pitts)创立的脑模型，即MP模型，开创了用电子装置模仿人脑结构和功能的新途径。它从神经元开始进而研究神经网络模型和脑模型，开辟了人工智能的又一发展道路。20世纪60~70年代，连接主义，尤其是对以感知机(perceptron)为代表的脑模型的研究出现过热潮，由于受到当时的理论模型、生物原型和技术条件的限制，脑模型研究在20世纪70年代后期至80年代初期落入低潮。直到Hopfield教授在1982年和1984年发表两篇重要论文，提出用硬件模拟神经网络以后，连接主义才又重新抬头。1986年，鲁梅尔哈特(Rumelhart)等人提出多层网络中的反向传播算法(BP)算法。此后，连接主义势头大振，从模型到算法，从理论分析到工程实现，伟神经网络计算机走向市场打下基础。现在，对人工神经网络(ANN)的研究热情仍然较高，但研究成果没有像预想的那样好。
[if !supportLists]1、[endif]行为主义
基本简介：
第三种是行为主义，又称进化主义或控制论学派，其原理为控制论及感知-动作型控制系统。这一派认为智能不需要知识、表示和推理，通过在现实环境中交互，智能行为会逐步得到进化。
认为人工智能源于控制论。控制论思想早在20世纪40~50年代就成为时代思潮的重要部分，影响了早期的人工智能工作者。维纳(Wiener)和麦克洛克(McCulloch)等人提出的控制论和自组织系统以及钱学森等人提出的工程控制论和生物控制论，影响了许多领域。控制论把神经系统的工作原理与信息理论、控制理论、逻辑以及计算机联系起来。早期的研究工作重点是模拟人在控制过程中的智能行为和作用，如对自寻优、自适应、自镇定、自组织和自学习等控制论系统的研究，并进行“控制论动物”的研制。到20世纪60~70年代，上述这些控制论系统的研究取得一定进展，播下智能控制和智能机器人的种子，并在20世纪80年代诞生了智能控制和智能机器人系统。行为主义是20世纪末才以人工智能新学派的面孔出现的，引起许多人的兴趣。这一学派的代表作者首推布鲁克斯(Brooks)的六足行走机器人，它被看作是新一代的“控制论动物”，是一个基于感知-动作模式模拟昆虫行为的控制系统。
符号主义与连接主义的衔接：
能够通过对于人类语言与字符的挖掘与研究，让编程语言形成更互通更容易理解的图形符号。“图形”是除文字以外在阅读与辨识过程中最容易让人理解和达成共识的符号，类似于emoji的表情包，当你发出这种表情的时候。你是在发送一种情感语言符号，而这样不断的加深表达与叠加。
（当我明确的想要表达悲伤的时候或者更加复杂的情感，让另外一个人更明确的了解）
这样简单的“人类行为”实际上能够去通过观察与总结减少“符号主义”的数据复杂化与运算的过于机械化。随着编程思维在未来的越发普及，各种编程语言和算法在现在的接受范围里是比较吃力的。但这样全民普及的趋势无法避免，也许同时人工智能的人类行为实验，会把这样的距离去缩短化。但并不是说“是一种编程的低幼化”。
而是与人类自身语言更深层次的融合，而这样与连接主义所提出的“制造一个与人相同的大脑又是冲突的”因为制造一个人的大脑就现在而言是比设计与制作“弱AI”
更为遥远的工作，如果以这个为“人工智能”的实现目标，编程语言的研究会变为更为复杂，那为什么不让作为协作工具的“AI”更加易于与人沟通呢？
一个拥有逻辑的解释性语言，同时这个解释性语言是符合人自身的语言逻辑与表达方式的。然后在这一点上，你可以在python的语言上发现一些发光点。这样的可能性会让当下关于语言开发的工作更有效率和极简化。这并不是说对于当下语言的降级和低级化。这是希望再次重申的重要点。实际上，简化的突破口又可以与第三个主义形成对接关系。
但是需要否定的是：“不需要知识、表示和推理”的这个观点。
实际上高质量的交互行为是由大脑进行更为深刻的思考后才做出相应的行为与动作。比如这个例子：当两种不同社会身份、地域与文化程度的人在接受同一信息
“吃饭”接下来他们的反馈会十分多元化和多样化。甚至在不同的答案里，知识和表示和推理的思维直接影响其话题的探索深度和有趣程度。
如果就按纯粹的“舞蹈”去做举例，三年的芭蕾舞者和五年的芭蕾舞者相差绝对不止“经验行为”的叠加，如果只是按照单纯的交互去做这样的判断，那么从少年时期就能弹好钢琴的“天才型”人类的存在就与这样单纯的行为训练得进化有相互冲突得地方。由此判定人类得行为交互本来就是具有综合性与复杂性的，正因为其中包含的前期推理和判断的深浅程度才让同一行为让不同的人去执行的时候产出不同的结果。这也正是人类的复杂与奇妙之处。
因此三种主义的关系与其说相互冲突与排斥，倒不如说是一种互利互惠的“蛇环“
模式，通过这样的共生与综合执行，才在一次又一次的“行为训练“中获得升级。
在“大统一理论与量子力学“下运行的三种主义依然是可以相互融合，求同存异的。
实际上这样的“主义和解“或许是能让人工智能的研究更加”化繁为简“。甚至由此也可以去讨论到当下互联网所带给我们的环境，消费场景的细化，让每个人都越来越有机会去做更自由化，更社交化的工作。但这仅限于工作模式，并不代表基本的职员与上司的关系会有所改变，社会结构的变化是最艰难和缓慢的。也许关于结构，可能这就是
互联网难以触及之处？或许会对当下有一定的优化。这就要靠时间去证明了。
