計算機怎樣突破AI的算力瓶頸

1. 計算機真能媲美大腦嗎如何利用AI 技術幫人類更好地思考

目前計算機並不能夠媲美大腦， AI技術可以通過聯想互動方式，幫助人類更好地進行思考。計算機的發展還有很長一段路途需要前進，對於計算機發展方向也是很多人需要考慮的問題，並沒有那麼簡單。

AI有這樣一種功能，它叫聯想互動，從孩童開始人工智慧就可以進行對事物的聯想，更快的幫助人進行某一方面的記憶。在這樣的聯想條件下，它可以逐步的衍生成更加深奧的東西，這些東西可以一點一點的幫助人類去更好地對事物的探究與思考。我們人類思考的本質是對於事物探究的過程，而AI技術可以利用這一點擴展到一條線，逐漸變成一個面，增加人類大腦對於思考靈活性地變動。

2. 現在人工智慧發展到什麼程度了

人工智慧發展過去、現在和未來的總覽。一起了解谷歌技術總監、人工智慧專家Kurzweil、機器學習專家Jeremy Howard和Wait But Why博客Tim Urban等人的觀點，我們在人工智慧的發展路線圖中處於什麼階段？什麼時候會出現像人類一樣厲害的人工智慧，還有超過人類智能總和的超人工智慧？

我們所說的人工智慧（AI），是一個廣義定義。雖然眾說紛紜，大部分專家認為，人工智慧發展有三個水準：

超人工智慧（ASI）

第三類智能水準：超過所有人類智能總和的AI——用Tim Urban的話說，「從比人聰明一點點……到聰明一千萬倍。」

那我們現在在哪個階段呢？我們現在達到了第一個水準——弱人工智慧——在很多方面，它已經進入了我們的生活中：

l 汽車里到處都是ANI，從可以在緊急情況下剎車的電腦，到可以調配汽車加油參數的系統。

l 谷歌搜索是一個很大的ANI，有很多非常復雜的方法將網頁排序，知道給你顯示什麼。同樣的，Facebook Newsfeed也是

l 電子郵件垃圾郵箱過濾器，知道什麼是垃圾郵件、什麼不是，並且學會按照你的偏好來過濾郵件。

l 你的電話就是一個小型ANI工廠……你用地圖APP導航，收到定製化的音樂推薦，和Siri聊天等等。

例子不勝枚舉。弱人工智慧系統不怎麼驚悚。失控的ANI會帶來危害，但通常是獨立事件。雖然ANI不會造成人類的生存性恐慌，相對人畜無害ANI應被視為一個先兆。每一次弱人工智慧的創新進步，都在往強人工智慧和超人工智慧更近一步

3. 我國科學家如何突破超級計算機技術瓶頸

我所有的計算能力，對技術瓶頸是非常好的，但一定要自己願意做自己的人。

4. 現在的人工智慧技術還需要如何突破

隨著互聯網技術的發展和數據的積累，一場全新的人工智慧革命悄然開始。計算機控制的人工智慧產品和網路化智能機器正在逐步取代工業社會中大型機器的生產，精準無誤的數據可以大大減少生產失誤概率，大數據信息在未來發展中將會是全球社會經濟的重要資源。

傳統的舊時代將逐漸在我們的生活中遠去，新的智能革命才剛拉開帷幕 ，我們共同期待人工智慧可以提高我們的生活質量，讓我們的生活充滿樂趣。

5. 人工智慧開發的瓶頸是什麼

新年剛過，各大獵頭公司就在拚命的尋找人工智慧方面的人才，可以看得出，2018年人工智慧會更加的火爆。

不過人工智慧火爆歸火爆，但通往人工智慧之路並不平坦。

當前我們處於弱人工智慧時代，仍然有大量的技術問題亟待突破，更別提下一個階段的發展了。

當然，有人說，一切待量子計算機出現後，將迎刃而解，不過，量子計算機何時才能出現呢？

6. 電腦學習的瓶頸是什麼，怎麼突破

我就是學計算機專業的，沒什麼好多說的，看出來樓主決心很大也很有熱情，現在關鍵就是要堅持下來，書本與實踐相結合，祝樓主早日成為電腦高手。

7. 計算機的發展瓶頸是什麼

硬體上，基於硅為原材料的大規模集成電路製造技術正在走到盡頭。工藝和製程已經難以繼續支撐集成電路性能的進一步提升。
軟體上，現有的大規模人工協同開發大型軟體的模式正在受到人力資源限制和大批量開發需求的雙重挑戰。

8. 人工智慧的發展,主要經歷哪幾個階段

1 孕育階段
這個階段主要是指1956年以前。自古以來，人們就一直試圖用各種機器來代替人的部分腦力勞動，以提高人們征服自然的能力，其中對人工智慧的產生、發展有重大影響的主要研究成果包括：
早在公元前384-公元前322年，偉大的哲學家亞里士多德(Aristotle)就在他的名著《工具論》中提出了形式邏輯的一些主要定律，他提出的三段論至今仍是演繹推理的基本依據。
英國哲學家培根(F. Bacon)曾系統地提出了歸納法，還提出了「知識就是力量」的警句。這對於研究人類的思維過程，以及自20世紀70年代人工智慧轉向以知識為中心的研究都產生了重要影響。
德國數學家和哲學家萊布尼茨(G. W. Leibniz)提出了萬能符號和推理計算的思想，他認為可以建立一種通用的符號語言以及在此符號語言上進行推理的演算。這一思想不僅為數理邏輯的產生和發展奠定了基礎，而且是現代機器思維設計思想的萌芽。
英國邏輯學家布爾(C. Boole)致力於使思維規律形式化和實現機械化，並創立了布爾代數。他在《思維法則》一書中首次用符號語言描述了思維活動的基本推理法則。
英國數學家圖靈(A. M. Turing)在1936年提出了一種理想計算機的數學模型，即圖靈機，為後來電子數字計算機的問世奠定了理論基礎。
美國神經生理學家麥克洛奇(W. McCulloch)與匹茲(W. Pitts)在1943年建成了第一個神經網路模型(M-P模型)，開創了微觀人工智慧的研究領域，為後來人工神經網路的研究奠定了基礎。
美國愛荷華州立大學的阿塔納索夫(Atanasoff)教授和他的研究生貝瑞(Berry)在1937年至1941年間開發的世界上第一台電子計算機「阿塔納索夫-貝瑞計算機(Atanasoff-Berry Computer，ABC)」為人工智慧的研究奠定了物質基礎。需要說明的是：世界上第一台計算機不是許多書上所說的由美國的莫克利和埃柯特在1946年發明。這是美國歷史上一樁著名的公案。
由上面的發展過程可以看出，人工智慧的產生和發展絕不是偶然的，它是科學技術發展的必然產物。
2 形成階段
這個階段主要是指1956-1969年。1956年夏季，由當時達特茅斯大學的年輕數學助教、現任斯坦福大學教授麥卡錫(J. MeCarthy)聯合哈佛大學年輕數學和神經學家、麻省理工學院教授明斯基(M. L. Minsky)，IBM公司信息研究中心負責人洛切斯特(N. Rochester)，貝爾實驗室信息部數學研究員香農(C. E. Shannon)共同發起，邀請普林斯頓大學的莫爾(T.Moore)和IBM公司的塞繆爾(A. L. Samuel)、麻省理工學院的塞爾夫里奇(O. Selfridge)和索羅莫夫(R. Solomonff)以及蘭德(RAND)公司和卡內基梅隆大學的紐厄爾(A. Newell)、西蒙(H. A. Simon)等在美國達特茅斯大學召開了一次為時兩個月的學術研討會，討論關於機器智能的問題。會上經麥卡錫提議正式採用了「人工智慧」這一術語。麥卡錫因而被稱為人工智慧之父。這是一次具有歷史意義的重要會議，它標志著人工智慧作為一門新興學科正式誕生了。此後，美國形成了多個人工智慧研究組織，如紐厄爾和西蒙的Carnegie-RAND協作組，明斯基和麥卡錫的MIT研究組，塞繆爾的IBM工程研究組等。
自這次會議之後的10多年間，人工智慧的研究在機器學習、定理證明、模式識別、問題求解、專家系統及人工智慧語言等方面都取得了許多引人注目的成就，例如：
在機器學習方面，1957年Rosenblatt研製成功了感知機。這是一種將神經元用於識別的系統，它的學習功能引起了廣泛的興趣，推動了連接機制的研究，但人們很快發現了感知機的局限性。
在定理證明方面，美籍華人數理邏輯學家王浩於1958年在IBM-704機器上用3~5min證明了《數學原理》中有關命題演算的全部定理(220條)，並且還證明了謂詞演算中150條定理的85%，1965年魯賓遜(J. A. Robinson)提出了歸結原理，為定理的機器證明作出了突破性的貢獻。
在模式識別方面，1959年塞爾夫里奇推出了一個模式識別程序，1965年羅伯特(Roberts)編制出了可分辨積木構造的程序。
在問題求解方面，1960年紐厄爾等人通過心理學試驗總結出了人們求解問題的思維規律，編制了通用問題求解程序(General Problem Solver，GPS)，可以用來求解11種不同類型的問題。
在專家系統方面，美國斯坦福大學的費根鮑姆(E. A. Feigenbaum)領導的研究小組自1965年開始專家系統DENDRAL的研究，1968年完成並投入使用。該專家系統能根據質譜儀的實驗，通過分析推理決定化合物的分子結構，其分析能力已接近甚至超過有關化學專家的水平，在美、英等國得到了實際的應用。該專家系統的研製成功不僅為人們提供了一個實用的專家系統，而且對知識表示、存儲、獲取、推理及利用等技術是一次非常有益的探索，為以後專家系統的建造樹立了榜樣，對人工智慧的發展產生了深刻的影響，其意義遠遠超過了系統本身在實用上所創造的價值。
在人工智慧語言方面，1960年麥卡錫研製出了人工智慧語言(List Processing，LISP)，成為建造專家系統的重要工具。
1969年成立的國際人工智慧聯合會議(International Joint Conferences On Artificial Intelligence，IJCAI)是人工智慧發展史上一個重要的里程碑，它標志著人工智慧這門新興學科已經得到了世界的肯定和認可。1970年創刊的國際性人工智慧雜志《Artificial Intelligence》對推動人工智慧的發展，促進研究者們的交流起到了重要的作用。

3 發展階段
這個階段主要是指1970年以後。進入20世紀70年代，許多國家都開展了人工智慧的研究，涌現了大量的研究成果。例如，1972年法國馬賽大學的科麥瑞爾(A. Comerauer)提出並實現了邏輯程序設計語言PROLOG；斯坦福大學的肖特利夫(E. H. Shorliffe)等人從1972年開始研製用於診斷和治療感染性疾病的專家系統MYCIN。
但是，和其他新興學科的發展一樣，人工智慧的發展道路也不是平坦的。例如，機器翻譯的研究沒有像人們最初想像的那麼容易。當時人們總以為只要一部雙向詞典及一些詞法知識就可以實現兩種語言文字間的互譯。後來發現機器翻譯遠非這么簡單。實際上，由機器翻譯出來的文字有時會出現十分荒謬的錯誤。例如，當把「眼不見，心不煩」的英語句子「Out of sight，out of mind」。翻譯成俄語變成「又瞎又瘋」；當把「心有餘而力不足」的英語句子「The spirit is willing but the flesh is weak」翻譯成俄語，然後再翻譯回來時竟變成了「The wine is good but the meat is spoiled」，即「酒是好的，但肉變質了」；當把「光陰似箭」的英語句子「Time flies like an arrow」翻譯成日語，然後再翻譯回來的時候，竟變成了「蒼蠅喜歡箭」。由於機器翻譯出現的這些問題，1960年美國政府顧問委員會的一份報告裁定：「還不存在通用的科學文本機器翻譯，也沒有很近的實現前景。」因此，英國、美國當時中斷了對大部分機器翻譯項目的資助。在其他方面，如問題求解、神經網路、機器學習等，也都遇到了困難，使人工智慧的研究一時陷入了困境。
人工智慧研究的先驅者們認真反思，總結前一段研究的經驗和教訓。1977年費根鮑姆在第五屆國際人工智慧聯合會議上提出了「知識工程」的概念，對以知識為基礎的智能系統的研究與建造起到了重要的作用。大多數人接受了費根鮑姆關於以知識為中心展開人工智慧研究的觀點。從此，人工智慧的研究又迎來了蓬勃發展的以知識為中心的新時期。
這個時期中，專家系統的研究在多種領域中取得了重大突破，各種不同功能、不同類型的專家系統如雨後春筍般地建立起來，產生了巨大的經濟效益及社會效益。例如，地礦勘探專家系統PROSPECTOR擁有15種礦藏知識，能根據岩石標本及地質勘探數據對礦藏資源進行估計和預測，能對礦床分布、儲藏量、品位及開采價值進行推斷，制定合理的開采方案。應用該系統成功地找到了超億美元的鉬礦。專家系統MYCIN能識別51種病菌，正確地處理23種抗菌素，可協助醫生診斷、治療細菌感染性血液病，為患者提供最佳處方。該系統成功地處理了數百個病例，並通過了嚴格的測試，顯示出了較高的醫療水平。美國DEC公司的專家系統XCON能根據用戶要求確定計算機的配置。由專家做這項工作一般需要3小時，而該系統只需要0.5分鍾，速度提高了360倍。DEC公司還建立了另外一些專家系統，由此產生的凈收益每年超過4000萬美元。信用卡認證輔助決策專家系統American Express能夠防止不應有的損失，據說每年可節省2700萬美元左右。
專家系統的成功，使人們越來越清楚地認識到知識是智能的基礎，對人工智慧的研究必須以知識為中心來進行。對知識的表示、利用及獲取等的研究取得了較大的進展，特別是對不確定性知識的表示與推理取得了突破，建立了主觀Bayes理論、確定性理論、證據理論等，對人工智慧中模式識別、自然語言理解等領域的發展提供了支持，解決了許多理論及技術上的問題。
人工智慧在博弈中的成功應用也舉世矚目。人們對博弈的研究一直抱有極大的興趣，早在1956年人工智慧剛剛作為一門學科問世時，塞繆爾就研製出了跳棋程序。這個程序能從棋譜中學習，也能從下棋實踐中提高棋藝。1959年它擊敗了塞繆爾本人，1962年又擊敗了一個州的冠軍。1991年8月在悉尼舉行的第12屆國際人工智慧聯合會議上，IBM公司研製的「深思」(Deep Thought)計算機系統就與澳大利亞象棋冠軍約翰森(D. Johansen)舉行了一場人機對抗賽，結果以1:1平局告終。1957年西蒙曾預測10年內計算機可以擊敗人類的世界冠軍。雖然在10年內沒有實現，但40年後深藍計算機擊敗國際象棋棋王卡斯帕羅夫(Kasparov)，僅僅比預測遲了30年。
1996年2月10日至17日，為了紀念世界上第一台電子計算機誕生50周年，美國IBM公司出巨資邀請國際象棋棋王卡斯帕羅夫與IBM公司的深藍計算機系統進行了六局的「人機大戰」。這場比賽被人們稱為「人腦與電腦的世界決戰」。參賽的雙方分別代表了人腦和電腦的世界最高水平。當時的深藍是一台運算速度達每秒1億次的超級計算機。第一盤，深藍就給卡斯帕羅夫一個下馬威，贏了這位世界冠軍，給世界棋壇以極大的震動。但卡斯帕羅夫總結經驗，穩扎穩打，在剩下的五盤中贏三盤，平兩盤，最後以總比分4:2獲勝。一年後，即1997年5月3日至11日，深藍再次挑戰卡斯帕羅夫。這時，深藍是一台擁有32個處理器和強大並行計算能力的RS/6000SP/2的超級計算機，運算速度達每秒2億次。計算機里存儲了百餘年來世界頂尖棋手的棋局，5月3日棋王卡斯帕羅夫首戰擊敗深藍，5月4日深藍扳回一盤，之後雙方戰平三局。雙方的決勝局於5月11日拉開了帷幕，卡斯帕羅夫在這盤比賽中僅僅走了19步便放棄了抵抗，比賽用時只有1小時多一點。這樣，深藍最終以3.5：2.5的總比分贏得這場舉世矚目的「人機大戰」的勝利。深藍的勝利表明了人工智慧所達到的成就。盡管它的棋路還遠非真正地對人類思維方式的模擬，但它已經向世人說明，電腦能夠以人類遠遠不能企及的速度和准確性，實現屬於人類思維的大量任務。深藍精湛的殘局戰略使觀戰的國際象棋專家們大為驚訝。卡斯帕羅夫也表示：「這場比賽中有許多新的發現，其中之一就是計算機有時也可以走出人性化的棋步。在一定程度上，我不能不贊揚這台機器，因為它對盤勢因素有著深刻的理解，我認為這是一項傑出的科學成就。」因為這場勝利，IBM的股票升值為180億美元。
4 人工智慧的學派
根據前面的論述，我們知道要理解人工智慧就要研究如何在一般的意義上定義知識，可惜的是，准確定義知識也是個十分復雜的事情。嚴格來說，人們最早使用的知識定義是柏拉圖在《泰阿泰德篇》中給出的，即「被證實的、真的和被相信的陳述」(Justified true belief，簡稱JTB條件)。
然而，這個延續了兩千多年的定義在1963年被哲學家蓋梯爾否定了。蓋梯爾提出了一個著名的悖論(簡稱「蓋梯爾悖論」)。該悖論說明柏拉圖給出的知識定文存在嚴重缺陷。雖然後來人們給出了很多知識的替代定義，但直到現在仍然沒有定論。
但關於知識，至少有一點是明確的，那就是知識的基本單位是概念。精通掌握任何一門知識，必須從這門知識的基本概念開始學習。而知識自身也是一個概念。因此，如何定義一個概念，對於人工智慧具有非常重要的意義。給出一個定義看似簡單，實際上是非常難的，因為經常會涉及自指的性質(自指：詞性的轉化——由謂詞性轉化為體詞性，語義則保持不變)。一旦涉及自指，就會出現非常多的問題，很多的語義悖論都出於概念自指。
自指與轉指這一對概念最早出自朱德熙先生的《自指與轉指》(《方言》1983年第一期，《朱德熙文集》第三卷)。陸儉明先生在《八十年代中國語法研究》中(第98頁)說：「自指和轉指的區別在於，自指單純是詞性的轉化－由謂詞性轉化為體詞性，語義則保持不變；轉指則不僅詞性轉化，語義也發生變化，尤指行為動作或性質本身轉化為指與行為動作或性質相關的事物。」
舉例：
①教書的來了(「教書的」是轉指，轉指教書的「人」)；教書的時候要認真(「教書的」語義沒變，是自指)。
②Unplug一詞的原意為「不使用(電源)插座」，是自指；常用來轉指為不使用電子樂器的唱歌。
③colored在表示having colour(著色)時是自指。colored在表示有色人種時，就是轉指。
④rich，富有的，是自指。the rich，富人，是轉指。
知識本身也是一個概念。據此，人工智慧的問題就變成了如下三個問題：一、如何定義(或者表示)一個概念、如何學習一個概念、如何應用一個概念。因此對概念進行深人研究就非常必要了。
那麼，如何定義一個概念呢？簡單起見，這里先討論最為簡單的經典概念。經典概念的定義由三部分組成：第一部分是概念的符號表示，即概念的名稱，說明這個概念叫什麼，簡稱概念名；第二部分是概念的內涵表示，由命題來表示，命題就是能判斷真假的陳述句。第三部分是概念的外延表示，由經典集合來表示，用來說明與概念對應的實際對象是哪些。
舉一個常見經典概念的例子——素數(prime number)，其內涵表示是一個命題，即只能夠被1和自身整除的自然數。
概念有什麼作用呢？或者說概念定義的各個組成部分有什麼作用呢？經典概念定義的三部分各有作用，且彼此不能互相代替。具體來說，概念有三個作用或功能，要掌握一個概念，必須清楚其三個功能。
第一個功能是概念的指物功能，即指向客觀世界的對象，表示客觀世界的對象的可觀測性。對象的可觀測性是指對象對於人或者儀器的知覺感知特性，不依賴於人的主觀感受。舉一個《阿Q正傳》里的例子：那趙家的狗，何以看我兩眼呢？句子中「趙家的狗」應該是指現實世界當中的一條真正的狗。但概念的指物功能有時不一定能夠實現，有些概念其設想存在的對象在現實世界並不存在，例如「鬼」。
第二個功能是指心功能，即指向人心智世界裡的對象，代表心智世界裡的對象表示。魯迅有一篇著名的文章《論喪家的資本家的乏走狗》，顯然，這個「狗」不是現實世界的狗，只是他心智世界中的狗，即心裡的狗(在客觀世界，梁實秋先生顯然無論如何不是狗)。概念的指心功能一定存在。如果對於某一個人，一個概念的指心功能沒有實現，則該詞對於該人不可見，簡單地說，該人不理解該概念。
最後一個功能是指名功能，即指向認知世界或者符號世界表示對象的符號名稱，這些符號名稱組成各種語言。最著名的例子是喬姆斯基的「colorless green ideas sleep furiously」，這句話翻譯過來是「無色的綠色思想在狂怒地休息」。這句話沒有什麼意思，但是完全符合語法，純粹是在語義符號世界裡，即僅僅指向符號世界而已。當然也有另外，「鴛鴦兩字怎生書」指的就是「鴛鴦」這兩個字組成的名字。一般情形下，概念的指名功能依賴於不同的語言系統或者符號系統，由人類所創造，屬於認知世界。同一個概念在不同的符號系統里，概念名不一定相同，如漢語稱「雨」，英語稱「rain」。
根據波普爾的三個世界理論，認知世界、物理世界與心理世界雖然相關，但各不相同。因此，一個概念的三個功能雖然彼此相關，也各不相同。更重要的是，人類文明發展至今，這三個功能不斷發展，彼此都越來越復雜，但概念的三個功能並沒有改變。
在現實生活中，如果你要了解一個概念，就需要知道這個概念的三個功能：要知道概念的名字，也要知道概念所指的對象(可能是物理世界)。更要在自己的心智世界裡具有該概念的形象(或者圖像)。如果只有一個，那是不行的。
知道了概念的三個功能之後，就可以理解人工智慧的三個學派以及各學派之間的關系。

人工智慧也是一個概念，而要使一個概念成為現實，自然要實現概念的三個功能。人工智慧的三個學派關注於如何才能讓機器具有人工智慧，並根據概念的不同功能給出了不同的研究路線。專注於實現AI指名功能的人工智慧學派成為符號主義，專注於實現AI指心功能的人工智慧學派稱為連接主義，專注於實現AI指物功能的人工智慧學派成為行為主義。
1. 符號主義
符號主義的代表人物是Simon與Newell，他們提出了物理符號系統假設，即只要在符號計算上實現了相應的功能，那麼在現實世界就實現了對應的功能，這是智能的充分必要條件。因此，符號主義認為，只要在機器上是正確的，現實世界就是正確的。說得更通俗一點，指名對了，指物自然正確。
在哲學上，關於物理符號系統假設也有一個著名的思想實驗——本章1.1.3節中提到的圖靈測試。圖靈測試要解決的問題就是如何判斷一台機器是否具有智能。
圖靈測試將智能的表現完全限定在指名功能里。但馬少平教授的故事已經說明，只在指名功能里實現了概念的功能，並不能說明一定實現了概念的指物功能。實際上，根據指名與指物的不同，哲學家約翰·塞爾勒專門設計了一個思想實驗用來批判圖靈測試，這就是著名的中文屋實驗。
中文屋實驗明確說明，即使符號主義成功了，這全是符號的計算跟現實世界也不一定搭界，即完全實現指名功能也不見得具有智能。這是哲學上對符號主義的一個正式批評，明確指出了按照符號主義實現的人工智慧不等同於人的智能。
雖然如此，符號主義在人工智慧研究中依然扮演了重要角色，其早期工作的主要成就體現在機器證明和知識表示上。在機器證明方面，早期Simon與Newell做出了重要的貢獻，王浩、吳文俊等華人也得出了很重要的結果。機器證明以後，符號主義最重要的成就是專家系統和知識工程，最著名的學者就是Feigenbaum。如果認為沿著這條路就可以實現全部智能，顯然存在問題。日本第五代智能機就是沿著知識工程這條路走的，其後來的失敗在現在看來是完全合乎邏輯的。
實現符號主義面臨的觀實挑成主要有三個。第一個是概念的組合爆炸問題。每個人掌握的基本概念大約有5萬個，其形成的組合概念卻是無窮的。因為常識難以窮盡，推理步驟可以無窮。第二個是命題的組合悖論問題。兩個都是合理的命題，合起來就變成了沒法判斷真假的句子了，比如著名的柯里悖論(Curry』s Paradox)(1942)。第三個也是最難的問題，即經典概念在實際生活當中是很難得到的，知識也難以提取。上述三個問題成了符號主義發展的瓶頸。
2. 連接主義
連接主義認為大腦是一切智能的基礎，主要關注於大腦神經元及其連接機制，試圖發現大腦的結構及其處理信息的機制、揭示人類智能的本質機理，進而在機器上實現相應的模擬。前面已經指出知識是智能的基礎，而概念是知識的基本單元，因此連接主義實際上主要關注於概念的心智表示以及如何在計算機上實現其心智表示，這對應著概念的指心功能。2016年發表在Nature上的一篇學術論文揭示了大腦語義地圖的存在性，文章指出概念都可以在每個腦區找到對應的表示區，確確實實概念的心智表示是存在的。因此，連接主義也有其堅實的物理基礎。
連接主義學派的早期代表人物有麥克洛克、皮茨、霍普菲爾德等。按照這條路，連接主義認為可以實現完全的人工智慧。對此，哲學家普特南設計了著名的「缸中之腦實驗」，可以看作是對連接主義的一個哲學批判。
缸中之腦實驗描述如下：一個人(可以假設是你自己)被邪惡科學家進行了手術，腦被切下來並放在存有營養液的缸中。腦的神經末梢被連接在計算機上，同時計算機按照程序向腦傳遞信息。對於這個人來說，人、物體、天空都存在，神經感覺等都可以輸入，這個大腦還可以被輸入、截取記憶，比如截取掉大腦手術的記憶，然後輸入他可能經歷的各種環境、日常生活，甚至可以被輸入代碼，「感覺」到自己正在閱讀這一段有趣而荒唐的文字。
缸中之腦實驗說明即使連接主義實現了，指心沒有問題，但指物依然存在嚴重問題。因此，連接主義實現的人工智慧也不等同於人的智能。
盡管如此，連接主義仍是目前最為大眾所知的一條AI實現路線。在圍棋上，採用了深度學習技術的AlphaGo戰勝了李世石，之後又戰勝了柯潔。在機器翻譯上，深度學習技術已經超過了人的翻譯水平。在語音識別和圖像識別上，深度學習也已經達到了實用水準。客觀地說，深度學習的研究成就已經取得了工業級的進展。
但是，這並不意味著連接主義就可以實現人的智能。更重要的是，即使要實現完全的連接主義，也面臨極大的挑戰。到現在為止，人們並不清楚人腦表示概念的機制，也不清楚人腦中概念的具體表示形式表示方式和組合方式等。現在的神經網路與深度學習實際上與人腦的真正機制距離尚遠。
3. 行為主義
行為主義假設智能取決於感知和行動，不需要知識、表示和推理，只需要將智能行為表現出來就好，即只要能實現指物功能就可以認為具有智能了。這一學派的早期代表作是Brooks的六足爬行機器人。
對此，哲學家普特南也設計了一個思想實驗，可以看作是對行為主義的哲學批判，這就是「完美偽裝者和斯巴達人」。完美偽裝者可以根據外在的需求進行完美的表演，需要哭的時候可以哭得讓人撕心裂肺，需要笑的時候可以笑得讓人興高采烈，但是其內心可能始終冷靜如常。斯巴達人則相反，無論其內心是激動萬分還是心冷似鐵，其外在總是一副泰山崩於前而色不變的表情。完美偽裝者和斯巴達人的外在表現都與內心沒有聯系，這樣的智能如何從外在行為進行測試？因此，行為主義路線實現的人工智慧也不等同於人的智能。
對於行為主義路線，其面臨的最大實現困難可以用莫拉維克悖論來說明。所謂莫拉維克悖論，是指對計算機來說困難的問題是簡單的、簡單的問題是困難的，最難以復制的反而是人類技能中那些無意識的技能。目前，模擬人類的行動技能面臨很大挑戰。比如，在網上看到波士頓動力公司人形機器人可以做高難度的後空翻動作，大狗機器人可以在任何地形負重前行，其行動能力似乎非常強。但是這些機器人都有一個大的缺點一能耗過高、噪音過大。大狗機器人原是美國軍方訂購的產品，但因為大狗機器人開動時的聲音在十里之外都能聽到，大大提高了其成為一個活靶子的可能性，使其在戰場上幾乎沒有實用價值，美國軍方最終放棄了采購。