​​人工智能领域存在符号主义、联结主义和行为主义三大学派，它们从不同角度探索智能的实现，各有特色与局限。​​

符号主义基于数理逻辑，认为智能源于逻辑与规则，人类认知可符号化运算。该学派重视知识表示与推理，其典型成果是专家系统，如IBM的Watson通过海量专业知识和规则解决复杂问题。但符号主义面临概念组合爆炸、知识获取困难等挑战，且计算机难以触及人类“潜智能”，如莫拉维克悖论所示，它在模拟人类基本感知动作时异常艰难。

联结主义源自仿生学，强调智能是神经网络连接的结果。它以人工神经网络为核心，通过反向传播算法优化网络权重，实现数据驱动的学习。从早期的感知机到如今深度学习，联结主义在图像识别和语音识别等领域成效显著。其仍无法完全复刻人脑的复杂结构与连接机制，模型存在不确定性问题，例如自动驾驶中传感器因天气或环境导致数据失准。

行为主义主张智能源于行为与反馈，智能体通过感知环境动态调整自身行为。麻省理工学院的六足机器虫即其经典案例，这类系统无需内部推理或知识库，仅需对外界刺激做出响应。它的核心机制是“感知—动作”循环，但面临“完美伪装者”等思想实验质疑，且复杂协调动作仍具挑战性。

三大学派并非孤立发展。符号主义提供严谨的知识框架，联结主义强化模型学习能力，行为主义推动具身智能落地。它们正逐步融合为综合解决方案，例如现代自动驾驶系统结合规则推理、神经网络感知与实时控制策略。随着技术演进，三者协同有望推动通用人工智能走向现实。