一句话概要：当规则走不通，思路分成两岔——明斯基放弃造全能大脑，改问一堆无心的小过程能否涌现出智能；另一岔则转向学习，从联结主义到强化学习再到大规模预训练，最后汇成今天的大模型智能体。
一、明斯基的三个问题
符号主义与早期聊天机器人共同暴露了一个问题：靠预设规则构建的、单一的、集中的推理引擎难以通向真正的智能。马文·明斯基在《心智社会》里干脆换了方向——「让我们变聪明的并不是什么神奇的戏法，根本就没有戏法，智能的力量来自极其丰富的多样性，而不是某个单一的、完美的原则」。他提出三个根本问题：理解是什么（单一能力，还是数十种心智过程协同的结果）；常识是什么（庞大规则库，还是分布式经验网络）；智能体该怎么构建（继续追求统一逻辑系统，还是承认智能本身是不完美的大杂烩）。
二、心智社会：无心、机构、涌现
在明斯基的框架里，智能体指极其简单的、专门化的、自身「无心」的心智过程，比如只负责识别线条或只负责抓握。它们组织成机构——一组协同工作以完成更复杂任务的智能体，机构之间通过去中心化的激活与抑制信号相互影响。
涌现是关键：复杂而有目的性的行为，不是由某个高级智能体预先规划的，而是从大量简单底层智能体的局部交互中自发产生。以搭建积木塔为例，搭塔机构只负责激活建造者，建造者只负责循环，加积木依次激活找积木、取积木、放到顶上，取积木再激活看形状、伸手、抓握——没有任何个体拥有全局规划，塔却搭起来了。
三、从心智社会到多智能体系统
这套理论为分布式人工智能与多智能体系统提供了概念基础，把研究焦点从「如何构建一个全能的单一智能体」转向「如何设计一个高效协作的智能体群体」。三点直接启发：去中心化控制（不存在中央控制器）、涌现式计算（蚁群算法、粒子群优化等）、智能体的社会性（通信语言、交互协议、协商策略、信任模型、组织结构）。
四、从符号到联结
联结主义在二十世纪八十年代重新兴起，是自下而上、模仿生物大脑神经网络的方法。核心三点：知识的分布式表示（知识以连接权重的形式存在，连接模式本身即是知识）；简单的处理单元（每个神经元只做加权输入与激活函数）；通过学习调整权重（系统接触大量样本，迭代调整权重使输出逼近目标）。智能体由此从被动执行规则的推理机，变成能通过经验自我优化的适应性系统。
五、强化学习：在试错里学会决策
联结主义解决感知（这张图里有什么），强化学习解决序贯决策（这种情况下我该做什么）。五要素：智能体、环境、状态、行动、奖励。闭环是观察状态 → 按策略选择行动 → 环境转移到新状态并给出即时奖励 → 智能体据此更新策略。关键在目标不是最大化即时奖励，而是最大化累积奖励（回报），因此需要「远见」，有时要牺牲眼前收益换取未来更大的收益，如围棋中的弃子。
六、预训练与涌现能力
强化学习缺乏先验知识，答案落在大规模预训练：先在互联网级通用语料上自监督学习（最常见目标是预测下一个词），再用少量标注数据微调适配下游任务。数万亿级文本预训练后，模型权重实际上构建了一个高度压缩的隐式世界模型，以全新方式解决了符号主义时代的知识获取瓶颈。规模跨过阈值后还涌现出未被直接训练的能力：上下文学习（给几个示例甚至零示例即可完成新任务）与思维链推理（先输出推理步骤再作答，显著提升逻辑、算术与常识推理准确率）。
七、三大思潮与当代融合
符号主义（符号操作与逻辑推理，催生积木世界项目、专家系统、深蓝）、联结主义（模拟神经网络，靠反向传播复苏并成为主流）、行为主义（与环境互动试错，现代化身为强化学习）。三大思潮在二十一世纪二十年代深度融合：大语言模型是联结主义的产物，却成为执行符号推理、工具调用与规划决策的核心大脑，形成神经与符号结合的现代智能体架构。
八、代价与边界
别指望一种范式解决所有问题：符号主义可解释但脆弱，联结主义感知强但推理链不可追溯，强化学习擅长序贯决策但样本效率低、奖励设计本身是坑。去中心化不是免费的：涌现意味着行为难以预测、问题难以归因。预训练解决的是知识获取瓶颈而非理解本身，「它知道很多」不等于「它想明白了」。规模带来涌现也带来成本，很多场景用个小得多的模型就够了。
| 时间 | 章节 |
|---|---|
| 00:00 | 开场 |
| 00:50 | 明斯基的三个问题 |
| 03:16 | 心智社会 无心智能体与涌现 |
| 05:28 | 从心智社会到多智能体系统 |
| 06:51 | 从符号到联结 |
| 09:03 | 强化学习 在试错里学会决策 |
| 11:17 | 预训练 涌现能力 与三大思潮 |
| 14:08 | 代价与边界 |
| 15:22 | 收尾 · 判断清单 |
总时长 17 分 18 秒。
Datawhale《Hello-Agents：从零开始构建智能体》第二章「智能体发展史」，第 2.3 节「马文·明斯基的心智社会」（2.3.1 对单一整体智能模型的反思、2.3.2 作为协作体的智能、2.3.3 对多智能体系统的理论启发），以及第 2.4 节「学习范式的演进与现代智能体」（2.4.1 从符号到联结、2.4.2 基于强化学习的智能体、2.4.3 基于大规模数据的预训练、2.4.5 智能体发展关键节点概览）。
更完整的图文内容请直接阅读原书，本页仅为音频配套要点。
本内容改编自 Datawhale《Hello-Agents：从零开始构建智能体》，采用 CC BY-NC-SA 4.0 授权，为二次演绎配音版。