Peter Norvig 撰写的标题为“乔姆斯基和统计学习的两种文化”。该文章讨论了基于规则（符号）和统计（数据驱动）的语言学习和人工智能方法之间的差异，并通过诺姆·乔姆斯基的作品及其对人工智能的影响对这些方法进行了对比。
乔姆斯基的规则基础方法（符号AI）
- 理论基础：诺姆·乔姆斯基（Noam Chomsky）的语言学理论，尤其是“普遍语法”的概念，认为语言可以通过一组固定的抽象规则（语法）来理解，这些规则决定了单词如何组合成有意义的句子。
- 应用于AI：早期的AI系统，特别是在自然语言处理（NLP）领域，试图通过这些规则和符号结构来建模语言。这些基于规则的系统是逻辑可解释的，但在处理自然语言的复杂性和细微差别时常常遇到困难。
统计学习（数据驱动的AI）
- 理论基础：与此相对，统计学习注重通过大量数据来提取模式和概率，通常在设置规则时减少人工干预。现代AI的机器学习算法通过数据学习来进行预测或决策，而不需要显式地编码所有规则。
- 应用于AI：近年来，统计方法在AI领域占据主导地位，尤其是在深度学习和大规模数据分析方面。这些模型擅长处理模糊性、从数据中进行泛化，并解决那些难以通过规则显式定义的问题（如语音识别、图像分类等）。
两种文化的对立
- 乔姆斯基的批评：乔姆斯基长期批评统计方法，认为它们缺乏真正的理解。他认为，统计方法往往只是在大量数据中学习相关性，而没有捕捉到语言背后的深层结构，这可能导致不可靠或肤浅的结果。
- 数据驱动AI的回应：支持统计方法的人则认为，乔姆斯基的方式过于僵化，难以应对真实世界的数据。他们强调，依靠数据学习能够让模型处理复杂、混乱和非结构化的问题，这些问题是通过规则来定义的困难的（例如，语音识别、图像分类等）。
诺维格的观点
诺维格承认这两种观点都有其道理，但最终支持统计方法在解决现实世界问题中的实际价值，特别是在如今的大数据时代。然而，他也认识到，像乔姆斯基的理论框架在指导我们理解语言和认知方面仍然至关重要。
AI的未来
诺维格最后强调，AI的未来可能不仅仅是选择其中一种方法，而是找到将符号推理和统计学习结合起来的方式。他认为，结合规则基础的推理与数据驱动的学习的混合方法，可能是实现真正智能AI的关键，这种AI不仅能够理解世界，还能从世界中学习。
关键要点总结：
- 乔姆斯基的符号AI（基于规则）和统计AI（数据驱动）之间的争论，实际上代表了我们如何理解智能的更深层次的分歧。
- 尽管乔姆斯基的理论对理解语言的基本结构有重要意义，但统计方法目前在解决现实应用问题方面更为成功。
- 未来的AI系统可能会受益于两种方法的结合，既能保持可解释性，又能充分利用数据驱动的强大能力。