在功能主义和结构主义发展的同时，出现了一种新的智能模式，这便是行为主义。20世纪90年代初期，Brooks等人提出了“无须知识表示和推理的智能系统”的“行为主义”方法，该方法在分析智能系统的输入（刺激模式）/输出（动作模式）关系的基础上，系统首先鉴别输入的模式，然后根据输入/输出之间的关系决定输出的动作方式，这便是行为主义，行为主义的代表是感知－动作系统［5，6］。下面我们将仔细地介绍这种主义。
人工神经网络的研究途径遭遇到“规模结构复杂和学习机制深奥”的困难，物理符号系统的研究方法又面临“知识瓶颈”和“逻辑瓶颈”的困扰。人们在向“智能”进军的道路上，真是难关重重。不过，既然人们深知智能是最复杂的研究对象之一，而人工智能的研究对人类社会的进步又具有极为重大的意义，因此，人们决不会轻易放弃自己的努力。
20世纪70年代以来，机器人的研究和应用在世界各地方兴未艾。但是，初期研制的机器人基本上是处理简单操作的机械式工业机器人。进入80年代以后，“智能机器人”的研究开始在国际学术界受到越来越多的重视。在专家系统和人工神经网络的研究双双遇困的情况下，智能机器人的研究为人们寻求新的出路燃起了希望。
为了绕开专家系统遭遇的“知识瓶颈”和人工神经网络面临的“结构复杂性”，MIT的Brooks教授领导的“智能机器人”研究队伍转向“黑箱方法”寻求解决出路。他们认为，在给定问题、约束和目标的前提下，智能机器人不必像专家系统那样通过获取知识和演绎推理来产生行动策略，它们可以直接模拟智能原型（人或生物）在同样情况下的“输入（刺激）输出（响应）行为”，也就是让智能机器人模拟智能原型“在面对什么样的情况（输入）下应当产生什么样的动作（输出）”。如果能够把这种“输入（刺激）输出（响应）行为关系”模拟成功了，就意味着在给定情况下机器人能够和智能原型一样解决问题。换言之，在给定的任务下，这样的机器人就具有与原型一样的智能。
用这种思路研究智能机器人系统的原理很直接:首先，明确“给定的任务”是什么，其次，把完成给定任务所需要的“输入（情景）与输出（行为）的关系”表达成为“若出现什么情景，则产生什么动作（If．．．Then．．．）”的规则形式，然后，把这些规则存入智能机器人的规则库。当智能机器人面对给定任务的时候，只要能够感知和识别当前面对的“情景模式”，它就自动产生与之对应的“动作”，从而可以按部就班地完成任务。所以，这种智能系统也被称为“感知—动作系统”。
按照这种思路，Brooks的研究团队研制成功了一种“爬行机器人”，它能够模拟“六脚虫”在高低不平的道路环境下行走，不会撞墙，不会跌倒。1990年，他们在国际学术会议上成功地演示了这个能行会走而不翻倒的智能机器人。同时，他们还在会议上发表了学术论文，介绍这种智能机器人的研究思路，宣传“无须知识的智能（Intelligence without Knowledge）”和“无须表示的智能（Intelligence without Representation）”，给人们留下了深刻的印象。“黑箱方法”成功地回避了人工神经网络和物理符号系统所遭遇到的困难，成为研究人工智能的新方法。
虽然这种“无须知识”也“无须表示”的感知—动作系统能够模拟比较简单的智能系统行为，但是也面临着新的挑战:对于复杂智能系统的行为模拟，这种方法也有效吗？
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
