一句话定义
符号主义（symbolism）认为智能来自对符号的显式操作和逻辑推理，知识要被人写下来；联结主义（connectionism）认为智能来自大量简单单元的连接，规律从数据里自己学出来。今天的大模型，站的是后一条路。
两条路各自怎么走
符号主义的经典配方是「知识库 + 推理机」。人把世界拆成事实和规则：苏格拉底是人，人都会死，于是推出苏格拉底会死。像一本写满条文的法律手册，加一个照章办事的办事员——只要条文写全了，结论就必然正确，而且能一步步说清理由。上世纪八九十年代红过的专家系统（expert system），走的就是这个路子：把老医生的诊断经验写成几千条 if-then 规则。
问题是，条文写不完。「猫长什么样」这种问题，你很难写成规则——有胡须、有尖耳朵、毛茸茸……那无毛猫算不算？把规则加到十万条，例外还是层出不穷。现实世界是开放的、模糊的，符号系统在封闭棋盘上很强，一出门就捉襟见肘。
联结主义换了思路：不写规则，给一个孩子看几万张猫的照片，让他自己总结。神经网络的每个「神经元」只做一件很笨的事——把输入加权求和、过一下非线性函数；但成千上万个这样的单元层层堆叠，靠调整连接权重（weight）去拟合数据，模糊的「猫感」就从统计里长出来了。大模型（LLM）是这条路的极端版本：拿海量文本做「预测下一个词」的训练，把语言规律压进参数里。
关键区别
| 维度 | 符号主义 | 联结主义 |
|---|---|---|
| 知识在哪 | 显式规则、图谱、代码 | 隐式分布在权重中 |
| 怎么获得 | 人工编码 + 逻辑推理 | 从数据中统计拟合 |
| 擅长 | 严格逻辑、可追溯、可审计 | 感知、语言、模糊模式 |
| 短板 | 覆盖不了开放世界 | 难解释、会编造 |
对从业者的意义
选路线看任务。要做计税、排班、风控规则校验这类要求确定性和可审计的事，规则引擎往往比模型更稳；要处理图像、语音、自然语言，神经网络几乎是唯一选项。
但真实工程很少二选一。检索增强（RAG）把外部知识喂给模型、工具调用把计算交给代码，本质都是「神经为主、符号为辅」——用规则给统计模型套上缰绳，既保留泛化能力，又把关键环节钉死。
对普通人的意义
理解这条分界，就能明白大模型为什么会一本正经地胡说：它在做概率补全，不是在查数据库。涉及金额、条款、政策、医疗这类关键信息，别只信模型的嘴，以官方页面和权威来源为准。