长期以来，深度学习和符号主义被认为是两种水火不容的AI路线。深度学习强调从数据中自学习特征表达，以神经网络为载体，在感知任务上表现卓越。符号主义则依靠逻辑规则和知识表示，强调可解释性和推理能力。两者在哲学假设、技术实现、应用场景上似乎截然对立：一种是从经验归纳黑箱，一种是从原理演绎白箱。然而，这种二元分类法掩盖了一个更深层的、连续变化的结构——表征抽象程度。如果我们抛开门派偏见，就会发现深度学习与符号主义并不是非黑即白的竞争关系，而是表征空间中的两个极端。本文提出一个全新的“表征连续统”视角，试图消解这场长达五十年的争议。
深度学习本质上是分布表征，通过多层非线性变换，将原始输入映射为高维向量空间中的点。符号主义则是局部表征，用离散的、具有明确语义的符号来指代外部对象。但这两者实则是一个连续光谱的两端：任何符号都可以用一个独热向量表示，而任何连续向量都可以通过聚类或量化分解为离散符号。例如，词嵌入就处于两者之间，它既保留了符号的离散边界，又表达了语义的连续相似性。因此，传统对立实际上是一种表征粒度的差异，而非本质矛盾。这种认识要求我们重新审视各自领域的核心主张：深度学习的“不需要特征工程”其实只是把特征提取内化到网络参数中，而符号主义的“显式规则”则是对分布模式的高阶压缩。
很多研究试图将神经网络与符号模块“融合”，如神经符号编程、知识增强学习，但通常只是外层挂接，没有在表征学习层面打通。真正合理的做法是构建一个连续的表征空间，其中由粗到细自动形成不同抽象等级的符号化结构。想象一个自组织系统：底层是连续向量，中间层通过注意力机制提炼关键的组合回路，顶层涌现出类符号的离散概念。这样的架构既能保持深度学习对噪声和不确定性的鲁棒性，又能为高层决策提供可解释的组成要件。这不是简单组合，而是将符号视为连续表征流形的拓扑简并——多个神经激活模式收敛到同一语义不动点，从而形成稳定的符号标识。这一观点超越了“加法式融合”，强调符号是学习过程自身的涌现产物。
大语言模型已经显露出这种倾向。Transformer中的上下文嵌入是连续向量，但通过对比学习和指令微调，模型内部逐渐形成清晰的实体边界和逻辑关系，甚至某些神经元与符号对应。这说明符号性和连续性彼此依存。因此，研究者不必纠结于谁更优越，而应设计新的损失函数和网络结构，使表征的抽象层级可自适应调节。例如，通过动态路由或可微分记忆，让网络自行决定何时需要细粒度连续表征，何时激活动离散逻辑。这种弹性表征能力，才是通往强智能的关键。总结：深度学习与符号主义的对立只是一种历史管理上的叙事便利，我们应当以连续统的视野统一它们，推动AI走过“三明治阶段”，进入真正的生成式逻辑推理时代。
