人工智能的发展标志着一个根本性的范式转变，从符号式人工智能（GOFAI）转向连接主义。历史上，人工智能依赖于“自上而下”的演绎推理，由人工编写的规则控制所有结果。这种方法虽然在逻辑谜题中十分精确，但在莫拉维克悖论——即认识到高层次推理在计算上很容易，而低层次的感知运动技能（如识别人脸）几乎无法通过硬编码实现。
相比之下，生物启发式计算采用“自下而上”的归纳学习策略。它们不遵循静态指令，而是利用分布式表示从原始数据中识别模式。尽管这些架构模仿了人脑的并行处理和可塑性，但必须认识到它们本质上是数学抽象。它们借助线性代数和微积分来实现功能性结果，更注重计算效率而非生物学上的真实性。
Python 实现示例
问题1
哪一个概念解释了为什么为机器人编写行走程序比编写下棋程序更加困难？
案例研究：机器翻译的演进
阅读以下情景并回答问题。
21世纪初，机器翻译依赖于“基于统计短语”的模型（符号/统计规则）。当谷歌在2016年转向“神经机器翻译”（GNMT）时，系统不再将词语视为独立标记，而是开始将句子视为高维空间中的向量。
Q
为什么神经方法比基于规则的方法更能处理俚语和上下文？
答案：
神经方法采用“自下而上”的归纳学习。通过处理数百万份文档，它能识别出词语在上下文中的概率关系，而不是依赖于无法跟上俚语和语法动态变化的人工词典。
神经方法采用“自下而上”的归纳学习。通过处理数百万份文档，它能识别出词语在上下文中的概率关系，而不是依赖于无法跟上俚语和语法动态变化的人工词典。