人工知能の進化は、 記号AI（GOFAI） から コネクショニズムへの決定的なパラダイムシフトを示しています。歴史的に、AIは「トップダウン」の演繹的推論に依存しており、人間がコーディングしたルールがすべての結果を制御していました。このアプローチは論理パズルには正確でしたが、次の点で失敗しました： モラベックのパラドックス—すなわち、高次の推論は計算的に容易である一方、低次の感覚運動スキル（顔の認識など）はハードコーディングすることがほぼ不可能であるという認識です。
対照的に、 生物に着想を得たコンピューティング は「ボトムアップ」の帰納的学習戦略を採用しています。静的な指示に従うのではなく、人工ニューラルネットワークは分散表現を活用して生データからパターンを見出します。これらのアーキテクチャは人間の脳の並列処理と可塑性を模倣していますが、それらを 数学的抽象化として認識することが極めて重要です。これらは線形代数と微積分を活用して機能的な結果を実現し、生物学的忠実性よりも計算効率を優先しています。
Pythonによる実装
問題 1
ロボットに歩行をハードコーディングすることが、チェスをさせるプログラミングよりも難しい理由を説明する概念はどれですか？
ケーススタディ：機械翻訳の進化
以下のシナリオを読んで、質問に答えてください。
2000年代初頭、機械翻訳は「統計的フレーズベース」モデル（記号・統計的ルール）に依存していました。2016年にGoogleが「ニューラル機械翻訳」（GNMT）に移行すると、システムは単語を個別のトークンとして見ることをやめ、文を高次元空間のベクトルとして捉えるようになりました。
Q
なぜニューラルアプローチは、ルールベースのアプローチよりもスラングや文脈をうまく処理できたのですか？
解答：
ニューラルアプローチは「ボトムアップ」の帰納的学習を活用しています。何百万もの文書を処理することで、スラングや文法の流動的な性質に追いつけない人間が定義した辞書に頼るのではなく、文脈における単語間の確率的な関係を特定します。
ニューラルアプローチは「ボトムアップ」の帰納的学習を活用しています。何百万もの文書を処理することで、スラングや文法の流動的な性質に追いつけない人間が定義した辞書に頼るのではなく、文脈における単語間の確率的な関係を特定します。