人工智能的演进标志着一次决定性的范式转变：从 符号主义人工智能（GOFAI） 转向 连接主义。历史上，人工智能依赖“自上而下”的演绎推理，由人工编码的规则决定每一个结果。这种方法虽然在逻辑谜题上表现出色，却无法应对 莫拉维克悖论——该悖论指出，高级推理对计算机而言十分轻松，而低级感知运动技能（如识别人脸）却几乎无法通过硬编码实现。
与之相对， 仿生计算 采用“自下而上”的归纳学习策略。人工神经网络不再遵循固定的指令，而是利用分布式表示从原始数据中识别模式。尽管这些架构模拟了人脑的并行处理和可塑性，但务必认识到它们本质上是 数学抽象。它们借助线性代数与微积分来实现功能性的结果，优先追求计算效率，而非对生物特性的忠实还原。
Python 实现
问题 1
下列哪个概念解释了为何让机器人硬编码行走比编程下棋更困难？
案例分析：机器翻译的演进
阅读以下情景，并回答问题。
在 21 世纪初，机器翻译依赖“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，系统不再将单词视为独立的词元，而是开始将句子视为高维空间中的向量。
问
为什么神经方法在俚语和上下文处理上比基于规则的方法表现更好？
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，它能够在上下文中识别词与词之间的概率关系，而无需依赖人工定义的词典——后者无法跟上俚语和语法不断变化的特性。
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，它能够在上下文中识别词与词之间的概率关系，而无需依赖人工定义的词典——后者无法跟上俚语和语法不断变化的特性。