人工智慧的演進標誌著一次決定性的典範轉移，從 符號式人工智慧（GOFAI） 轉向 連結主義。長久以來，人工智慧依賴「由上而下」的演繹推理，由人工編寫的規則掌控每一個結果。這種方法雖然在邏輯謎題上精確無誤，卻在 莫拉維克悖論面前失效——人們意識到高層次推理在運算上輕而易舉，而低層次的感覺運動技能（例如辨識人臉）却幾乎無法以人工編碼實現。
相對地， 仿生運算 採用「由下而上」的歸納學習策略。人工神經網路不遵循靜態指令，而是運用分散式表徵從原始資料中辨識模式。儘管這些架構模擬了人腦的平行處理與可塑性，我們仍必須認清它們本質上是 數學抽象。它們借助線性代數與微積分來達成功能性的成果，重視運算效率更甚於生物學上的擬真度。
Python 實作
問題 1
哪個概念解釋了為何用人工編碼讓機器人行走，比編寫程式讓它下西洋棋更困難？
案例研究：機器翻譯的演進
請閱讀以下情境並回答問題。
在 2000 年代初期，機器翻譯依賴「統計式片語為本」模型（符號式／統計式規則）。當 Google 在 2016 年轉向「神經機器翻譯」（GNMT）時，系統不再將詞彙視為個別符記，而是開始將句子視為高維空間中的向量。
Q
為何神經網路方法處理俚語與語境的能力優於規則式方法？
解答：
神經網路方法運用「由下而上」的歸納學習。透過處理數百萬份文件，它能在語境中辨識詞彙之間的機率關係，而非依賴無法跟上俚語與文法流變的人工定義辭典。
神經網路方法運用「由下而上」的歸納學習。透過處理數百萬份文件，它能在語境中辨識詞彙之間的機率關係，而非依賴無法跟上俚語與文法流變的人工定義辭典。