人工智慧的演進標誌著一次決定性的范式轉變，從符號式人工智慧（GOFAI）轉向連結主義。歷史上，人工智慧依賴「自上而下」的演繹推理，由人類編碼的規則主導每一個結果。這種方法雖然對邏輯謎題精確無誤，但在面對莫拉維克悖論——即高階推理在計算上輕而易舉，但低階感應運動技能（如辨識面孔）幾乎無法以硬編碼方式實現。
相反地，生物啟發式計算採用「自下而上」的歸納學習策略。與遵循靜態指令不同，人工神經網絡利用分散表示從原始數據中辨識模式。儘管這些架構模擬了人腦的並行處理與可塑性，但必須認識到它們本質上是數學抽象。它們運用線性代數與微積分來達成功能性成果，更重視計算效率而非生物真實性。
Python 實作
第一題
哪個概念解釋了為何硬編碼機器人行走比編程它下棋更困難？
案例研究：機器翻譯的演進
閱讀以下情境，並回答問題。
在2000年代初期，機器翻譯依賴「統計短語基礎」模型（符號/統計規則）。當谷歌於2016年轉向「神經機器翻譯」（GNMT）時，系統不再將單詞視為獨立的標記，而是開始將句子視為高維空間中的向量。
Q
為什麼神經方法比基於規則的方法更能妥善處理俚語與語境？
答案：
神經方法採用「自下而上」的歸納學習。透過處理百萬份文件，它能識別詞彙在語境中的概率關係，而不是依賴人類定義的字典，該字典無法跟上俚語與語法的流動特性。
神經方法採用「自下而上」的歸納學習。透過處理百萬份文件，它能識別詞彙在語境中的概率關係，而不是依賴人類定義的字典，該字典無法跟上俚語與語法的流動特性。