人工智能的发展标志着从 符号人工智能 (GOFAI) 到 联结主义的一次根本性范式转变。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。这种方法虽在逻辑谜题上精确无误，却在以下方面遭遇失败： 莫拉维克悖论——即人们认识到，高层推理在计算上很容易实现，而低层的感觉运动技能（如识别人脸）几乎无法通过硬编码来完成。

相比之下， 受生物启发的计算 采用"自下而上"的归纳学习策略。人工神经网络并非遵循静态指令，而是利用分布式表征从原始数据中识别模式。虽然这些架构模仿了人脑的并行处理能力和可塑性，但重要的是应将其视为 数学抽象。它们借助线性代数和微积分来实现功能性结果，优先考虑计算效率而非生物保真度。