人工智慧的演進標誌著從以下模式的決定性典範轉移： 符號 AI（GOFAI） 到 連結主義。歷史上，AI 依賴於「由上而下」的演繹推理，其中人為編寫的規則支配著每一個結果。這種方法雖然對邏輯謎題精確有效，卻在以下方面失敗了： 莫拉維克悖論——即高層次推理在計算上很容易，而低層次的感覺運動技能（如辨識人臉）幾乎無法以硬編碼方式實現。
相比之下， 生物啟發計算 採用「由下而上」的歸納學習策略。人工神經網路並非遵循靜態指令，而是利用分散式表徵從原始資料中辨識模式。雖然這些架構模仿了人腦的平行處理和可塑性，但必須認知到它們是 數學抽象。它們利用線性代數和微積分來達成功能性結果，優先考量計算效率而非生物學的真實性。
Python 實作
問題 1
哪個概念解釋了為何硬編碼讓機器人行走比程式設計讓它下棋更困難？
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，機器翻譯依賴於「統計式片語為基礎」的模型（符號／統計規則）。當 Google 在 2016 年轉向「神經機器翻譯」（GNMT）時，系統不再將詞語視為個別符號，而是開始將句子視為高維空間中的向量。
題
為什麼神經方法在處理俚語和語境方面比規則式方法表現得更好？
解答：
神經方法利用「由下而上」的歸納學習。透過處理數百萬份文檔，它能夠辨識詞語在語境中的機率性關聯，而非依賴無法跟上俚語和文法流變特性的人為定義字典。
神經方法利用「由下而上」的歸納學習。透過處理數百萬份文檔，它能夠辨識詞語在語境中的機率性關聯，而非依賴無法跟上俚語和文法流變特性的人為定義字典。