和符号处理的影响，被称为“符号主义”或“规则驱动”AI。研究者们相信，只要将人类的知识和推理规则精确地编码进计算机，智能就能从中涌现。于是，专家系统应运而生。这些系统在特定领域（如医疗诊断、化学分析）展现出了令人惊叹的能力，仿佛拥有人类专家的知识宝库。然而，它们的局限性也显而易见：知识获取的瓶颈（“知识工程”极其耗时费力）、处理不确定性和模糊性的笨拙，以及对规则之外“常识”的缺失，使得它们只能在精心构建的围栏内施展拳脚。一旦走出预设的边界，便显得茫然无措。

与此同时，另一条路径——“连接主义”开始萌芽。其灵感来源于对人脑这一终极智能体的模仿。神经网络，这个试图模拟生物神经元连接与信息处理方式的数学模型，在经历了几十年的沉寂与寒冬后，终于在21世纪初迎来了爆炸性的复兴。这得益于三大关键要素：**海量数据的涌现**（互联网、移动设备、物联网产生了前所未有的数据洪流）、**计算能力的飞跃**（尤其是GpU的出现，为并行处理大规模矩阵运算提供了强大引擎）以及**算法的突破**（如深度学习的兴起，特别是卷积神经网络cNN在图像识别、循环神经网络RNN及其变体如LStm在自然语言处理上的革命性进展）。

深度学习，作为机器学习的一个子集，其核心在于构建具有多个“隐藏层”的深层神经网络。它能够从原始数据（如图像的像素、声音的波形、文本的字符）中自动学习并逐层抽象出越来越复杂的特征，最终完成分类、识别、预测等任务。这标志着AI从依赖人类精心设计的规则和特征，转向了从数据中“学习”知识。AlphaGo击败围棋世界冠军李世石，deepmind的AlphaFold精确预测蛋白质结构，openAI的Gpt系列模型生成流畅、富有逻辑甚至创造性的文本，这些都是深度学习力量的有力证明。AI仿佛一夜之间，从笨拙地执行指令的机器，变成了能够“感知”世界（计算机视觉、语音识别）、“理解”语言（自然语言处理）、甚至做出复杂决策（强化学习）的智能体。