На зорі штучного інтелекту панувала ідея, що розум — це, по суті, система маніпулювання символами. Цей підхід, відомий як «старий добрий ШІ» або GOFAI (Good Old-Fashioned AI), ґрунтувався на переконанні, що ми можемо відтворити інтелект, якщо просто закодуємо достатньо логічних правил. Уявіть величезну бібліотеку, де кожна книга — це правило, а бібліотекар (алгоритм) знаходить потрібну книгу для відповіді на будь-яке запитання.

Вершиною цього підходу стали експертні системи — програми, призначені для імітації знань та навичок прийняття рішень людини-експерта в певній вузькій галузі. Наприклад, медична система могла б містити тисячі правил типу «ЯКЩО у пацієнта є симптом X І симптом Y, ТОДІ ймовірність діагнозу Z становить 90%». Ці системи були вражаючими для свого часу, але мали фундаментальні обмеження. Вони були крихкими: зіткнувшись із ситуацією, не передбаченою правилами, система просто ламалася. Крім того, виявилося, що кодувати «здоровий глузд» — мільйони неявних знань, якими ми користуємося щомиті, — практично неможливо.

Паралельно з символічним підходом розвивалася інша ідея — коннекціонізм — натхненна структурою людського мозку. Замість того, щоб кодувати правила вручну, коннекціоністи запропонували створювати системи, які могли б навчатися самостійно, знаходячи закономірності у даних. Основою цього підходу стали штучні нейронні мережі — моделі, що складаються з простих взаємопов'язаних вузлів, або «нейронів».

Перші нейронні мережі, такі як Перцептрон Френка Розенблатта, були досить примітивними. Вони могли вирішувати лише прості завдання, наприклад, розпізнавати базові геометричні фігури. Проте вони заклали фундаментальний принцип: знання не програмується, а виникає в процесі навчання, через налаштування сили зв'язків між нейронами. Цей підхід виявився набагато стійкішим до «шуму» та невизначеності реального світу, на відміну від крихких логічних систем GOFAI.

Ключовий зсув парадигми стався, коли дослідники почали розглядати інтелект не як детерміновану логічну машину, а як механізм для роботи з невизначеністю. Реальний світ сповнений неоднозначності, неповної інформації та випадковості. Статистичні та ймовірнісні методи дозволили ШІ не просто слідувати правилам, а робити обґрунтовані припущення.

Центральне місце в цьому підході зайняла теорема Баєса — математичний інструмент для оновлення наших переконань у світлі нових доказів. Замість того, щоб давати однозначну відповідь «так» або «ні», баєсівські системи оперують ймовірностями.

Наприклад, спам-фільтр використовує теорему Баєса, щоб розрахувати ймовірність того, що лист є спамом, враховуючи наявність у ньому певних слів («знижка», «безкоштовно»). З кожним новим листом модель оновлює свої «переконання» про те, які слова частіше зустрічаються у спамі. Це знаменувало фундаментальний перехід: від жорстких, вручну створених правил до гнучких моделей, що навчаються на даних.