“Simbólico” y “subsimbólico” caracterizan dos enfoques diferentes para modelar la cognición. Tradicionalmente, como lo entiendo, esta dicotomía enfrentó cualquier cosa fácilmente comprensible como un sistema de manipulación de símbolos (sistemas de reescritura de cadenas de símbolos y lógica y máquinas de computación abstracta asociadas que clasifican o generan cadenas de símbolos, por ejemplo, máquinas de Turing, máquinas de estados finitos) como fundamentalmente diferentes de alguna manera significativa, desde básicamente redes neuronales (las biológicas y los modelos artificiales de inspiración biológica pero simplistas de ellas) y cosas similares. Fundamentalmente, las representaciones y los algoritmos en el segundo enfoque no presentan elementos que se puedan señalar, que se ven fácilmente como símbolos categóricos nítidos y discretos.
Esta división coincidió con otras diferencias en la inteligencia artificial y la filosofía relacionada; Algunas de las palabras de moda asociadas (para una exploración más profunda de las suyas) son “neat and scruffies”, “cognition encarnado” y “el problema de conexión a tierra de símbolos” (consulte “el argumento de la sala china” en contra de la posibilidad de “AI fuerte”). La división se ha vuelto menos consecuente con el tiempo: para empezar, los dos sabores de cognición no están realmente en desacuerdo entre sí. IIRC, hay una prueba de la equivalencia de alguna forma de red neuronal y máquinas de Turing (lo que significa que para en cualquier máquina de Turing, existe al menos una red neuronal correspondiente que se comporta igual y viceversa, y las personas (¿probablemente siempre?) han implementado modelos subsimbólicos en / en hardware de sistema de símbolos y lenguajes de programación.