为了缩小物理符号主义模型与真实人类智能和人脑的距离，特别是要能体现人脑并行式处理信息的突出特点，一些计算机科学家、神经生理学家和数学家尝试运用“仿生学”的方法，从脑的生理结构原型出发，致力于建构不同层次的关于脑的硬件结构系统（模型）。当然，这项复兴于20世纪80年代的工作可追溯到20世纪40年代就已经开始的某些早期研究。这些研究主要体现在神经生物学家W.麦卡洛克和他的学生W.皮茨于1943年发表的具有划时代意义的《神经活动内在概念的逻辑运算》一文中。该文认为，任一神经元的响应事实上都等价于提出了一个使神经元受到充分刺激的命题，而这个命题可以用符号逻辑来标记。受此启发，1949年，神经生物学家赫布（）提出著名的“Hebb法则”。其基本思想是，如果两个神经元都处于兴奋（激活）状态，它们之间的突触联结强度就会得到增强。而突触联结强度的可变性是学习和记忆的基础。赫布还给出了突触调节模型，描述了分布式记忆过程。1958年，计算机科学家罗森布拉特（）基于M & P（麦卡洛克和皮茨的神经元模型），建构了感知器模型。在这个模型中，输入和输出层之间的权重调节正比于计算输出值与期望输出值之差。1969年，美国人工智能专家明斯基和帕伯特（）对罗森布拉特的工作进行了深入研究，出版了《感知机》一书。在该书中，作者认为，通过引入隐含神经元，增加神经网络的层次，可以提高神经网络的处理能力。1982年，美国物理学家J.霍普菲尔德提出了一种新的神经网络模型——Hopfield神经网络（HNN）。1986年，J.卢姆哈特（）等在多层神经网络模型的基础上，提出了多层神经网络模型的反向传播学习算法（BP算法），解决了多层前向神经网络的学习问题，证明了多层神经网络具有很强的学习能力。所有这些，构成了人工智能领域中的新的研究范式——联结主义（connectionism）或仿生学派（bionicsism）。
联结主义范式假定人类智能的基本单元是神经元，认知过程是由神经元构成的网络信息传递实现的，并且这种传递是并行和分布式的。其原理主要是神经网络及神经网络间的连接机制与学习算法。从这个意义上说，联结主义相比于物理符号主义来说，更接近于人脑神经活动的机制和过程。而且，联结主义模型在特征提取、模式分类、联想记忆、低层次感知、自适应控制等场合，优势更为明显。例如，联结论的模型既没有中央处理器（CPU），也没有存储程序；它的知识表征和语义获得是在外部输入和输出的双重调节下，经过内部隐含层的权重改变而获得的。因而，联结论的知识表达一直处在动态过程当中。这个动态过程我们可以看作是一个经过学习和训练而形成的自我执行过程。因此，联结主义计算机通过使用一系列的指令控制某些计算过程，而有别于传统计算机的“程序”概念。[4]目前，人工神经网络研究不仅向综合性发展，而且越来越与其他领域密切结合起来。如把多层感知器与自组织特征联系起来，发展出性能更强的结构。尽管如此，联结主义的研究范式和模型仍然与真实的人类智能和大脑有相当的距离。这种距离表现在，神经元与计算机的单个单元并不是完全对应的；人脑并不总是具有联结主义模型的表现；许多联结主义的模型都有很多不同的功能层次，但是大脑似乎有着更为复杂的物理—几何分层、连接和投射机制等。就规模来说，人脑所具有的神经元联结权重也是计算机网络完全无法比拟的。在这种情况下，“尽管联结论在总的方面是关心生物学上的可实现性的，但是大多数联结论系统所做的并不是神经实现方式的模型，而是抽象定义的信息处理的模型”[5]。
