Selon le connexionnisme, l'IA est issue de la bionique (discipline de l'électronique qui tente d'imiter le monde du vivant, contraction de biologie et électronique). Le principe sous-jacent est de simuler le fonctionnement du cerveau en construisant des réseaux neuronaux et en étudiant le mécanisme de connexion et les algorithmes d'apprentissage entre les réseaux neuronaux. C'est pourquoi on l'appelle aussi bionique ou physiologique. L'école du connexionnisme commence ses recherches par les neurones et examine à la fois le modèle du réseau neuronal et le modèle du cerveau.
L'idée centrale du connexionnisme est de traiter la base des activités intelligentes comme un neurone. Sur la base de cette hypothèse, le processus d'activité intelligente peut être considéré comme le processus d'activité des cellules nerveuses, qui est dynamique et évolutif. Les partisans du connexionnisme pensent que la structure des réseaux neuronaux est étroitement liée aux comportements intelligents. L'IA met l'accent sur la simulation de la structure du réseau neuronal physiologique humain.
Récemment, la recherche sur le développement et l'application des réseaux neuronaux profonds a attiré beaucoup d'attention dans l'IA. Les cas les plus typiques sont les recherches sur le réseau neuronal convolutif (CNN) et le réseau neuronal récurrent (RNN). L'avantage significatif du CNN réside dans sa fonction d'extraction de caractéristiques, qui est largement utilisée pour la reconnaissance d'images bidimensionnelles avec invariances déformées, comme la reconnaissance d'images et la reconnaissance d'écriture manuscrite. En revanche, les couches cachées des RNN ont une relation entre elles comme entrée et sortie. Les RNN sont généralement utilisés pour le traitement de données séquentielles, comme la reconnaissance du langage et la traduction automatique.
L'un des exemples les plus célèbres de réseaux neuronaux profonds est le sensationnel AlphaGo, un programme d'IA de Go développé par Google DeepMind à Londres. AlphaGo combine la arborescente de Monte Carlo et les réseaux neuronaux profonds pour battre l'adversaire en faisant correspondre et en apprenant les données des pratiques des joueurs professionnels d'échec passées. En mars 2016 et en mai 2017, AlphaGo a battu le champion du monde d'échecs professionnel coréen Sedol Lee (joueur de 9e dan, qui est le grade le plus élevé au Go) et le joueur d'échecs professionnel chinois Jie Ke (joueur de 9e dan),
Juste après cela, l'équipe d'AlphaGo a présenté AlphaZero qui n'implique aucune donnée de la part de l'humain. AlphaZero peut apprendre les règles du Go en jouant aux échecs avec lui-même, sans les données des joueurs de Go humains. Il lui a fallu à peine 40 jours pour dépasser toutes les versions précédentes créées par l'équipe d'AlphaGo. Il convient de mentionner qu'après avoir joué aux échecs avec Jie Ke, Deepmind a annoncé la retraite d'AlphaGo car les joueurs d'échecs humains n'étaient plus en mesure de poser un défi au joueur d'échecs IA. L'équipe a décidé d'appliquer la technologie d'AlphaGo à un plus grand nombre de domaines à l'avenir, comme les soins de santé.
Par ailleurs, la vision par ordinateur est également une application importante de l'apprentissage profond et des réseaux neuronaux. Par exemple, l'ancienne directrice du centre chinois de Google AI, le Dr FeiFei Li, une célèbre scientifique spécialisée dans la vision par ordinateur, a mis en place un grand nombre de bases de données graphiques ImageNet avec d'autres scientifiques. Ils ont créé un ensemble de données complet et robuste pour la recherche en vision par ordinateur, qui a apporté une contribution exceptionnelle au développement de ce domaine.
Enda Wu, directeur du laboratoire d'intelligence artificielle de l'université de Stanford et ancien chercheur chez Google, a mis au point un réseau neuronal artificiel pour apprendre à identifier des vidéos de chats en regardant des vidéos sur YouTube pendant une semaine [9]. Ces produits sont des cas typiques d'IA avec l'approche du connexionnisme.