El conexionismo sostiene que la inteligencia no se programa regla por regla, sino que surge del aprendizaje en redes de unidades simples. El nombre viene de que el conocimiento reside en las conexiones ponderadas entre unidades (M. Mitchell, 2019, ch. 2): no hay un lugar donde la regla esté escrita, sino un patrón distribuido de pesos.
Buckner (2024) distingue tres olas (2024, pp. 119–121). La primera va de la neurona de McCulloch y Pitts al perceptrón de Rosenblatt, y se apaga cuando Minsky y Papert (1969) muestran que una sola capa de pesos no puede aprender funciones como el XOR. La segunda llega con la retropropagación, popularizada por Rumelhart et al. (1986), que permite entrenar redes de tres o cuatro capas (Perceptrón multicapa (retropropagación)); su manifiesto fueron los dos volúmenes de Parallel Distributed Processing (1986) de Rumelhart, McClelland y colegas (M. Mitchell, 2019, ch. 2). Esa ola trajo a la ciencia cognitiva ideas entonces revolucionarias —representación distribuida, restricciones blandas, aprendizaje gradual, degradación elegante ante el daño, errores humanos como la sobregeneralización— que hereda la tercera ola, el aprendizaje profundo (2024, p. 121).
Filosóficamente, el conexionismo es una apuesta sobre la arquitectura de la mente. Smolensky (1988) propuso un nivel «subsimbólico» entre neuronas y símbolos; Fodor y Pylyshyn (1988) respondieron con un dilema: o las redes no explican la sistematicidad del pensamiento, o la explican porque implementan una arquitectura clásica, y entonces no aportan nada propio como teoría de la cognición (Millière y Buckner, 2024a, sec. 3.1). Andy Clark resumió el contraste con la GOFAI en una fórmula: los sistemas subsimbólicos son «malos en lógica, buenos en frisbee» [trad. propia] (M. Mitchell, 2019, ch. 2).
Los modelos de lenguaje reabrieron la cuenta. Para Santelli (2026), el debate se volvió asimétrico: los simbólicos presentan objeciones de principio y los conexionistas, arquitecturas que parecen hacer lo que no deberían poder. Pero desempeño no es explicación. Saber qué aprendió una red exige interpretabilidad, y trabajos recientes sugieren que sus vectores realizan implícitamente estructuras simbólicas (McCoy et al., 2026). ¿Eso reivindica al conexionismo o confirma el segundo cuerno del dilema?