我开始研究应用于计算机视觉和情感计算的机器学习和贝叶斯推理。
如果我理解正确的话，之间会有很大的讨论
我认为它通常被称为强人工智能与弱人工智能，也与功能心理学（大脑作为黑盒集）和认知心理学（心智理论，镜像神经元）等哲学问题相关，但这不是编程论坛的重点这个。
我想了解这两种观点之间的差异。理想情况下，答案将参考示例和学术论文，其中一种方法获得良好结果而另一种方法失败。我也对历史趋势感兴趣：为什么方法失宠，而新的方法开始兴起。例如，我知道贝叶斯推理在计算上是棘手的，在 NP 中存在问题，这就是为什么长期以来概率模型在信息技术世界中不受青睐的原因。然而，它们已经开始在计量经济学中崛起。
我认为你有几个想法混合在一起。确实，“AI”任务的基于规则的方法和概率方法之间存在区别，但它与强或弱 AI 无关，与心理学几乎没有关系，而且它不像两个对立方之间的战斗。另外，我认为说贝叶斯推理没有用于计算机科学，因为推理通常是 NP 完整的，这有点误导。这个结果在实践中通常并不重要，而且大多数机器学习算法无论如何都不会进行真正的贝叶斯推理。
说了这么多，自然语言处理的历史从 80 年代和 90 年代初的基于规则的系统发展到今天的机器学习系统。查看MUC 会议的历史，了解信息提取任务的早期方法。将其与当前最先进的命名实体识别和解析（ACL wiki是一个很好的来源）进行比较，这些都基于机器学习方法。
至于具体的参考资料，我怀疑你会发现有人写一篇学术论文说“统计系统比基于规则的系统更好”，因为通常很难做出这样的明确陈述。快速搜索“基于统计与基于规则”的 Google 会产生类似这样的论文，这些论文着眼于机器翻译，并根据它们的优缺点推荐使用这两种方法。我想你会发现这是非常典型的学术论文。我读过的唯一真正在这个问题上表明立场的是“数据的不合理有效性”，这是一本很好的读物。
至于“基于规则”与“概率”的事情，你可以参考 Judea Pearl 的经典著作——《智能系统中的概率推理》。Pearl 写的非常偏向于他所谓的“内涵系统”，这基本上是反面——部分基于规则的东西。我认为这本书引发了人工智能中的整个概率事件（你也可以说时间到了，但那是当时的书）。
我认为机器学习是一个不同的故事（尽管它更接近概率人工智能而不是逻辑）。