当然，经典人工智能学派并不是没有注意到不可避免的形式与内容或语形与语义的矛盾冲突；在特定的时期，他们注意到语义问题的重要性。例如，奎连指出：“我们不相信行为理论或计算机模型，像已有的大多语言处理程序那样，忽略或排斥语义而希望取得成功。无论程序的目的是否是用来分析句子、翻译语言或回答自然语言问题，如果它不尽早地、经常地考虑语义事实，那么我看它便没有可能接近人类的能力水平。”[37]为此，研究者们形成了某些技术性的补救方法，形成所谓语义理论。但是，这些理论和方法绝大多数都利用能够表示深层规律的形式化语言，并假设在自然语言中，每个语句都能与形式语言中的一个可能的解释相对应，而这种形式语言定义了合适的推理规则。这样，意义的研究包括实际上是将语句翻译成为相应的形式结构和与这些结构相联系的逻辑规则，进而将这些技术性成果的有效性用内在的连贯性和一致性来进行判断。[38]简单地说，就是依靠形式化的思路和方法解决形式与内容、语形与语义之间的矛盾。
必须承认，在句法和形式化的框架内解决语义与句法的相互关系问题，有其合理性。毕竟，系统程序的执行与它作为形式句法系统的性质之间，并不是完全分离的。根据计算机科学家B.C.史密斯（B.C.Smith，1982）的看法，程序指令和计算机符号在一定意义上是具有某些语义性质的，不管这一性质受到何种限制；任何计算机程序固有的过程结果，都给了程序一个语义的立足点。并且，这里所说的语义不是指称的，而是因果性的。[39]P.J.海斯进一步论证道，形式的“稠密性”意味着一种稠密的形式化在分散的概念之间形成许多联系，这些概念是用形式化中的标志来表示的。[40]还要看到，句法或形式化的推进反映了人类认识能力的提高和认识手段的进步；伴随着智能（包括模拟智能）和技术（包括计算机技术）的不断发展，原本不能形式化的东西将来未必不能变得形式化。也即“人工智能的界限并不是一成不变的，随着形式化的发展，这是一个逐步扩张的疆界”[41]。例如，当经典命题逻辑和一阶谓词逻辑不能描述人的思维活动时，多值逻辑、模糊数学以及概率理论也就登场了；当专家系统所具有的符号推理机制只能用于为离数的计算活动提供功能性的基础时，神经网络则有助于实现基于连续的数值计算。从这个意义上说，经典人工智能的进步得益于形式化能力的提高和认识手段的进步，反映了西方理性主义在一定阶段上的优势所在。这也反映出，用理想的方法解决人们面临的复杂问题，总是人类的一种良好愿望；尽管复杂的对象常常让这种良好的愿望落空。但问题在于，当这种优势或认识方式被推至极致，例如，认为对于计算机而言，所有问题都必须形式化[42]；不能形式化的问题，计算机是无能为力的，这样一些观点和做法是有局限性的。