La búsqueda de la Inteligencia Artificial General (AGI) exige sistemas de IA que no solo perciban, sino que también razonen de manera similar a la humana. Mientras que los sistemas simbólicos fueron pioneros en los avances tempranos en el razonamiento basado en lógica, como MYCIN y DENDRAL, sufrieron de fragilidad y escasa escalabilidad. Por el contrario, las arquitecturas modernas de aprendizaje profundo han logrado un éxito notable en tareas de percepción, pero siguen fallando en el razonamiento interpretable y estructurado. Esta dicotomía ha motivado un creciente interés en la IA Neural-Simbólica, un paradigma que integra la lógica simbólica con la computación neuronal para unificar el razonamiento y el aprendizaje. Esta encuesta proporciona una visión general exhaustiva y técnicamente fundamentada del razonamiento de IA en la era del aprendizaje profundo, con un enfoque particular en la IA Neural-Simbólica. Más allá de una narrativa histórica, presentamos una definición formal del razonamiento de IA y proponemos una novedosa taxonomía tridimensional que organiza los paradigmas de razonamiento por forma de representación, estructura de tarea y contexto de aplicación. Luego revisamos sistemáticamente los avances recientes, incluyendo la Programación Lógica Diferenciable, el aprendizaje abductivo, la inducción de programas, los Transformadores conscientes de la lógica y la planificación simbólica basada en LLM, destacando sus mecanismos técnicos, capacidades y limitaciones. En contraste con encuestas anteriores, este trabajo conecta la lógica simbólica, la computación neuronal y el razonamiento generativo emergente, ofreciendo un marco unificado para comprender y comparar enfoques diversos. Concluimos identificando desafíos clave abiertos como el alineamiento simbólico-continuo, el aprendizaje dinámico de reglas y las arquitecturas unificadas, y buscamos proporcionar una base conceptual para futuros desarrollos en sistemas de razonamiento de propósito general.