这样我们就清楚了，AI在从事研究信息处理问题时，易于出现两种类型的求解方式。其一是传统意义上的规范的基础理论。视觉研究中有一些这样的例子：霍恩(Horn1975)的描影构形法，表述图像密度变化和局部形状的基本框图的观念(Marr1976)，厄尔曼(Ullman 1976)的测定光源法，宾福德(Binford1971)的广义柱体表述法，在此基础上的玛尔和西原(Marr and Nishihara 1978)的三维结构内部表述和处理，近期的立体视觉理论(Marr 1974；Marr and Poggio 1976)1]，以及波焦和赖卡特(Poggio and Reichardt 1976)的家蝇视觉定向行为分析。这些结果的一个特征是，在对智能功能的全面探讨中，它们往往处在较低层次上，这个层次常常是那些意在研究“更高级、更核心”的智能问题的人所不屑一顾的。对于这种批评，我们的回答是，低层次问题表现的也许的确是较容易的类型，但这正是要首先研究它们的原因。只有在解决了更多的这类问题之后，我们才会对研究较深层问题时出现的问题有更清楚的了解。
但是即使这样一些比较明显的1型理论，其中也包含着2型理论。例如，玛尔和西原的三维表述理论提出，深层基本结构是建立在一个可以看作直线型的分布式的、以对象为中心的坐标系之上的，同时这一表述方式显然在图像分析过程中得到处理。除非也能证明这种描述可以根据图像来计算，并能按照所要求的方式来处理，否则这种理论就只不过是推测而已。要这样证明，会牵涉到数个中间理论，其中有些可望最终成为1型状态，但另一些只能勉强地看作是2型状态。例如，根据对象在图像中形成的轮廓线确定恰当的局部坐标系的问题，其中有一部分目前就存在着1型理论(Marr1977)。但是，对一些在基本框图上运作、以帮助图形从背景中分离出来的基本分组过程，为它们推导1型理论，也许是不可能的。图形背景“问题”可能不是单一的问题，而是几个子问题的混合，它们结合起来实现了图形的分离，就像不同的分子相互作用而结合从而引起蛋白质折叠一样。事实上，没有理由认为图形背景问题的解答应当从单一的基础理论中得出。其原因是，它必须包含对许多有关图像事实的过程性表述，而这些图像最终还是经由物理世界中的事物所具有的聚合性和连续性演化推导而成的。这中间包含着多种知识和不同的技术，我们只好把它们一一拣出。随着每一点的积累，整体性能就得到改善，同时所能处理的图像的复杂性也在提高。
人工智能哲学
[1]联合计算或松弛标定的概念(Zucker1976)是算法层次上的概念。它提出了一个实现特定计算的方法，而不是着重说明应当实现什么问题，而这一点看来是关于视觉的真正争议点，其重要性不低于其他方面。
146