强调这第二点的另一方式是询问联结论模型提供的是何种类型的解释。它们能够体现被玛尔(当作“1型”理论)以及纽厄尔和西蒙(当作“知识层次”理论)提出的那些作为不同心理领域基础的抽象原理吗？或者它们不过是一些在很大程度上难以理解的存在证据，是一些这样的模型，它们通过参照体现在它们之中的均衡和学习的抽象原理(如波尔兹曼方程或反向传播)而获得支持，其功能充其量也只能接受一种2型解释(列出所有联结的加权值)吗？这样的模型或许会有力地增强技术性AI，并且，可以想见，它会有助于产生图灵所设想的智能型计算机性能。但是，它们能为智能科学本身提供有用的解释吗？
克拉克认为：联结论并不局限于2型解释，但也不是建立在1型解释的基础上。联结论系统不能作为例证说明由纽厄尔和西蒙以及由玛尔所建议的、表现为基本公理的、解释性的“上下贯通形式(cascade)”。当然，一个抽象的任务分析，可以用来规定相关的、作为基础的输入和输出，甚至用来(在非学习模型中)配置许多联结加权值。例如，一个作出低级视觉模型的系统，可能具有响应特殊类型2维信息的输入单元，以及计算特殊类型3维信息的输出单元，这种选择完全取决于2维至3维的映射理论。对联结论系统所做的事情来说，语言能力理论甚至可能是一种有用的理想形式，但是它不能解释实际上正在进行的是什么，因为联结论系统既不含有1型理论的显式知识，甚至也不含有1型理论的默认知识。总的来说，在联结论系统所作的信息加工和完成“相同”任务的冯·诺伊曼系统之间，不存在精确的对映。
克拉克指出，联结论涉及传统认知科学的“方法论转换”。在着手作出存在于已知智能形式中的加工过程的模型之前，联结论并不是，也不需要先寻求公理化的任务分析。相反，他们建立的网络只需借助于抽象语言能力作出松散的说明(在“0).5级”上)，他们让该网络学习完成当前的任务，然后他们才发现该网络已开始体现的这些高层原理。模型的解释力度取决于这些原理，而不取决于那组(很可能是难以理解的)联结加权方式。这些高层原理究竟是什么样的，尚不清楚。为了揭示它们，可采用的方法有对网络症状的研究(探求故意对系统造成的变化会产生什么影响)，激活方式的记录(从而确认在特定时间或相继时间里活动的单元)，以及簇分析(它揭示出已知系统中激活模式的层级结构)。例如，作为现实世界活动基础的概念结构，或许可以用这些方法按照发生于其后者必然是其结果(post hoc)的规划来揭示。这与朴素物理学中的逻辑主义策略—编制一个预设的、主要用于此时此地某一特定目的(adhoc)的公理表的做法恰恰相反。
人工智能哲学
18