很多年前，本文作者之一另辟蹊径，就这一论点得出这种设想：任一神经元的响应事实上都等价于提出了一个使神经元受到充分刺激的命题。于是他试图用命题的符号逻辑标记来记录复杂神经网的行为。神经活动的“全或无”规律足以确保任一神经元的活动可以表述为一个命题。神经活动中存在的生理关系当然是与命题中的关系相对应的；表述的功用取决于这些关系与逻辑命题关系的等同性。对任一神经元的每个反应，都存在一个对应的简单命题陈述。而这又意味着，根据当前神经元上的突触构形和该神经元的阈值，或者得出另外某个简单命题，或者得出类似命题的析取或合取，否定形式的，或非否定形式的。两个难点出现了。第一点与助长和消退有关，在这两种变化中先前的活动暂时改变了该网同一部位对后继刺激作用的响应方式。第二点与学习有关，在学习中以前某个时刻并发的活动使网发生了永久性改变，以至于原先不充分的刺激现在充分了。但是对于经历这两种变化的网来说，我们可以代之以假想的等价网，而替代网是由连接形式和阈值都未经改变的神经元组成的。但是有一点必须澄清：我们谁也不认为这个形式上的等价物就是实际的解释。恰恰相反！我们认为助长和消退依赖于阈值的连续变化，它与电变量和化学变量有关，例如后电位和离子浓度；而把学习视为永久性变化，这种改变在入睡、失去知觉、痉挛和昏迷后仍能保持。形式等价物的重要性在于：作为助长、消退和学习的实际基础的变化，决不影响从对神经网活动的形式处理中得出的结论，并且对应命题的关系仍是逻辑命题的关系。
神经系统包含许多环形通路，它们的活动可再现任一参与神经元的刺激，因而使得关于经历时间的参照变得不确定了，不过，它仍表明传人神经活动已经实现了一个属于某种类别的时间上的构形。通过递归函数对这些内在关系作出准确说明，同时确定出那些能够在神经网活动中实现的内在关系，我们就完成了这一理论。
人工智能哲学
26