我们将看到，对分布式表述来说，最有力的心理学证据是它们的长处和弱点在一定程度上与人类心灵一致。
本章第1节着重论述分布式表述的某些优点。第2节考虑分布式表述的效能，并清楚地说明了，对一定类别的问题来说，分布式表述之所以优于定位表述的原因。最后一节讨论某些难点，它们是分布式表述的支持者经常回避的问题，诸如成分结构的表述和加工力量在结构目标不同方面的顺序集中。
一些否认声明。在考察支持分布式表述的详尽论据之前，弄清它们在人类信息加工的总理论中所处的地位是很重要的。把分布式表述视作像语义网络或产生系统那种表述方案的替代物，是错误的，尽管我们已知这两种表述方式在认知心理学和人工智能中是有用的。把它看作一种以并行网络方式实现那些更抽象的方案的方法，将是更富有成效的，但有一个附带条件：分布式表述将产生某些强有力的、不可预料的自发出现的特性。所以当这些特性在一个较抽象的形式体系中起作用的，可以被看作原素。例如，分布式表述适用于按内容寻址的存储、自动概括和最适合当前情况的规则的选择。所以如果我们假定大脑是用分布式表述去实现较抽象的模型，那么把像按内容寻址的存储、自动概括或一个恰当规则的选择这样的能力当作基本运算，不是没有理由的，虽然在常规计算机中没有实现这些运算的简便方法。分布式表述的某些自发出现的特性，在较高层次的形式体系中不容易捕捉到。例如，分布式表述是与同时应用大量部分地适合于当前情况的规则相一致的，而每一规则的应用程度与它的重要性有关。我们将在有关图式的一章(第14章)中考察分布式表述的这些特性。在那一章中，我们将清楚地看到，图式和其他较高层次的结构对于依赖于分布式表述的机制只提供了近似的特征描述。因而对分布式表述的分析能够为这些较高层次形式体系作出的贡献是：使某些强有力的基本运算合法化，否则这些运算看起来就像是在演魔术；除了那些在很多较高层次形式体系中能方便地获取到的基本运算之外，进一步丰富了我们所掌握的基本运算的全部内容；指出这些较高层次形式体系可能只获取了基础加工机制的计算能力的粗略特征。
人工智能哲学
G.E·欣顿等人的“分布式表述”见D.E·鲁梅哈特和J·L·麦克莱兰编辑的《并行分布式处理：认知微结构中的探索》，卷1，《基础》，第77—109页。由麻省理工学院出版社允许重印。本文提到的章节是指《并行分布式处理》一书中的其他章节。
G·E·欣顿(Geoffrey E. Hinton)，多伦多大学计算科学系教授。
J. L·麦克莱兰(James L. McClelland)，卡内基-梅隆大学心理学教授。
D·E·鲁梅哈特(David E. Rumelhart)，斯坦福大学心理学教授。
268