创造新概念
任何用来表述知识的可取的方案都必须具备学习新概念的能力，这些概念在网络开始连线时是无法预先知道的。一个使用定位表述的方案，首先必须独立地决定应在何时形成一个新概念，然后它必须找寻一个备用硬件单元，该单元具有实现这一概念所需的恰当联结。如果我们假定，经过一段时间的早期发展，新的知识是由改变现存联结的强度，而不是由生长出新的联结来实现的，那么也许很难找到这样一个单元。如果每个单元只同其他单元中的一小部分相联结，很可能根本就没有什么单元会同恰好实现新概念的另一些单元相联结。例如，在由一百万个单元构成的集合体中，每一个单元随机地同另外一万个单元相联结，这时，任一单元同包含另外六个单元的特定组相联结的机会只有百万分之一。
为了解脱定位表述的这种困境，几个构思巧妙的方案被提出来了，它们使用的是两类单元。对应于概念的单元不是直接相互联结的，而是由几层中间单元中的间接通道来实现这些联结(Fahlman 1980;Feld-man1982)。这种方案之所以有效，是因为中间层中潜在通道的数目远远超过物理联结的总数。如果存在k层单元，其中每一层对于下一层中随机选择的单元具有n个联结分支，那么就存在 $\boldsymbol { \mathbf { n } } ^ { \boldsymbol { \mathsf { k } } }$ 个潜在通道。几乎可以肯定，对任何两个概念单元都将存在一个联结通道，因此沿这一通道的几个中间单元就可以用来联结那两个概念单元。然而，这些方案最后不得不把若干中间单元分派给每个有效联结，而这种分派一旦发生，从每一中间单元发出的多个实际联结中，除了一个以外，其余全都作废了。使用若干中间单元来创造一个单一的有效联结，以此来切换所含元素的单元只有相对较少分支的网络也许是适合的，但是在使用类似大脑的硬件时，这一方法看来就无效了。
人工智能哲学
276