通常的方法是，我们假定：为这一任务制定算法所依据的信息是由高层次语言能力做出理论说明的，在这一说明的推导过程中引用了各种电路学定律(也就是斯莫伦斯基所谓的电路学“硬定律”，欧姆定律和克希霍夫定律)。例如，与欧姆定律有关的推导要引用这一方程：
$$
\# [ \mathbb { E } ( \mathrm { V } ) = \# \mathbb { M } ( \mathbb { C } ) \times \not \in / / \mathbb { H } ( \mathbb { R } )
$$
在上文第2节中，我们只确认了层次-2加工陈述可能与这种语言能力理论具有相当密切的关系的两种方式。在最简单的情况下，加工过程可能包含着用符号表述的欧姆定律，系统将它读出，并遵循它。在较为复杂的情况下，它可能包含有关欧姆定律的默认知识，在一组状态转变中通过一个因果公因子展现出来。(顺及：斯莫伦斯基本人在这里的做法，看来是不恰当地强调了简单选择方式，见 Fodor and Pylyshyn1988；Pinker and Prince 1988；Davies 待出版；Clark 1989。)
在斯莫伦斯基提出的简单电路问题求解的联结论模型的情形中，没有一种上下贯通形式是起作用的。为了弄清其原因，我们需要看一看这一模型的形式。这个模型对电路状态的表述，是通过一组特性单元上的活动模式来完成的。它们对电路变元中出现的定性变化进行编码，即在训练实例中，它们对电阻R1增大时总电压的升降等情况进行编码。这些特性单元与一组被斯莫伦斯基称为“知识原子”的东西相联结，知识原子表述了分布在特性单元子组上的活动模式。事实上它们是对电路学的实际定律所允许的特性单元状态的合法组合进行编码。例如“系统对欧姆定律的知识……分布在众多的知识原子上，这些知识原子的子模式对电流、电压和电阻的合法特性组合进行编码”（Smolensky1988:19)。简言之，对于定性变化的每一合法组合，都存在着一个子模式(GS子模式，或所讨论的电路的“知识原子”)。
人工智能哲学
310