若以我们惯用的方式来看待这一问题，就不能说该系统默认地表述了那些规则，因为在它的问题求解中不存在因果公因子，使得例如在语言能力理论中，无论何时引用欧姆定律，那个单一的因子都在产生实际结果的加工过程中起着关键的作用。为了弄清这一点，我们只须回想一下，在与R1的命运有关的问题的求解中，以及与R2的命运有关的问题的求解中，不同的特性单元和知识原子都将起关键作用。在这个(限定的)意义上，它的确与查寻树有某种共同之处。因为网络之所以不能体现关于规则的严格的默认知识，是由于它无法使整个实际加工过程按照一定路线通过一个与以反复引用欧姆定律为标记的推导瓶颈相对应的因果瓶颈。由于在语言能力理论具有单一推导方程的地方，网络具有多重因果路线，所以网络就无权获得关于规则的严格的默认知识。在这一点上，它不能体现关于规则的默认知识的原因是和查寻树一样的。
现在来讨论前面提到的遁词。在我就我的理解采纳戴维斯对默认知识的特征刻划时，我为使用“因果公因子”这个短语感到不安。它的优点是使神经心理学的内在联系看起来非常直观，但是它也可能掩盖了层层叠加的虚拟机的某些复杂性。因为据我的猜测，要实现的经典上下贯通形式所需的共同的东西，与其说是一个简单的物理状态，不如说是一个加工陈述定义于其上的虚拟机的状态。说到底，即使是经典系统，继承了运作系统的各种长处，也不可能在它每次经历一个由欧姆定律(在语言能力理论中)标出的加工过程转变时都采用同样的物理状态。然而层次-2加工描述不需要(也不应该)标示出这个区别，因为就实际算法而言，它没有任何内在联系，仅仅是一个实现过程细节而已。相反，在联结论陈述中可能对应于单一符号转变的各种不同的状态，必然在加工/算法描述中被标示出来。系统的真正知识终究还是这样编码的知识一这一事实是大大夸张了的联结论加工的流动性和语境敏感性的直接原因。我不能肯定这一点造成的差别有多大，因为虚拟机同真实机器一样，可以表现出不同的分类模式，因而与认知神经心理学有密切关系。
12 联结论、语言能力和解释方式
313