作为对该问题简单的说明，让我们来看一个例子一—认知科学中有效的老式解释(GOFEICS，引自J·豪格兰)。以朴素物理学为例。众所周知，朴素物理学试图找到一种知识，使活动的、具体存在的事物能设法找到绕过复杂的物理世界的道路。这个一般性方案的一个著名的例子就是海斯在液体的朴素物理学方面所作的研究(Hayes1985b)。该工作包括尝试编一个“液体所能具有的各种可能状态的分类”，以及制定一组与运动、变化和液体几何形状有关的规则。最后的理论包括对液体15种状态的说明，以及在谓词演算中开列的74条编号的规则或公理。这相当于一个详尽的语言能力说明，最终可能得出它的完整的层次-2算法形式。的确，海斯十分明确地主张对这一方案要作高层次的研究，他坚持认为过早地寻求工作程序是错误的(见Hayes1985a:3)。这样，朴素物理学的解释策略就是纽厄尔和西蒙所推荐的正规的经典方法论的范例。首先，寻找一个包含符号表述和一组状态转变规则的高层次语言能力理论；然后，编写出实现该语言能力理论的层次-2算法；我们对于算法所满足的必要条件具有精确的、较高层次的理解，因而真正地领会了算法为什么能够完成当前任务，由于这样一些知识，这种算法是可靠的。这种可靠性正是联结论所缺少的，因为它的运行方式不是(不能够)通过系统阐述一个详细的经典语言能力理论，然后再根据经典的符号加工构造简洁地实现这一理论。
于是就面临这样的问题：联结论者应当怎样行事，什么构成了对于加工过程的较高层次的理解，这些就是我们为了断言真正解释了一个任务是如何完成的所需要了解的东西。看来，我们需要的是对经典语言能力理论解释层次的某种联结论模拟。
我相信这种模拟是存在的。但是只有我们在认知科学中对于我们关于解释的描述发动一场哥白尼式的革命，它才会显露其面目。因为联结论者成功地翻转了这一惯用的时间和方法论的解释顺序，这与哥白尼用地球围绕太阳转动来代替另一种转动方式，从而翻转了那个时代惯用的天文学模型是非常相像的。同样，在联结论理论的建立中，是使高层次理解围绕着一个已经学会怎样对付某个认知领地的工作程序在转动。这样就翻转了正规的玛尔式顺序，根据玛尔式顺序，高层次理解(即语言能力理论)是首要的，并严密地指导着算法的求得。为了弄清这一点，同时也为了知道联结论者的高层次理论是怎样背离经典语言能力理论形式的，我打算考察一下塞诺斯基的NET讲话方案。
人工智能哲学
320