这样，簇分析就为可能的隐蔽单元激活的空间形状提供了一种描绘，而隐蔽单元的激活加强了网络的性能。通过对这个空间各个方面(即各种成簇现象)的考虑，理论家可望得到对该系统当前行为的某种深入认识。例如，可能发现这系统原来是对某个一直未被注意到或是被当做不重要的次级规律性高度敏感的。这就如同在我们试图理解认知空间时，为我们提供了对该空间的形状的勾画。这种勾画必须加以解释，而这是一个实际的、有时是困难的任务。但这并不是暗中摸索，因为我们能弄清什么输入同那种构形有联系(即使这是一个由簇分析揭示出的较高层次的构形)。
这样我们就得到了当前每一类别的成员—于是该任务就是寻找用来描述各类别成员资格条件的概念层次上的明白易懂的术语。
我想指出，一个得到充分解释的簇分析构成了最接近于经典语言能力理论的联结论模拟。像语言能力理论一样，它提供了一个比算法层次更高(即更一般)的理解层次。因为在联结论者看来，“算法”说明的内容必须包括(a)网络构形，(b)单元规则和联结强度。但是在这种算法说明和特定的簇分析之间存在着多对一的映射，例如，一个在开始时带有一组不同的随机加权值的网络，经过训练，就会表现出相同的分割轮廓图(因而具有等同的簇分析)，但这样做用的是一组差别很大的个体加权值。然而，簇分析与经典语言能力理论不同，通常它看来不像一组定义在概念层次实体上的状态转变规则。相反，它更像一块认知领地的形状的某种几何图像。那些认为高层次解释必须像一组命题和规则的理论家，可能会感到难以适应这一点。
人工智能哲学
324