一旦我们打算对认知科学中我们关于解释的思考进行一场哥白尼式革命的时候，上述忧虑就会减轻。在玛尔的影响下，认知科学家们倾向于期望对先于算法编写和贯穿于算法编写的任务作出某种高层次的理解。这正是经典语言能力理论说明致力于完成的工作。然而联结论者成功地反转了这一策略。他们从对任务的最低限度的理解开始，训练网络去完成这个任务，然后用各种原理方法寻求获得有关网络正在做什么和为什么这样做的较高层次的理解。这可能包括仔细记录网络的活动状况，检验网络在受到各种不同形式损害后的行为，和查明网络的隐蔽单元对它们所对付的空间进行划分的方式。这最后一步(文中已提到的簇分析)显然提供了一种较高层次的理解，因为在已知的簇分析与那组能够实现它的联结加权值之间，存在着多对一的关系。联结论者从层次-0.5模型开始，迅速地发展到层次-3实现方式，然后必然返回到详细的较高层次理解。
我想指出的是，这一解释方式的转换，实际上构成了联结论方法超过传统认知科学的一个主要优点。它之所以是优点，是因为它提供了一种方法，可避免以专门方式生成公理和原理。在使某个认知任务条理化时(使我们想起朴素物理学)，联结论者不必根据一组相当任意的符号式的、以语言为基础的公理作出决定，而可以让任务自行组织网络，然后才尝试概括出对它的活动的各种较高层次的描绘。此外，这些描绘可能背离(其方式还需要我们去充分想象)把理论作为一组命题的传统描绘方式。相反，它们可能具有更多的几何或图形的性质，或是以意想不到的、看起来很笨拙的方式使用语言(Churchland1989，待出版)。
最后，我们可以推测：在对待语言能力的态度上，联结论者和经典主义者之所以分化，是有其相当深刻的原因的。这原因就是语言能力模型是一个用命题或逻辑形式表示的传统理论。经典主义者认为思维只是对具有命题或逻辑形式的条目的操作；而联结论者则坚持认为，这只不过是一种表面现象，思维(“深层”思维，而不仅仅是列举命题)取决于对多种十分不同的结构的操作。结果是，经典主义者试图给出一个层次-2加工模型，这模型正是定义在与它的层次-1理论描绘完全相同的各种结构之上。而联结论者则坚持要分解这一结构，并用某种全然不同的东西来替代它。
人工智能哲学
328