多层结构还有进一步的优点。很显然，数种不同模态的映象，由于它们在一个“棒状分层结构”（club sandwich)内的总的记录中的恰当变形和定位，为交叉模态的整合和比较提供了最有效的方法。例如，在SC中，这种多模态的安排适合于对联合接收到微弱的、但在时空上一致的听觉和视觉刺激产生运动响应，这些刺激孤立出现时总是低于运动响应的阈值的。例如，来自某一方位点的微弱声音，也许太弱，不能促使眼睛进入中央凹扫视状态，而来自某一方位点的一个细小运动也许同样是不起作用的；但如果声音和运动这两者来自同一方位点(因而在SC中沿同一个纵向轴编码)，那么它们在同一时刻的结合就确实足以使运动皮层对眼睛作出恰当的指示。梅雷迪斯和斯泰因(Meredith andStein1985)最近的研究成果是对这一预测的有力支持。
进一步的探索揭示，多层分层结构可以明显地促进复杂的认知功能。在先前关于这些问题的一篇文章中(Churchland1986)，我已经说明了一个三层状态空间分层结构如何能以适当的方式为运动目标的轨迹编码，并进行投影，以确定螃蟹捕捉正在飞动的运动目标所需要的爪臂位置。很显然，多层的脑皮质会具有相当多的优越性。
- 超出状态空间分层结构的情况
在上面研究的例子中，所具有的输入状态空间和输出状态空间都毫无例外地是二维的。其原因在于这一事实：所需坐标变换可以通过一对相邻的片状的映射图来实现。但是，那些所含子系统分别具有多于两个的参数的情况如何呢？从n维输入空间到m维输出空间(这里n和m是不同的，并且两者都大于2)进行坐标变换的情况又如何呢？让我们考虑一下，例如，带有三个以上关节的肢体的合成角度的协调问题，以及数个这种肢体互相协调的问题。或者考虑一下共同控制这种肢体的更大数量的肌肉的协调问题。一旦考察了那些真实动物平常面对的、并已经解决了的问题，人们就会感到其中许多问题远比简单的二维到二维变换所能表示的要复杂得多。
人工智能哲学
378