更为可能的真实情况也许是，在这两种情况下，特定图像或信念只不过是一组更深的数据结构的任意投影或“切片”，这种样本切片的总的连贯性是整体信息存储在更深层次上的方式的直接后果。例如，一台利用归纳规则来决定接受或拒绝单个得到的离散切片的归纳机器，会因过分谨慎细致而显得忙忙碌碌，但它不会得出总的连贯性的结果。这就意味着，我们要理解学习过程，可能还得理解直接支配着更深层次上的整体数据结构演变的作用力。
这些高度思辨性的评论显示了本文中概述的理论所提出的一个研究方向：一个通过坐标变换而相互作用的状态空间系统所具有的抽象的表述能力和计算能力究竟是什么？我们能够用它来系统地阐明代表“更高”形式认知活动的模型吗？这个理论也假定了相反方向的研究——脑的神经生理学研究的正确性。因为脑肯定不是一台以数字计算机方式工作的“通用”机，所以经常会出现这种情况：我们一旦事先准备好要认清它们，就可以直接从脑的微结构中读取脑的局部计算策略。因此，关键是要研究这种微结构。（对认知神经生物学的通俗介绍，见Churchland 1986。)
总的来说，通过坐标变换而相互作用的状态空间系统所具有的惊人的表述能力和计算能力，为理解神经系统的认知活动提供了一个强有力的、适用性极广的工具，尤为重要的是，适合于实现这种系统的物理机制遍布于整个脑之中。
14 认知神经生物学中的某些简化策略
391