人工智能哲学
的；即被认为以正值分配给前三个特征，以负值分配给最后一个特征……由于微特征常常被假定是从刺激样本的统计特性自动(即经由学习过程)得出的，所以我们可以认为它们表达的那些种类的特性是由对多组刺激的多元分析揭示的。特别是，它们无需与英语单词相对应；对于非专业人员需要用单词来形容的那些术语来说，它们可以是更为细小的颗粒，或者说是非典型的术语。然而与此不同的是，它们纯粹是寻常语义特征，非常像词典编纂者惯用的表述单词意义的那些特征(黑体字是我强调的)。
但这其实是由福多尔和佩利舒的偏见所致。我们可称之为“概念论的盲点”：内容的表述结构只能是它的概念结构，因为这里仅有的那种内容是概念内容。但是我不仅证明了情况并非如此，而且也证明了它不能如此。C3提供了非概念内容的观念，并且表明了如何利用认知地图的构成中所包含的那些减小视角依赖性的变换公正地对待对认知的经典制约。联结论可能不是句法语义的，但是PTC是依据这一事实证明联结论怎样才能为建立认知模型的经典方式提供替换方案的。
反对联结论的观点常常以这种形式出现：一个黑箱，甚至是一个十分成功的黑箱，并不为心理学理解增添任何东西(见第1节)。在某个刺激环境中训练出来一个联结论网络，它在那个环境中的表现可能会十分成功，但是因为该网络已经通过它的学习规则系统自行编程，对这种表现是如何完成的，我们将一无所知，除非我们能够检测出它的隐蔽单元上的加权值，并找到对这些加权值的解释，以便我们能理解为什么该系统是成功的。经典人工智能也面临着类似的问题：处理LISP基本表达式的一个复杂模式怎样才能构成一个心理学理论？LOT解决了这个问题，但是它提供的解答对联结论来说是无用的，因为通常任何连贯的语义学都不能定义在隐蔽单元之上。情况可能是这样的：关于单元联结性模式的功能发挥，所能确定的只是它协调某些输入活动矢量种类与某些输出活动矢量种类之间的联结的那种方式。那怎样能提高我们的
462