{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"7f418071-0fdc-4a5a-a4c5-82dd1979d9c2","title":"人工智能哲学","author":null,"edition":null,"publisher":null,"year":null,"isbn":"7532740544","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"7f418071-0fdc-4a5a-a4c5-82dd1979d9c2","id":"7f418071-0fdc-4a5a-a4c5-82dd1979d9c2","uuid":"7f418071-0fdc-4a5a-a4c5-82dd1979d9c2","title":"人工智能哲学","normalized_title":"人工智能哲学","author":null,"edition":null,"publisher":null,"year":null,"isbn":"7532740544","isbns":["7532740544"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":501,"navigation_url":"https://workshop.closeclaw.top/ai/book/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2","title_url":"https://workshop.closeclaw.top/ai/title/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%93%B2%E5%AD%A6","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2","page_url":"https://workshop.closeclaw.top/api/ai/books/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2/page","search_url":"https://workshop.closeclaw.top/api/ai/books/7f418071-0fdc-4a5a-a4c5-82dd1979d9c2/search"},"page":{"printed_page":16,"pdf_page":24,"physical_index":24,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"4f31f4fbf1fc490836fb6c876f8c75915562fb9f9f789cf7eb590b5343bbbe53"},"chapter":"人工智能哲学","content":"联结论就是受到这一事实启发而形成的AI分支(第11—13章)。联结论是一个总的名称，其中包括多种信息处理系统，它们不同的计算特性还远未得到认识(Anderson and Rosenfeld 1988)。它们的共同特征是，通过概念化，它们可以成为由许多简单单元构成的大规模并行处理装置。一个单元的活动受到相邻单元活动的制约，相邻单元通过抑制或激活连接方式与之发生联系，其连接强度可以根据设计和(或)学习而发生变化。单元活动和连接强度可用数字表示，整个系统活动和系统加权值的变化(通常)是由微分方程控制的。\n\n这些单元可以是各种不同类型的：二元的(活动或静止)或连续梯度的(活动程度是变化的)；确定的(其活动完全取决于输入单元的活动)或随机的(有时随意激活)；专用特长的(有效证据只对一个单元产生影响，对其他单元不起作用)或作用重叠的(对部分共享证据作出反应)；可能协调得比较一致，也可能差些。这些计算上的差别，全都可以在大脑中找到例证。然而，尽管从神经系统中得到很多启发，联结论单元——像麦卡洛克和皮茨在理论上所规定的“神经元”——仍然是抽象的理想形式：实际的神经元不仅复杂得多，而且有某些明显不同的特性。\n\n联结论的一个很有影响的例子，是对并行分布式处理所做的“PDP”1研究，其中包括G·欣顿、J·麦克莱兰和D·鲁梅哈特所描述的“分布式表述”（第11章)。在PDP系统中，一个概念不是由存储在某个可确认的存储部位中的个别符号表述的，而是由一个均衡状态表述的，该状态定义在由局部相互作用的单元构成的动态网络上。每个单元对与所涉及概念相关的许多微观特征之一进行编码，单元之间的联结则根据响应特征是相互支持的还是相互抵制的，而表现为激活的或抑制的。在均衡状态下，那些高度活动的单元代表相互支持或至少是相互一致的特征(其他单元则处于静止状态)。任一给定的单元都可以参与表述若干个概念，在不同背景下，“完全相同的概念”可以用局部不同的网络来表述。\n\n人工智能哲学\n\n[1] PDP 即 Parallel distributed processing(并行分布式处理)的缩写。——译者\n\n16","previous_page":15,"next_page":17}