{"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":279,"pdf_page":287,"physical_index":287,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"9158fe321e7ca8d0d5fdfa92cc38ab7ad35306bd82020978cc0d7416240646bd"},"chapter":"人工智能哲学","content":"假定我们想要表述平面中单个点的位置，同时又希望用较少的单元达到高精度水平。一个编码方案的精度可定义为当这个点在空间中移动一个标准距离时所生成的不同编码个数。一种编码方案是把这些单元分成X组和Y组，并指定每一单元对一个特定的X或Y的区间进行编码，如图2所示。这样，一个给定点的编码将从分别来自两个组的两个单元的活动性中得出，而精度是与所用单元的个数成比例的。遗憾的是，这里存在两个问题。第一，如果两个点必须同时编码，这种方法就无效了。这两个点将激活每一组中的两个单元，而从这些活动单元无法断定这些点究竟是在 $( \\mathbf { x } _ { 1 } , \\mathbf { y } _ { 1 } )$ 和 $( \\mathbf { x } _ { 2 } , \\mathbf { y } _ { 2 } )$ ，还是在 $( \\mathbf { x } _ { 1 } , \\mathbf { y } _ { 2 } )$ 和 ${ \\bf \\left( x _ { 2 } \\right. }$\n\n${ \\bf y } _ { 1 } )$ 。这问题称做结合问题。它的产生是因为这种表述没有说明什么与什么在一起。\n\n即使每次只有一个点要表述，第二个问题仍然会出现。假定我们想使某些表述而不是别的表述与一个明显的响应相联系：我们要$( \\mathbf { x } _ { 1 } , \\mathbf { y } _ { 1 } )$ 和 $( \\mathbf { x } _ { 2 } , \\mathbf { y } _ { 2 } )$ 而不是 $( \\mathbf { x } _ { 1 } , \\mathbf { y } _ { 2 } )$ 或 $( \\mathbf { x } _ { 2 } , \\mathbf { y } _ { 1 } )$ 与一个响应相联系。我们无法利用从分别代表两个维度的值的单元到响应单元的标准加权联结实现这种联系。因为用于 $\\mathbf { x } _ { \\mathrm { l } }$ 的单元和用于$\\mathbf { X } _ { 2 }$ 的单元都必须激活这响应，而用于 $\\mathbf { y } _ { 1 }$ 的单元和 ${ \\bf y } _ { 2 }$ 的单元也都必须激活这响应。当用于$\\mathbf { X } _ { 1 }$ 的单元和用于 ${ \\bf y } _ { 2 }$ 的单元都被激活时，是无法阻止这一响应被激活的。这又是因为这种表述无法说明什么必须与什么在一起而造成的结合问题的另一个方面。\n\n在常规计算机中，结合问题是容易解决的。我们只要在计算机的存储器里造两个记录。每个记录包含一对坐标，它们像一个点的坐标一样连在一起，而结合信息则根据两个坐标值处在同一记录中这一事实(通常是指它们处于相邻的存储器位置上)来编码。在并行网络中，解决结合问题就困难得多了。\n\n11 分布式表述\n\n279","previous_page":null,"next_page":280}