{"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":325,"pdf_page":333,"physical_index":333,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"f55b3665bb0eaa9fbf9d88c16116b370d132e44a6da70c06e3544f0104f6673b"},"chapter":"人工智能哲学","content":"另一方面，一些激进的反命题的理论家(如Churchland1989，待出版)或许会认为，解释后的簇分析给予日常陈述话语的东西太多了。丘奇兰的看法是，正确的理解层次位于联结的加权值层次。他坚持认为，原因在于这些就是系统“真正”知道的一切。系统并没有表述它自己的诸分割。此外，在给定新输入时，两个系统的学习方式可以不同，即使它们在时刻t1的簇分析是等同的。因为联结的加权值(我们已了解到它与簇分析的关系是多对一的)是认知进化中的关键性部分。\n\n然而，这看上去就像常见的高层次解释那种有所得也有所失的情况。有时我们要选择一个分析层次，使之对特定联结的加权值的说明进行分组，而成为由公共簇分析支配的等价类，这时我们自然地以特殊性换取了一般性。正像纯粹的达尔文主义未对隐性特征加以解释，而是强调了存在于一类进化机制中的一般原则一样，簇分析也未对认知发展的某些细节作出解释，而是强调了能使一类网络设法成功地对付给定认知领地的总的感受性。如果联结论准备对认知性能做深入的解释，那么某个像这样的高层次理解看来就是非常重要的。仅仅只对一组联结的加权值作出说明，当然不是一种解释方式，甚至连反命题论者也是这样看。\n\n然而，我想强调的主要论点与对簇分析优缺点的任何看法都不相干。它关系到传统认知科学的方法论转换。不管用什么手段，联结论者是通过对一个学会完成当前任务的网络的反思和修修补补，来获得对一个认知任务的高层次理解的。与受玛尔鼓舞的经典理论家不同，联结论者不是先制定好(句子、符号的)语言能力理论的骨架，然后再赋予它算法的血肉。相反地，它从层次-0.5开始，训练一个网络，然后再尝试掌握已由网络体现出的高层次规则。可以说这给认知科学带来了不可思议的好处，因为该学科一直被特别规定和命题主义的(有关的)弊病困扰着。由于不得不将语言能力理论归结为一组组定义在经典的符号数据结构上的规则，理论家们已经凭空抽取出一些原理，以便使他们的工作条理化。与之不同的是，联结论方法论允许该任务提出自行勾画轮廓的要求，从而，以不受标准符号公式化要求左右的方式提出该空间的形状。于是我们就避免了把我们有意识的命题思想的形式强加于我们无意识加工的模型之上一—这种强加方式一般地说既在实践上是不成功的，也在演化上显得异乎寻常。\n\n12 联结论、语言能力和解释方式\n\n325","previous_page":324,"next_page":326}