{"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":35,"pdf_page":43,"physical_index":43,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"08127a6c255bfcc282a081eb4136184a143b2cacd5c4d25c19a531f97ce938ea"},"chapter":"人工智能哲学","content":"定理VI\n\n助长和时间求和可以被空间求和替代。\n\n显而易见，在受刺激细胞和要求在其上保持时间求和的神经元之间，我们只须引人一个增加突触数目的、适当的延迟链序列。这样，空间求和的假定就会给出所需要的结果。作为例子，请看图1-1h。这个过程可用于表明，观察到的整个网的时间求和并不含有个体神经元之间相互作用中的那种机制。\n\n学习现象具有在神经活动的大多数生理变化过程中保持不变的特性，似乎要求网的结构有可能出现永久性改变。这种改变的最简单的方式是形成新突触，或等价的局部阈值降低。我们设想某些轴突末梢开始时不能刺激后继的神经元；但如果在某一时刻这个神经元激发了，并且轴突末梢也同时受到刺激，末梢就变成通常类型的突触，从此以后就有了刺激神经元的能力。抑制性突触的损失得出一个完全等价的结果。于是我们就有定理VI。\n\n定理VI\n\n可变的突触可用环来代换。\n\n这一过程可用图1-1i中的方法来实现。还必须注意，一个变为自发活动的、并保持这一特性的神经元，同样也能由一个环来替代，该环进入活动状态靠的是活动开始时的周围传入神经，而它被抑制则是靠活动停止时的周围传入神经。\n\n3. 理论：有环网\n\n那些不满足以前不带环假定的网，处理起来要比满足的情况困难得多了。这主要是由于：活动可能在一个环路中形成，并在一段不确定的时间内继续环绕它震荡，所以可实现的Pr可能涉及对一些久远程度不定的过去事件的参照。我们来考虑这样一个网H，假定它为P阶，并设 $c _ { 1 } , c _ { 2 } , \\cdots , c _ { p }$ 是H中的一组循环的神经元。首先从定义可知：H的每一个N，都可以表达为 $N _ { 1 } , ~ N _ { 2 } , ~ \\cdots , ~ N _ { p }$ 和绝对传入神经的TPE；于是H的解仅涉及对该循环组表达式的确定。照此办理，我们就能推导出一组表达式[A]：\n\n1 神经活动内在概念的逻辑演算\n\n35","previous_page":34,"next_page":36}