{"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":373,"pdf_page":381,"physical_index":381,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"68c8e367aa109b60b6c4787106a9b3b004537154fbb537ec02eb3c1422b30ae6"},"chapter":"人工智能哲学","content":"图14-6中的互连映射图系统，除了它的函数实在性而外，还与已知的典型分层大脑皮质物理结构，包括分布在整个大脑表面的许多拓扑形态映射图，具有易使人产生联想的相似性。在所有这些区域中，输入所在的位置是某个已知的细胞层，该细胞层多次体现出这样或那样的度量变形拓扑形态映射图。而输出所离开的区域则存在于不同的层内，第一层与该层之间有大量纵向联系。\n\n因此，我提出这种假设：大脑皮层内那些分散的映射图，以及许多亚大脑分层结构都从事于从一个神经状态空间中的一些点到另一个神经状态空间中的一些点的坐标变换，其做法是使纵向联系的度量变形拓扑形态映射图直接相互作用。它们的表述方式是状态空间位置；它们的计算方式是坐标变换：而这两种功能在状态空间分层结构中同时得到实现。\n\n【(1989年增补)这个假设的第二部分，特别是第三部分，现在看来几平肯定是错误的，至少在对大脑皮质的解释上是这样。特定大脑皮质区域的特定皮层中的细胞群体确实是在对状态空间的位置进行编码，但采用的是全体细胞均处于激活水平的全局模式，而不是对最强的细胞激活所作的狭隘空间定位。另外，从这一层到邻近细胞层的轴向投射，的确实现了从一个状态空间到另一个状态空间的变换，但是其方法是下文§6中概述的“矩阵乘法”式的变换，而不是转移相互变形映射图之间的一个激活热点。这种拓扑形态映射是许多皮质区的特点，而现在则表现为带有深层编码策略的少数人工制品：参阅第6节中对多维矢量编码的解释。然而，作为对上丘的一种可能的解释，以及作为对有关计算思想的介绍，本节的讨论仍然是富有启发性的。】\n\n我无法举出一个已知的单个大脑皮质区，对它来说这种功能假设是正确的。大脑皮质映射图的解码是一件刚刚开始的事情。明显成功的例子，屈指数来最多不过十几个，并且一般限于表面的大脑皮层。然而，有一个重要的皮质下区域，它的上层映射图和下层映射图已至少被部分解码，并且它的确表现出图14-6描绘的那种一般模式。\n\n14 认知神经生物学中的某些简化策略\n\n373","previous_page":372,"next_page":374}