论认知科学联结主义模型的前景，本文主要内容关键词为：认知科学论文,前景论文,模型论文,主义论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
自从1986 年拉梅哈特（D ·Rumelhart ）、 麦克莱兰德（J ·McClelland）和“PDP 研究组”出版两卷本的《并行分布处理：认知的微观结构探索》以来，联结主义模型（或人工神经网络）不仅引起了认知科学家们愈益广泛的兴趣和研究热潮，而且也得到了许多著名哲学家的关注和认可。本文试图在概括地描述联结主义模型的基本特征的基础上，从理论优势和应用价值两个方面，对联结主义发展的前景作初步的分析。
1
联结主义（Connectionism ）是探讨心智和智能的一种新的科学方法。其中心概念是“并行分布处理”（Parallel DistributedProcessing，简称“PDP”）的概念，即认知或智能是从大量＜!DX 单一处理单元的相互作用!＞中产生的。联结主义致力于探究“认知的微观结构”。在联结主义看来，神经元的（或数学的）单元及其联结的网络构成知识；联结的加权的变化可说明感觉、身体运动以及认知过程。联结主义表明：以冯·诺伊曼（Von Neumann）构架为基础的常规计算机，具有根本上不同于我们神经系统的结构。联结主义的目的不再是用符号和符号操作来模拟认知过程——像“物理符号系统假设”那样，而是模拟发生在神经系统中的过程。当然，这些“人工神经网络”（artificial neural networks）仅仅表征它们天然原型（人脑）的数学上的抽象和大致的模式。换句话说，联结主义的语言是微分方程式而不是数学逻辑。
从方法论角度看，联结主义方法与其说是对单一神经元的功能感兴趣，不如说是对被称为“单元”（units）的简单处理器的＜!DX 整体行为!＞感兴趣。在联结主义模型中，一个单元以非常抽象的方式表征一个神经元。它通过对其它某些单元的“加权”（weights， 可与突触联结相比较）联结起来。它自己的“激活”（activation）是通过总计权数的乘积和其它单元的激活而计算出来的，并通过S 形或线性函数——把乘积的总数映射到某种值域——来计算单元的输出。这种输出再次充当恰好并行地从事同样活动的其它单元的输入。在多数情况下，联结主义模型假定了同时的和离散的同步。概括地说，联结主义系统（及其环境）可以被考虑为由如下部分所组成：
1.一组处理单元。被称为“节点”（nodes）或“认知单元”。 它们与神经元相似，但不是那么复杂。一个节点能做的唯一事情是呈现某种水平的激活。一组处理单元被假定是n—维矢量（n是该系统的单元的数目）。可以区分3 种单元：输入单元——外部刺激据此进入该系统；输出单元——与译出输出激活指令的输出装置相联结；隐含单元——不是与环境而是只与其它单元相互作用的内部单元。
2.激活的状态。节点可以被激活到变化的程度，即在每一时间t， 每一单元有某种激活a（t）。这也能被看作n—维矢量。 如果某些节点被激活至某种阈限之外，我们就会意识到它们编码的无论什么东西。这些被激活的节点的集合，就对应于意识的内容。多数被激活的节点表征此刻正在进入的无论什么东西。其它节点——诸如处理多数运动行为的节点——则在意识觉知之外运作。
3.联结的模型。它决定一个单元通过加权输入对其它单元产生的影响。该加权可以被比作天然神经系统（人脑）的突触。“正性加权”对单元的激活产生兴奋性影响，“负性加权”则产生抑制性影响。这就是说，单元要么通过兴奋性联结，要么通过抑制性联结——二者在力度上往往不同——而彼此联系。这些联结的力度就构成了在单元所表征的东西之间联想的“长时记忆”。所有的长时记忆都以这种方式被编码。联结的模型也被称为“网络的构架（architecture of the network ），也能被理解为n×n的加权矩阵。它对该系统的动力学负责，在被这种系统所表征的知识背景中起重要作用。
4.节点的激活规则。是指在时间t+i中计算新的激活水平的规则，即a（t+i）。这是通过使用现时的激活a（t ）和该单元的输入而计算的。激活规则具体说明一个节点正好怎样“合计”它的输入，它怎样把输入与它现时的激活状态——其激活衰减的比率，等等——结合起来。
5.节点的输出功能。把激活映射到节点的输出上即为“输出函数”。一个节点的输出怎样与它的激活关联起来？如果一个节点的输出正好与它的输入相同，那么该节点对任何东西都无用；如果我们选定阈限，或使得输出是节点激活的非线性函数，那么我们会得到有用的结果。
6.学习规则。学习规则对改变联结的模型负责。即是说，通过改变权数，被表征在该网络（及其动力学）中的知识就被改变了。通常，权数以小增值或贬值被改变——通过学习规则计算出来。它被现时前后“突触”的激活，被现时权数，有时被外部目标值，或被一种线性学习因素（通常为1）所决定。可见， 联结的网络一个有趣的特征是它们增强操作的能力即“学习”。学习对于知识被表征的方式——当学习改变该网络的权数时——具有强烈影响。学习是通过权数的略微变化得以实现的，在此小的局域变化可以引起网络整体行为的变化。
总之， 联结主义网络或者可以有“前馈构架（ feed — forward architectures）——激活之流从输入单元到输出单元一个方向运行，或者可以有“回归构架”（recurrent architectures）——具有反馈联结。回归构架导致该网络有其自身的动力学，因为它不仅与来自环境的刺激相互作用，而且与其自身的激活相互作用。网络的这两种类型可显示相当复杂的行为，这可归结于发生在单一的单元中大量相当简单的处理、这些处理的并行结构以及大规模的联结性。
2
许多认知科学家对联结主义的前景充满信心。他们一般认为，联结主义模型能够体现人脑的基本特性，是人脑功能的一种抽象和简化。它的提出和发展为探索人脑的信息处理机制提供了一条新途径。值得注意的是，联结主义得到了一些极为严谨、一般不轻易表态的著名哲学家的肯定和认可。例如哲学家塞尔（John R.Searle）说：“在认知科学的硬核中，最大的变化是关于人类认知的联结主义、PDP 和神经网络模型。我对这些比对传统人工智能更富同情，因为它们试图回答关于像人脑一样运作的系统怎样可能产生意向的和智能的行为。如果我们把它们设想为弱人工智能——企图构造模型或模拟但不是实际复制人的认知的某些特征，它们是相当有用的。”（注：Edited by Peter Baumgartner and Sabine Payr（1995），Speaking Minds: Interviews with Twenty Eminent Cogitive Scientists.Princeton University Press.P.205.）心智哲学家豪杰兰德（John Haugeland ）也乐观地认为：联结主义的兴起，“与其说是先前的东西的提高发展，不如说是一个分支，一种替换。它在这10多年中占居着兴奋点。所有的闪光都在这里。这不是说，它在它实际上能取得的东西方面有惊人的成功，但它仍然似乎是最有希望的方面。”（注：Edited by Peter Baumgartner andSabine Payr（1995），Speaking Minds:Interviews with TwentyEminent Cogitive Scientists.Princeton University Press.P.104.）我们认为，联结主义之所以具有充满希望的前景，首先表现在它相对于“物理符号系统假设”的理论优势方面：
（一）近期联结主义提出了一种能将“物理符号系统假设”的表征—计算概念加以整合的新的“计算模型”
众所周知，以西蒙（H.Simon）和纽威尔（Allen Newell ）为代表的“物理符号系统假设”的基本观点认为：心智内部具有对世界的“表征”，并根据“规则”操作这些表征。这一假设或模型的基本方法是探究智能成就是怎样经由理性的符号表征的操作而成为可能的，并认为这就是认知的本质。但在联结主义看来，这一假设对“认知”的理解是过于狭隘了，以致于豪杰兰德把它称之为“好的老式人工智能”（ Good Old—Fashioned Artificial Intelligence，简称GOFAI）。其大意是说，这种人工智能观尽管不乏其积极意义，但现在看来已经过时了，甚至失败了。
大家知道，自二战以来数字计算机被投入使用即“符号处理”，在产生研究心智的新方式方面起了关键作用：从信息处理的观点研究人脑是可能的。计算机在认知科学的所有学科中成为心智的强有力“隐喻”——被称为“计算机隐喻”。有人认为：“对认知科学的符号处理探讨和新的联结主义在许多和重要方面不同，但似乎是，计算机隐喻对于它们二者都仍然起作用并且把它们统一起来——尽管还存在它们的差异和论争。不仅计算机模型对于神经网络研究者就像对于符号处理方法一样至少是如此重要，而且部分论争也能被看作这样的论争：谁对计算机隐喻有‘更好的’、更正确的解释——谁仅仅关心软件，或者谁也解释硬件的实际的（或至少是虚的）构架。 ” （注：Edited by
Peter Baumgartner and Sabine Payr （ 1995 ）， Speaking Minds : Interviews with Twenty Eminent Cogitive Scientists.PrincetonUniversity Press.P.14.）这样，对于符号处理模型和联结主义来说，谁能取胜，在很大程度上就取决于有什么样的合理的计算理论了。
麦克莱兰德在阐明联结主义的计算模式方面极有代表性。他说：“计算模式（computational model）意味着， 你必须能够阐述处理的性质的概念，这种阐述是以具体说明实际从事这一处理的程序来进行的。现在，计算处理（computational process）一词与这一点相联系， 而与直接处理（just process）相反，因为在认知圈子内，通常的理解是，这些活动离开它们对之采取行动的实际外部客体而进行。这就是物理符号系统假设的整个事业。你用不是在物理客体之上而是在表征这些客体的东西之上的某种结果，来从事某种心理活动——与我们使用数字计算大量小麦而不是把小麦堆积起来一样。在计算模式中，我们试图弄清我们应该有什么表征——以什么信息为基础，什么处理适用于这些表征。”（注：Edited by Peter Baumgartner and Sabine Payr （ 1995），Speaking Minds:Interviews with Twenty Eminent Cogitive Scientists.Princeton University Press.P.133.）
麦克莱兰德主张：心智是一种在物理客体之上实行操作的物理装置（physical device）——不是事物本身，而是这些事物的表征。 这种心理过程的结果可以是新的表征。在某一层次上，这听起来有点像物理符号系统假设。 但麦克莱兰德用“物理实例说明假设”（ physical instantiation hypothesis）与此区分开来。 该假设的实质观点是，心理过程在如下的物理系统中被实例说明：物理系统本身不是被表征的事物，而是处于与它的某种关系中。被表征的事物中的客体是传统的符号。因此，联结主义与物理符号系统假设的主要差别，不在于是否存在表征，是否存在持续的符号操作，而在于对表征和符号操作的实质性理解。
联结主义声称：在PDP模式中有隐含的计算理论：“我们相信，PDP模式一般在算法层次上被陈述，主要目标在于具体说明在认知中所涉及到的信息和处理或程序的表征。……在PDP 模式中有隐含的计算理论以及求助于某种实现的（生理上的）考虑。”（注：Rumelhart,D.E.andJ.L.McClelland and the PDP Research Group（1986）,Parallel Distributed Processing:Explorations in the Microstructure of Cognition.2 vols.Cambridge,Mass.MIT Press.PP.122—124.）麦克来兰德还直截了当地说：“在联结主义中， 表征论（representationalism ）是本质性的。人们时常误解这一点。”（注：Edited byPeter Baumgartner and Sabine Payr （1995），Speaking Minds:Interviews with Twenty Eminent Cogitive Scientists.PrincetonUniversity Press.P.134.）在联结主义看来，存在着某种与世界中的客体处于符号关系的“表征的操作”。这里，与世界中的客体的符号关系仅仅意味着：表征不是事物本身，而是为计算的目的起客体作用的某种东西。它能被用作进一步处理的基础——可能导致新表征的形成，正像我们有数字2表征一个田里的2蒲式耳小麦，数字5表征另一田里的5蒲式耳小麦一样。
符号（symbol）一般被认为是从指向其他知识那里获得力量的抽象类型的标记（token of an abstract type）。在联结主义者看来， 这使内容的表征本身丧失了，并把关于现时的思想客体的信息置于背景中。其实，符号本身不是信息， 而仅仅是对于信息的一个指示物（pointer）。当你处理符号时，你不得不搜遍某一复杂之树以便发现那一信息。这就限制了符号取向的系统（即物理符号系统）探索思想客体的内容的能力。如果在表征中的思想客体能设法给我们关于这些内容的更多信息，这就会增加思维过程的灵活性和潜在的语境敏感性。因此麦克莱兰德略带宽容地说：“如果你来自研究思维，采纳经典的符号探讨是对的。理解思维的尝试可能会随着常规的符号概念而进步，但它被局限于它能走多远。它仅仅是思考表征的近似的真实正确方式。如果我们能更清楚地理解我们怎样能保持思考符号的那些人能够取得的东西，而同时整合关于心理表征可能像什么的新观念，我们就能在理解人的思维方面取得更多的进步。”（注：Edited by Peter Baumgartner and SabinePayr（1995），Speaking Minds: Interviews with Twenty Eminent Cogitive Scientists.Princeton University Press.P.135.）
许多联结主义者认为，现今使用的——以符号处理者为代表的——表征类型过于静态。而联结主义的基本观点是，表征不是需要被一种实施的机制来审查的静态客体。表征反而是一种活动的模型，一种动力学的客体。如果有一束处理单元，这些单元具有与其它处理单元的联结，那么表征就是在处理单元上的活动模型。于是，现时活动模型与其它一组单元可能被形成的活动模型的关系，就是“处理”本身，就是各单元之中的联结。可以预料，联结主义对“表征”的重新解释，有可能形成一种将符号处理模型的表征—计算概念加以整合的新计算模型。正如萨伽德（Paul Thagard）评论的那样：“在过去10年中，认知科学中最令人感兴趣的研究，大都使用了在一定程度上受（大脑中联结完备的‘装置’的）并行计算启发的模型。在我看来，联结主义的研究就是认知研究，即使它们设想了一种与某些对人工智能的传统研究极为不同的计算观。”（注：P·萨伽德：《心智社会：作为分布计算的科学》， 载《哲学译丛》1994年第3期。）
（二）联结主义确认人脑是“并行处理系统”， 或者说脑不是串行机而是并行机，不是数字机而是模拟机，这样就提供了一幅完全不同于符号处理模型的人脑真实工作模型
目前，在认知科学界也有这样一种折衷的观点，即试图把联结主义与符号处理模型结合起来。有人认为，联结主义中的所有人均关心知觉、听觉和视觉，而符号操作者们以抽象的方式思考人的心智——它怎样解决问题等等，这难道不是一种巧合吗？实际上可以这样看：在低层次——如模型识别、身体运动等——联结主义模型是适用的；在高级层次上，像语言处理或问题解决，符号模型可以是正确的、有用的，二者可以结合起来共同说明人的心智和认知。
但彻底的联结主义者不同意这种折衷的方案。他们坚持认为，人脑是并行处理系统。换句话说， 人脑不是串行机而是“并行机”（parallel machine），不是数字机而是“模拟机”（analogmachine）。现在已没有人真地怀疑这一点。在符号处理模型的“串行方法”和联结主义的“并行方法”之间的关系问题上，他们认为，常规的计算将有意识的推理或“秘诀领悟”（recipe following）模型化，它显然是非常串行的。当我们有意识地思考某种东西时，我们是一步一步地进行。在非常慢的时间尺度上，人的思维的确存在着串行性。但在更快的时间尺度上，串行处理并不起支配作用。人脑在这方面的确不足以像数字计算机那样快。数字计算机能通过非常快而串行地做事情并要求它突然处理这些事情来克服这一点。我们不得不设想，人的处理的串行方面是相当慢的。这种慢的串行部分即支配我们“意识”的部分，当然是认知的重要部分。
但从生物学和心理学的观点看，这种串行处理最终要依赖于潜在的并行处理系统即人脑。当我们考察在非常慢的时间范围发生的事情时，我们看到从符号处理的观点看是熟悉的事情。在这个意义上，关于串行处理的说明是对的。但当我们考察在更快的时间范围发生的事情时，我们就会看到更并行的、较少符号取向（less symbol—oriented ）的事情。而联结主义的任务，就在于试图概括这种“长时串行处理”怎样是根本上并行处理系统的结果。因此拉梅哈特指出：“计算机隐喻观念的错误，就在于企图把串行处理逐步推行到非常快地发生的现象。在这一层次上它不是正确的。但它对于将这些更慢的处理模型化提供了一个近似正确的解决或一种工具。”（注：Edited by Peter Baumgartnerand Sabine Payr（1995），Speaking Minds:Interviews with Twenty Eminent Cogitive Scientists.Princeton University Press.P.193.）
传统模式的人工智能认为，知觉、决策、理解等就是——或非常像——在串行计算机上运行的一种程序。它本质上涉及符号的操作——在运行的软件包含符号操作这同样的意义上。但在联结主义看来，迄今为止，它似乎未能特别揭示人脑真的怎样表征和计算。许多类型的表征就是经过一组神经元的激活模型（激活矢量），而计算大致地说就存在于通过矩阵而推动矢量。说脑是并行机，是因为神经系统的记忆不是存储在单一定位（记忆库）中，而学习和信息处理似乎也发生在非常同样的结构中。似乎存在着一些不同的但又相联结的记忆系统。神经系统的构架是可塑的，它继续不断地变化。神经化学物能以许多方式影响该系统——其中一种方式是有效地再接通回路。神经系统——不像串行的、数字的计算机——能在没有“嘎的一声停住”情况下维持某种损害，即它们是“容错的”。如果我们把自己局限于行为层次的数据，编写其目的是模拟人的行为的程序，那么我们就不可能更多地发现认知的性质。
（三）联结主义为解决所谓“常识知识”这一老大难问题展示了富有希望的可能性
认知科学家们一般都承认，“常识知识问题”（commonsense knowledge problem）在认知科学中是一个真正的问题。所谓常识知识，是指技能（如身体运动、打字之类，知觉技能和语言技能等）、背景知识、直觉知识等处理日常生活事件的知识和能力。在认知科学的争论中，问题不在于是否存在这类知识，而在于如何对它们作出解释。在联结主义看来，常识知识问题是符号处理模型遭致失败的一个领域，甚至在少数人看来——如著名哲学家、 人工智能的强硬批评者德雷福斯（Hubert L.Dreyfus）——将引起人工智能的“崩溃”。大致地说，联结主义认为，常识知识不是由“命题”组成，所以不能在计算机中表征它。此外，如果它是由命题组成，就会有提取的问题。因此，就算符号处理模型能用符号表征许多事物，但仍然不能表征常识知识。
根据联结主义的分析，常识知识问题似乎总体上抵制符号处理模型解决它的企图。如果我们把所有这样的知识输入计算机，我们会不知道怎样提取它。而且甚至没有人知道它是什么或怎样把它输入。勒内特（D.B.Lenat）在他的“CYS程序”中想把《不列颠百科全书》输入计算机，但在该全书中没有地方说：人们向前移动比向后移动更容易，或——正如塞尔所说——“医生穿内衣”。常识知识恰好不是在百科全书中的东西。它是每个人仅仅通过在我们文化中的成长所知道的东西。它有许多甚至不是“事实”。人们的确知道像医生穿内衣这样的事实。但向前移动比向后移动更容易——人们仅仅通过做便知道这一点。我们也能把它变成事实——通过详细地说明它而直接把它变成事实，但人们往往在未曾想到它的情况下就知道了许多。因此，将整个人类知识编程进入计算机是误入歧途的。到目前为止，还没有人曾设计出成功地处理日常世界中的任何事情的程序。
在符号处理模型中，符号表征通常被当作“表结构”，某种机制贯穿其中，在特定时间关注该结构中的特定空间。当它关注那一特定空间时，正在起作用的语境仅仅是非常局域的语境，正如在“LISP”（表处理）子程序中那样。这使得联结主义认为：“常识决不能渗透该处理，因为这种小局域处理为了决定下一步做什么仅仅能使用被写在小子程序中的材料。人们所知道的东西的无限度性，它怎样可能与我们想到下一步做的东西相关联——我们看不出怎样通过子程序加以汇集。心理表征不仅仅是一种数据结构中的定位，而是——按知识事实上是在单元之间的联结中——与知识相互作用的活动模型。这一概念给我们这样的希望：我们将能克服这种特殊的局限。 ” （注：Edited byPeter Baumgartner and Sabine Payr （ 1995 ）， Speaking Minds: Interviews with Twenty Eminent Cogitive Scientists.Princeton University Press.P.136—137.）
总之，在联结主义看来，符号处理模型不能说明任何正常人都具有的“大数据库”，不能解决快速的和相关的提取问题。而“神经网络一下子解决这个问题是戏剧性的。所有知识被体现在突触权数的巨大构型（enormous configuration of synaptic weights）中，它被输入的刺激本身自动地存取。在它里面输入的刺激具有允许自己选择相关知识的信息。的确戏剧性的是，这种老式观点的长期问题——被称为常识知识问题——应该怎样被新的神经网络如此快速地并且极好地得到解决。因为在你脑中具有的东西是神经网络，你作为一个人利用的东西是常识知识，两者会聚一起并不是偶然的。”（注： Edite d byPeterBaumgartner and Sabine Payr（1995），Speaking Minds:Interviewswith Twenty Eminent Cogitive Scientists.Princeton UniversityPress.P.44.）
3
联结主义的未来令人乐观，从近期的发展趋向看，还表现在它比“物理符号系统假设”有着更为广阔的应用前景。
首先应该指出，尽管联结主义者们试图建立像“心智”（the mind）一样的装置，或者提出心智实际上怎样工作的假设， 但建立联结主义模型的人具有各种不同的目标。近期至少可以看出三种目标：第一种是试图将特定的一段神经回路实际上处理的东西模型化。他们知道许多这种神经回路的事实，并把它们建成模型。他们试图得到能抓住这种生理回路的其他已知特征的模型，来显示行为；也许用将有关联结分布的事实加以整合这样的模型，来研究特定区域的特定神经元。
第二种建立联结主义网络的目标是想解决人工智能的问题。例如，他们希望增强对言语声音的机器识别。他们认为，联结主义框架对于做到这一点将会是成功的框架。他们相信，这是建立一种“人工系统”的方式，因为人比多数现有的像言语识别这样的人工系统要好得多。
第三种目标是实际地将人的真实的认知过程模型化。麦克莱兰德认为：“我所做的任何特定的工作将不是对问题的最终回答。我们能感知、记住语境上适当的信息——当我们需要这种信息时——等等是怎么回事？我反而把模型建立的过程当作探索的一部分。……我建立模型是为了说明已知的现象。模型肯定是表征性的。它们作出关于人脑中发生的东西的陈述，但对这些模型来说不存在特殊的本体论陈述；它们是假设。”（注：Edited by Peter Baumgartner and Sabine Payr （1995），Speaking Minds: Interviews with Twenty Eminent Cogitive Scientists.Princeton University Press.P.139—140.）
就像符号处理者们发明“LISP”（表处理）编程语言一样，联结主义者们也正在设制他们自己的编程语言来支持自己的观点。一般来说，当人们系统阐述一种理论时，他们以一种真实的“计算形式”用实例说明它。联结主义者承认，LISP是一种真实的计算形式，它是非常通用的编程语言，并与符号处理中的更具体的模型框架相反。而“在联结主义中，我们有相似的情境。我们有关于一组原始物（primitives）的基本概念——关于通用的原始物类别可能像什么的概念。然后我们在这种通用的‘框架发生器’（framework generator ）之内阐述具体框架——然后能被用于创造具体的模型。”（注： EditedbyPeterBaumgartner and
Sabine
Payr（1995），Speaking Minds:Interviews with Twenty Eminent Cogitive Scientists.PrincetonUniversity Press.P.137.）这就是说，在最抽象的层次上， 心理过程发生在由大量彼此密切相互联系的简单计算单元组成的系统中。该系统具有的知识是各单元之间联结的力度。该系统的活动通过在这些单元之中的信号的传播而出现。被每一单元所执行的计算可以是多么复杂，存在着某些约束。
在这种非常通用的公式之内， 人们就可以阐述“玻耳兹曼机”（Boltzmann machine）。它是关于单元的特性、联结的特性以及知识被编码成联结的方式等非常具体的陈述。然后，玻耳兹曼机可以在计算机程序中用实例说明——它能被构成模型以便适用于特殊的、具体的计算问题。麦克莱兰德和拉梅哈特在《并行分布处理探索：模型、程序和练习手册》（1988年）中，收集了一些从事联结主义信息处理的相当经典的框架，然后设置一些怎样把它们应用到特定的小问题上的样本模型。这种样本模型或程序通过改变其指令而被通用。这样，联结主义者就推进了一组“工具”（或称“通用公式”、“原始物”或“原理”）。“工具大体上是更抽象的。它们是关于计算机制的细节的陈述——然后能在计算机程序中被实例说明。不是计算机程序是本质性的，而是原理的陈述。”（注：Edited by Peter Baumgartner and SabinePayr（1995 ），Speaking Minds:Interviews with Twenty EminentCogitive Scientists.Princeton University Press.P.138.）
有了联结主义的工具或原理，便可以着手解决“联结主义问题”，即怎样制造与真实世界实时（in real time）相互作用的装置这一问题——与仅仅在计算机上模拟一种功能相反。例如，米德（Carver Mead）在1988年使用模拟VLSI（超大规模集成电路）技术——通过用成千上万的晶体管制造集成电路块——制造人工视网膜和人工耳蜗。现在，更多的联结主义者对神经网络的技术应用感兴趣。有人把联结主义的BP（反向传播）学习算法应用到人工智能研究。BP学习算法的基本思想是构造一个类似于感知机的非线性系统，并让这个非线性系统的决策能力与最小均方的客观误差函数和梯度下降（gradient descent）联系起来。目前，已经有人为语音识别建立了使用联结主义学习程序调整具体模块之间的权数的高度结构化模块系统。这样，就能克服联结主义学习的某些局限——如速度上的局限，而同时开发语音网络捕捉言语信号不同方面的不可言喻的相互依赖这一能力。
有人断言，联结主义模型的应用，其影响将会至少像蒸汽机和随之而来的“工业革命”一样大。例如，符号处理模型的专家系统将被“神经网络专家系统”所取代。而且，对于神经网络来说将存在着巨大的市场，如银行用神经网络专家系统预测贷款申请等。有人预言，神经网络甚至会帮助我们使科学探索过程本身自动化。也许在未来15或20年，联结主义人工智能帮助思考新的科学理论、帮助我们处理概念上的事情，会变得相当好。现今的计算机总是帮助我们处理实验数据，但就概念上和理论上的事情而言它帮不了我们。但神经网络——如果能把它们制造得相当大，像人脑一样大——将能帮助我们处理概念和理论上的事情。“因为如果我们制造在电子上运行（不是在神经元上慢慢移动的电化学脉冲上运行）的神经网络，那么我们将有像我们一样思维的脑，而且比我们快10[7]倍。”（注：Edited by Peter Baumgartner and SabinePayr（1995），Speaking Minds: Interviews with Twenty Eminent Cogitive Scientists.Princeton University Press.P.46.）总之，根据某些联结主义者的预测，引导神经网络技术发挥作用的吸引力或前景将是不可估量的。
收稿日期：1998—03—12
注释：
[1]Wagman,Morton （1993 ）,Cognitive psychology andartificial intelligence: theory and research in cognitivescience.Praeger publishers.
[2]Robert A.Wilson（1995）. Cartesian psychology andphysical minds:individualism and the science of the mind.Cambridge Unversity Press.