计算理论（二）

虽然对机器功能主义的生产力和系统性反对意见可能并不决定，但它们提供了强大的动力来追求改进的CCTM版本。 参见框（1978），以了解机器功能主义和功能主义的其他问题。

3.2代表性理论

FODOR（1975年，1981,1987,1990,1994,2008）倡导一版本的CCTM，更令人满意地满足系统性和生产力。 他对在图灵计算期间操纵的符号转移注意力。

一个古老的看法，至少伸展到奥克姆的Summa Logicae的威廉威廉，认为思考是一种思想语言（有时被称为Mentalese）。 FODOR恢复了这个观点。 他假设一个心理陈述制度，包括原始陈述和由原始陈述形成的复杂陈述。 例如，原始的心理学词汇约翰，玛丽和爱可以组合形成了Mentale句子John Loves Mary。 Mentalese是成分：复杂的心理表达的含义是其部件含义的函数，以及这些部件的组合方式。 命题态度与Mentialese符号的关系。 福索呼叫这个观点是表达的心态理论（RTM）。 结合rtm与中央cctm，他认为心理活动涉及通过思想语言进行图灵的计算。 心理计算存储内存位置的Mentalese符号，以符合机械规则操纵这些符号。

RTM的主要优点是它如何易于满足生产力和系统性：

生产率：RTM假设有限的原始心理表达式，可组合成复杂的心理表达的潜在无限程度。 一个具有访问原始心理词汇和心理化的思想家的思想家有可能招待无限的心理表达。 因此，她有可能实例化许多命题态度（忽略时间和记忆的限制）。

系统性：根据RTM的说法，思想家可以娱乐的命题态度之间存在系统的关系。 例如，假设我可以认为约翰喜欢玛丽。 根据RTM的说法，我这样做涉及我在一些关系中，对John Loves Mary的一些关系，由Mentalese Lock，Love和Mary以正确的方式组成。 如果我有这个容量，那么我也有能力站在玛丽爱约翰的独特心理判决中，从而认为玛丽喜欢约翰。 因此，认为约翰爱玛丽的能力系统地与玛丽爱约翰的能力有关。

通过将命题态度视为与复杂的精神符号的关系，RTM解释了生产率和系统性。

CCTM + RTM与其他几个方面的机器功能主义不同。 首先，机器功能主义是一般的精神状态理论，而RTM只是命题态度的理论。 其次，CCTM的支持者+ RTM的支持者不认为命题态度在功能上是个性化的。 作为福索（2000：105，FN 4）注释，我们必须区分计算主义（心理过程是计算）从功能主义（精神状态是功能状态）。 机器功能主义赞同两个教义。 CCTM + RTM仅通过第一。 不幸的是，许多哲学家仍然误认为计算主义需要一个功能主义方法来命题态度（见Piccinini 2004讨论）。

RTM的哲学讨论往往主要关注高级人类思想，尤其是信仰和欲望。 但是，CCTM + RTM适用于更广泛的精神状态和过程。 许多认知科学家将其应用于非人类动物。 例如，Gallistel和King（2009）将其应用于某些无脊椎动物现象（例如，蜜蜂导航）。 甚至将关注人类关注，人们可以将CCTM + RTM施加到阶纵处理。 FODOR（1983）认为感知涉及将视网膜输入转换为心理符号的谬论“模块”，然后对这些符号进行计算。 因此，谈论一种思想语言可能误导，因为它表明对更高级别的心理活动的不存在限制。

潜在的误导性也是Mentalese作为一种语言的描述，这表明所有心理符号都以自然语言类似的表达。 许多哲学家，包括福索，有时似乎赞同那个位置。 但是，有可能的非命题格式的心理表现。 CCTM + RTM的支持者可以采用多个线路，允许心理计算以类似于图像，地图，图表或其他非命题表示的物品（Johnson-Laird 2004：187; McDermott 2001：69; PINKER 2005：7; SLAMAN 1978：144-176）。 多元线似乎特别是适用于跨逻辑的过程（如感知）和非人类动物。 Michael Rescorla（2009A，2009B）调查认知地图（Tolman 1948; O'Keefe和Nadel 1978; Gallistel 1990），这表明一些动物可以通过计算精神表现来导航更类似于地图而不是句子。 伊利亚斯·萨克阵营（2009），引用了狒狒社交互动的研究（Cheney和Seyfarth 2007），据称，狒狒可以通过非管制树结构化表示编码社会统治关系。

CCTM + RTM是原理图。 要填写架构，必须提供特定心理过程的详细计算模型。 完整的模型将：

描述由该过程操纵的心理表达;

隔离操纵表示的基本操作（例如，刻内存储位置中的符号）; 和

划定基本操作应用的机械规则。

通过提供详细的计算模型，我们将复杂的心理过程分解为由精确，例程指令管理的一系列基本操作。

CCTM + RTM在物理主义与物质之间的传统辩论中仍然是中性的。 图灵式模型在非常抽象的水平上进行，而不是说心理计算是由物理的东西或笛卡尔灵魂的影响（框1983：522）。 在实践中，中央CCTM的所有支持者+ RTM拥有一个广泛的物理主义者前景。 他们认为，心理计算不是由灵魂造成的，而是由大脑实施。 在这种观点上，心理表征由神经状态实现，并且通过神经过程实现了对心理表现的计算操作。 最终，CCTM + RTM的物理主义者支持者必须产生经验良好的确认理论，解释了神经活动究竟如何实现图灵式计算。 正如Gallistel和King（2009年）强调，我们目前没有这样的理论 - 尽管有一些猜测，请参阅Zylberberg，Dehaene，Roelfsema和Sigman（2011）和Akhlaghpour（2022）。

FODOR（1975）将CCTM + RTM作为认知科学的基础推进。 他讨论了决策，感知和语言处理等心理现象。 在每种情况下，他维持，我们最好的科学理论假设在心理表征上的图灵式计算。 事实上，他认为，我们唯一可行的理论有这种形式。 他得出结论，中央CTM+ RTM是“城镇唯一的比赛”。 许多认知科学家沿着类似的线条争论。 C.R. Gallistel和Adam King（2009年），菲利普·豪森 - 莱尔德（1988），Allen Newell和Herbert Simon（1976）和Zenon Pylyshyn（1984年）全部推荐用于精神上的图灵式计算符号作为科学理论化的最佳基础。

4.神经网络

在20世纪80年代，连接成为古典计算主义的突出竞争力。 连接人员从神经生理学而不是逻辑和计算机科学中汲取灵感。 他们采用了计算模型，神经网络，从图灵式模型中显着不同。 神经网络是互连节点的集合。 节点分为三类：输入节点，输出节点和隐藏节点（在输入和输出节点之间调解）。 节点具有由实数给出的激活值。 一个节点可以用实际数字给出到另一个节点的加权连接。 输入节点的激活是外部确定的：这些是计算的输入。 隐藏或输出节点的总输入激活是馈入它的节点激活的加权和。 隐藏或输出节点的激活是其总输入激活的函数; 特定函数随网络而异。 在神经网络计算期间，激活波从输入节点传播到输出节点，如节点之间的加权连接所确定的。

在前馈网络中，加权连接仅在一个方向上流动。 经常性网络具有反馈循环，其中从隐藏的单元圈出来的连接回到隐藏的单位。 经常性网络的数学上易于前馈网络。 然而，他们对各种现象的心理建模至关重要，例如涉及某种记忆的现象（Elman 1990）。

神经网络中的重量通常是可变的，而符合学习算法的变化。 文献提供了各种学习算法，但基本思想通常是调整权重，使得实际输出逐渐靠近目标输出，所以可以对相关输入进行预期。 BackPropagation算法是这种广泛使用的这种算法（Rumelhart，Hinton和Williams 1986）。

连接迹线返回McCulloch和Pitts（1943），他研究了互联逻辑门的网络（例如，栅格和或门）。 可以将逻辑门网络视为神经网络，激活限制为由通常的真实函数给出的两个值（0和1）和激活函数。 McCulloch和Pitts先进的逻辑门作为个体神经元的理想化模型。 他们的讨论对计算机科学产生了深远的影响（冯诺伊曼1945年）。 现代数字计算机只是逻辑门网络。 然而，在认知科学中，研究人员通常关注的网络，其元素比逻辑门更为“神经元样”。 特别是，现代连接人员通常强调模拟神经网络，其节点采用连续而不是离散的激活值。 一些作者甚至使用短语“神经网络”，使其专门表示这种网络。

在图灵式模型主导的情况下，神经网络在20世纪60年代和20世纪70年代获得认知科学家的关注。 20世纪80年代目睹了对神经网络，特别是模拟神经网络的兴趣巨大的复苏，具有两体平行分布式处理（Rumelhart，McClelland和PDP研究组，1986; McClelland，Rumelhart和PDP研究组，1987年）作为宣言。 研究人员构建了多样化现象的连接主义模型：对象识别，语音感知，句子理解，认知发展等。 连接主义印象深刻，许多研究人员得出结论，中央CTM+ RTM不再是“镇上唯一的比赛”。

在2010年代，一类称为深度神经网络的计算模型变得非常受欢迎（Krizhevsky，Sutskever和Hinton 2012; Lecun，Bengio和Hinton 2015）。 这些模型是具有多层隐藏节点的神经网络（有时数百种这些层）。 通过一个或另一个学习算法（通常是BackProjagation） - 在AI的许多领域取得了巨大的成功，包括图像分类（AlexNet），战略性游戏（Alphago）和自然语言处理（Chatgpt）。 深度神经网络现在广泛地部署在商业应用中，它们是学术界和工业中广泛持续调查的重点。 研究人员也使用它们来模拟思想（例如Kriegeskorte 2015; Marblestone，Wayne和Kording 2016; Storrs，Kietzmann，Walther等人。2021;庄，燕，Nayebi等人。2021），虽然这一建模企业迄今为止的成功率多么取得了争议的问题（鲍德，Malholtra，Dujmović，等。2023）。

有关神经网络的详细概述，请参阅Haykin（2008）。 对于用户友好的介绍，重点是心理应用，见Marcus（2001）。 对于深度神经网络的哲学介绍，请参阅Buckner（2019）。 对于深度神经网络与哲学史之间的联系，请参阅Buckner（2024）。

4.1神经网络与经典计算之间的关系

神经网络具有比古典（即，图灵式）模型的“感觉”具有非常不同的“感觉”。 然而，经典的计算和神经网络计算不是互斥的：

可以在经典模型中实现神经网络。 实际上，每个神经网络都在数字计算机上实施了。

可以在神经网络中实现经典模型。 现代数字计算机在逻辑门网络中实施图灵式计算。 或者，可以使用模拟复发性神经网络实现图灵式计算，其节点采用连续激活值（Graves，Wayne和Danihelka 2014，其他互联网资源; Siegelmann和Sontag 1991; Siegelmann和Sontag 1995）。

虽然一些研究人员建议经典计算与神经网络计算之间的基本反对，但是似乎更准确地识别在某些情况下重叠的两个建模传统，但不是其他的（参见Boden 1991; Piccinini 2008b）。 在这方面，值得注意的是，古典计算主义和连接主义计算主义在McCulloch和Pitts的工作中具有共同的起源。

哲学家通常表示经典计算涉及“规则管理的符号操纵”，而神经网络计算是非象征性的。 直观的图片是神经网络中的“信息”全球分布在重量和激活中，而不是集中在局部符号中。 然而，“符号”本身的概念需要解释，因此通常不明确通过将计算描述为符号与非符号的计算意义。 如§1中所述，图灵形式主义在“符号”中的条件非常少。 关于原始符号，图灵假设仅存在其中许多并且它们可以在读/写存储器位置刻录。 神经网络还可以操纵满足这两个条件的符号：据称，可以在神经网络中实现图灵样式模型。

许多对符号/非符号二分法的讨论采用更强大的“符号”的概念。 在更强大的方法上，符号是代表主题的一切。 因此，仅当它具有语义或代表性属性时，某些东西才是符号。 如果我们使用这种更强大的符号的概念，那么符号/非符号区别的交叉切割的区别和神经网络计算之间的区别。 图灵机不需要在更强壮的意义上使用符号。 就图灵形式主义而言，在图灵计算期间操纵的符号不需要具有代表性属性（Chalmers 2011）。 相反，神经网络可以操纵具有代表性属性的符号。 实际上，模拟神经网络可以操纵具有组合语法和语义（Horgan和Tienson 1996; Marcus 2001）的符号。

史蒂文粉红色和艾伦王子（1988年）之后，我们可能会区分消除的联系和实施者的联系。

消除的连接人员推进连接作为古典计算主义的竞争对手。 他们认为，图灵形式主义与心理解释无关。 通常，虽然并不总是，但他们寻求恢复心理学中的联想主义传统，这是中央电视机有力地挑战的传统。 通常，虽然并不总是，但他们攻击了心理学家，NoAM Chomsky（1965年）开创了生命主义语言学。 通常，虽然并不总是，但他们表现出明显的敌意到心理表现的非常概念。 但是，消除连接的定义特征是它使用神经网络作为图灵式模型的替代品。 消除的连接人员将心灵视为粗糙地不同于图灵机的计算系统。 一些提交人明确地支持消除的联系（1989年教堂; Rumelhart和McClelland 1986; Horgan和Tienson 1996），还有许多其他人倾向于它。

Sivelient Connectionism是一个更富裕的位置。 它允许在不同水平的描述中和谐地运营的图定型模型和神经网络（Marcus 2001; Smolensky 1988）的潜在有价值的作用。 图灵式模型是更高的级别，而神经网络模型是较低的。 神经网络照亮大脑如何实现图灵式模型，作为逻辑门的描述照亮了个人计算机如何以高级编程语言执行程序。

4.2连接的论据

连接主义激发了许多研究人员，因为神经网络和大脑之间的类比。 节点类似于神经元，而节点之间的连接类似于突触。 因此，连接主义建模似乎比古典建模更为“生物学素质”。 心理现象的连接主义模型显然是捕获（以理想化的方式）相互连接的神经元可能产生这种现象。

在评估生物合理性的论证时，人们应该认识到，神经网络在与实际大脑活动匹配的程度上有多差异。 在连接主义着作中占据突出的许多网络不是那种生物合理的（Bechtel和Abrahamsen 2002：341-343;Bermúdez2010：237-239;克拉克2014：87-89;哈勃2002：359-362）。 一些例子：

真正的神经元比在典型的连接人物网络中的可互换节点更加异质。

真正的神经元将离散的尖峰（动作电位）发出作为产出。 但是在许多着名的神经网络中的节点，包括最着名的深神经网络，而是具有连续输出。

BackProjagation算法要求节点之间的重量可以在兴奋和抑制之间变化，但实际突触不能如此不同（Crick和Asanuma 1986）。 此外，该算法的传统应用假设通过了解所需答案的建模者外部提供的目标输出。 从这种感觉中，学习是监督的。 在实际的生物系统中非常少的学习涉及类似于监督培训的任何东西。

另一方面，一些神经网络更加生物合理（Buckner和Garson 2019; Illing，Gerstner和Brea 2019）。 例如，有神经网络的节点输出离散尖峰大致类似于大脑中真实神经元发出的那些（Maass 1996; Buesing，Bill，Nessler和Maass 2011）。 此外，大型文献旨在阐明生物学现实的连接主义学习算法，有时近似反击（例如Lillicrap等，2016; Whittington和Bogacz，2017），有时通过替换它另一种方法（例如Krotov和Hopfield 2019）。 LillicRap等人。 （2020）以长度争辩，备份可以以生物卓越的方式开发。 特别是特别说明的是，虽然背部经历传统上与监督学习相结合，但它可以与无监督的学习相结合（例如，吉玛和2019年的恩惠）或加强学习（例如Silver等人2016）。

即使神经网络在没有生物网络的情况下，它仍然可能比经典模型更具生物合理的。 神经网络肯定比图灵式模型更接近细节和精神，以神经生理学描述。 许多认知科学家担心中央电视机担心中央电信体反映了将数字计算机的架构施加到大脑上的误导。 有些疑问，大脑实现了类似数字计算的任何东西，即，计算数字的离散配置（Piccinini和Bahar 2013）。 其他人怀疑大脑在中央处理器和读/写存储器之间显示清洁的图灵式分离（王2009）。 神经网络在两个分数上更好地提供：它们不需要计算数字的离散配置，并且它们不会假设中央处理器和读/写存储器之间的清洁分离。

经典的计算主义者通常回答它在基于生物合理性基于生物合理性的基础上，鉴于我们的神经，计算和认知水平之间的关系（Gallistel和King 2009; Marcus 2001）之间的关系，我们如何了解得好的结论。 使用诸如细胞记录和功能性磁共振成像（FMRI）的测量技术，并根据物理学，生物学，AI，信息理论，统计，图形理论和动态系统理论，绘制在学科上的学科，神经科学家积累了大量知识大脑在不同水平的粒度（Zednik 2019）。 我们现在对个体神经元相对了解了很多关于神经元在神经群体中的互动，关于皮质区域中精神活性的定位，以及皮质地区之间的相互作用的局部化。 然而，我们仍然有一个巨大的数量来了解神经组织如何完成它肯定的任务，即肯定地完成：感知，推理，决策，语言习得等。 鉴于我们目前的相对无知状态，坚持认为大脑不实现类似于计算的任何东西。

连接或提供许多进一步的参数，我们应该使用连接师模型而不是古典模型。 请参阅概述的条目连接。 出于此条目的，我们提到了两个额外的参数。