پیوندگرایی؛ یک پارادایم جدید در علم شناختی؟
دیدگاه کلاسیک دربارۀ شناخت سه مؤلفه دارد:
1. زبان فکر جری فودر: باورها جملاتی در زبان فکرند (فکر جملات رخدهنده است یعنی جملاتی که به طور فعال و در حال حاضر ملاحظه میشوند اما باور جملات ذخیره شده است).
2. فکر و در کل فعالیت شناختی: به روز کردن جملات باور از طریق استنتاج منطقی است.
3. یادگیری: بازنگری مجموعه جملات ذخیره شده (باور) بر اساس قاعده است.
این دیدگاه کلاسیک را "گزارهگرایی" (propositionalism) مینامیم.
از نقاط قوت گزارهگرایی: تناسب با محاسبهگرایی (computationalism) (اجرای کامپیوتری). فکر کردن و یادگیری فرایندهای محاسباتی (برنامههایی) هستند که به وسیلۀ صورت (form) و نحوشان (syntax) عملیاتی بر فکر و باور انجام میدهند. برنامهها الگوریتمهایی را اجرا میکنند که فکر و باور را بر اساس صورت و نحوشان با حفظ معناشناسی منتقل میکنند. اما چرچلند این تناسب را نقطه ضعف گزارهگرایی میداند؛ سازماندهی مغز بسیار متفاوت از سازماندهی کامپیوتر است. چرچلند پیوندگرایی (connectionism) را به عنوان یک پارادایم جدید مطرح میکند. محاسبهگرا فکر را به وسیلۀ سلسله مصادیقی از جملات در پردازشگر مرکزی کامپیوتر محقق میداند اما پیوندگرا فکر را به عنوان الگوی فعالیت در واحدهای یک شبکه عصبی محقق میداند. محاسبهگرا فعالیت شناختی را تبدیل مجموعه مصادیق فکر بر اساس یک برنامۀ حساس به ساختار میداند اما پیوندگرا آن را تبدیل الگوهای فعالیت در واحدهای یک شبکه عصبی بر اساس وزن پیوند میان آنها میداند.
رابطه بردارگرایی (vectorialism) با پیوندگرایی همان رابطه گزارهگرایی با محاسبهگرایی است. گزارهگرایی: فکر جملات رخدهنده در زبان فکر درونی است، و بردارگرایی: فکر بردارهایی در فعالیت عصبی درونی کدگذاری است. گزارهگرایی: باور جملات ذخیره شده در زبان فکر است، و بردارگرایی: باور ماتریکس وزنهای پیوند یا مجموعه معادلههای بردار فعالیت است. گزارهگرایی: فکر کردن یا فعالیت شناختی استنتاج منطقی است، و بردارگرایی: فعالیت شناختی تغییر بردار فعالیت به وسیلۀ ضریب ماتریکس و تبدلات غیرخطی (nonlinear) است. گزارهگرایی: یادگیری بازنگری مجموعه باورها بر اساس قاعده است و بردارگرایی: یادگیری بازنگری ماتریکس وزنهای پیوند بر اساس ریاضی است یا بازنگری مجموعه معادلههای بردارهای فعالیت. بردارگرایی را میتوان به زبان هندسی و حرکتی هم بیان کرد (همانند چرچلند) یعنی فکر (بردار فعالیت) را میتوان به عنوان نقاطی در فضای فعالیت هم تصور کرد؛ باور (ماتریکس وزن) را به عنوان نقاطی در فضای وزن؛ فکر کردن (به روز کردن بردارهای فعالیت) را به عنوان حرکت در فضای فعالیت؛ و یادگیری (به روز کردن ماتریکسهای وزن) را به عنوان حرکت در فضای وزن تصور کرد.
البته ممکن است کسی پیوندگرا باشد اما بردارگرا نباشد مانند پیوندگرایان اجرایی (implementational). چرچلند گاهی این دیدگاه (بردارگرایی) را به عنوان "معناشناسی حالت-فضا" تعبیر میکند اما ظاهراً تعبیر "معناشناسی" در این سطح کاربرد ندارد زیرا این دیدگاه دربارۀ صورت بازنمودهای ذهنی است نه محتوای آنها پس ربطی به معناشناسی ندارد.
در کل، دستگاههای پیوندگرا یا شبکههای عصبی تصویر متفاوتی را از ذهن به دست میدهند. یک شبکه عصبی از تعداد زیادی از پردازشگرهایی شبیه سلول عصبی که واحد (node) یا پیوند (node) نامیده میشوند، تشکیل میشود؛ این واحدها پیامهای انگیزنده یا بازدارندهای را به یکدیگر میفرستند. پیوندها به وسیلۀ پیامهای دریافتی روشن (فعال) یا خاموش میشوند که به خروجی واحدهای متصل به آنها و قوت پیوند ("وزن") میان آنها بستگی دارد. عملاً یک واحد فقط از دو یا سه واحد دیگر یا چند واحد پیام را دریافت میکند اما در مقام نظر، تعداد این واحدها میتواند هزاران یا میلیونها واحد باشد.
مهمترین تفاوت میان شبکههای عصبی و کامپیوترهای معمولی فقدان واحد پردازش مرکزی در شبکههای پیوندگرا است.
یکی از مزایای پیوندگرایی به نظر چرچلند مقبولیت زیستشناختی آن است. واحدهای شبکه پیوندگرایانه را میتوان الگوهای سادهای از سلولهای عصبی و پیوندها را الگوهای سادهای از سیناپسها دانست.
یکی دیگر از مزایای آن به نظر چرچلند تبیین آن از طبقهبندی (توانایی انسان برای طبقهبندی) است. شبکههای پیوندگرا بازنمودهای غنی و ساختارمندی را بازنمایی میکنند که هم آنها را قادر به رفتارهای پیچیده میسازد و هم با ساختار واقعی ورودی متناظر است. چرچلند این نوع مهارتهای طبقهبندی را بر حسب "بازنمودهای نمونه" (prototype) در فضای فعالیت واحد پنهان تبیین میکند.
مزیت دیگر پیوندگرایی تبیین مشابهت به عنوان تناظر با نزدیکی در فضای حالت است. او از این ویژگی برای تبیین کیفیات ذهنی استفاده میکند.
مزیت دیگر سرعت است. عملیات شبکههای پیوندگرایانه به خاطر پردازش موازیشان بسیار سریع است. از مزایای پردازش موازی شباهت بیشتر آن با فعالیتهای شناختی معمول انسان است: انسانها همزمان چند پردازش موازی را انجام میدهند؛ برای مثال اگر بخواهید یک اتومبیل بخرید، به رنگ، مدل، سال تولید، قیمت و مشخصات دیگر توجه میکنید اما بعضی از این مشخصات را میتوان به نفع بقیه کنار گذاشت. اگر پول کافی نداشته باشید، ممکن است اتومبیلی را با مدل دیگری که چندان مطلوب شما نیست بخرید. این مشخات را قیود نرم مینامند (در برابر قیودی که انعطافپذیر نیستند و قیود سخت نامیده میشوند). دستگاههای پیوندگرا همانند انسان قیود چندگانه نرم را استیفا میکنند (multiple soft constraints satisfaction). اما کامپیوترهای معمولی به خاطر فقدان پردازش موازی نمیتوانند این کار را انجام دهند.
مزیت دیگر هم قابلیت انطباق پیوندگرایی بر حیوانات (غیرانسان) است. این را هم میتوان بخشی از مقبولیت زیستی آن دانست.
بر اساس تقریری از پیوندگرایی که اینجا مطرح کردیم (تقریر چرچلند)، پیوندگرایی با دیدگاه کلاسیک هوش مصنوعی در تعارض است (اگر به این نکته هم توجه کنیم که دیدگاه کلاسیک از مفاهیم روانشناسی عامیانه استفاده میکند و آن را تا حد زیادی صادق میداند، تقابل چرچلند با این دیدگاه روشنتر میشود زیرا چرچلند حذفگرا است و روانشناسی عامیانه را عمدتاً یا کاملاً کاذب میداند). اما برخی دیگر که قائل به پیوندگرایی اجرایی هستند، میان پیوندگرایی و هوش مصنوعی کلاسیک (روانشناسی محاسباتی-بازنمودی) جمع میکنند.
