فلسفه ذهن

پیوندگرایی

جیمز گارسن

ترجمۀ یاسر پوراسماعیل

پیوندگرایی نهضتی درعلم شناختی است که امیدوار است توانایی‌های فکری انسان را با استفاده از شبکه‌های عصبی مصنوعی تبیین کند (به همین خاطر با عنوان «شبکه‌های عصبی» هم شناخته می‌شود). شبکه‌های عصبی مدل‌های ساده‌سازی‌شدۀ مغزند که از تعداد زیادی از واحدها (مشابه نورون) به همراه وزنه‌هایی که قوّت پیوندهای میان واحدها را می‌سنجند تشکیل شده‌اند. آزمایش‌های مبتنی بر این نوع مدل توانایی یادگیری مهارت‌هایی مثل بازشناسی چهره، خواندن و تشخیص ساختار گرامری ساده را نشان داده‌اند.

فیلسوفان از این جهت به پیوندگرایی علاقه‌مند شده‌اند که جایگزینی را برای نظریۀ کلاسیک ذهن به دست می‌دهد: نظریۀ کلاسیک این دیدگاه رایج است که ذهن چیزی نظیر یک کامپیوتر رقمی است که زبان نمادین را پردازش می‌کند. اینکه پارادایم پیوندگرا دقیقاً چگونه و تا چه حدی کلاسیک‌گرایی را به چالش می‌کشد موضوع بحث‌های داغی در سال‌های اخیر بوده است.

1. توصیف شبکه‌های عصبی

یک شبکۀ عصبی از تعداد زیادی از واحدهایی تشکیل می‌شود که در الگویی از پیوندها به هم متصل می‌شوند. واحدهای واقع در یک شبکه معمولاً به سه دسته تقسیم می‌شوند: واحدهای ورودی که اطلاعات را برای پردازش دریافت می‌کنند، واحدهای خروجی که نتایج پردازش در آنها یافت می‌شود و واحدهای میانی که واحدهای پنهان نامیده می‌شوند. اگر قرار باشد که یک شبکۀ عصبی مدلی از کل دستگاه عصبی انسان باشد، واحدهای ورودی مشابه نورون‌های حسی، واحدهای خروجی مشابه نورون‌های حرکتی و واحدهای پنهان مشابه سایر نورون‌ها خواهند بود.

در اینجا تصویر ساده‌ای را از یک شبکۀ عصبی ساده می‌بینید:

هر واحدی یک ارزش فعالیت دارد که ویژگی‌ای را از بیرون شبکه بازنمایی می‌کند. یک واحد ورودی ارزش فعالیت خود را به هر یک از واحدهای پنهان ـ‌که با آنها متصل است‌ـ می‌فرستد. هر یک از این واحدهای پنهان ارزش فعالیت خودش را ـ‌بسته به ارزش‌های فعالیتی که از واحدهای ورودی دریافت می‌کند‌ـ محاسبه می‌کند. سپس این سیگنال به واحدهای خروجی یا لایۀ دیگری از واحدهای پنهان منتقل می‌شود. این واحدهای پنهان ارزش‌های فعال‌سازی خود را به شکل یکسانی محاسبه می‌کنند و آنها را به واحدهای مجاور خود می‌فرستند. سرانجام سیگنال واحدهای ورودی در سرتاسر شبکه منتشر می‌شود تا ارزش‌های فعالیت را در همۀ واحدهای خروجی مشخص کند.

الگوی فعال‌سازی‌ای که یک شبکه به وجود می‌آورد به وسیلۀ وزنه‌ها یا قوّت پیوندهای میان واحدها مشخص می‌شود. وزنه‌ها هم می‌توانند مثبت باشند و هم منفی. یک وزنۀ منفی بازدارندگی یک واحد ورودی را با فعالیت یک واحد فرستنده نشان می‌دهد. ارزش فعال‌سازی برای هر واحد گیرنده بر اساس یک تابع فعالیت ساده محاسبه می‌شود. توابع فعالیت در جزئیات متفاوت‌اند اما همۀ آنها با طرح سادۀ یکسانی مطابق‌اند. این تابع مشارکت‌های همۀ واحدهای فرستنده را حساب می‌کند در جایی که مشارکت یک واحد به عنوان وزنۀ پیوند میان واحدهای فرستنده و گیرنده ضرب‌در ارزش فعالیت واحد فرستنده تعریف می‌شود. معمولاً این حساب بعداً اصلاح می‌شود، برای مثال، به این ترتیب که حساب فعالیت با ارزشی بین 0 و 1 تطبیق داده شود و/یا به این ترتیب که فعالیت را با صفر تنظیم کنیم مگر اینکه به آستانۀ حساب برسیم. پیوندگرایان فرض می‌کنند که کارکرد شناختی با مجموعه واحدهایی که به این طریق عمل می‌کنند قابل تبیین است. از آنجا که تصور می‌شود که همۀ واحدها تابع فعالیت ساده و یکسانی را محاسبه می‌کنند، دستاوردهای فکری انسان باید ابتدائاً به قراردادن وزنه‌هایی میان واحدها وابسته باشد.

این نوع شبکه ـ‌که در بالا بیان شد‌ـ شبکۀ پیشخوراند (feedforward net) نامیده می‌شود. فعالیت مستقیماً از ورودی‌ها به واحدهای پنهان و سپس به واحدهای خروجی جریان می‌یابد. مدل‌های واقع‌گرایانه‌تر از مغز لایه‌های زیادی از واحدهای پنهان را در بر دارند. این نوع تکرر (بازگشت) (recurrence) برای تبیین خصایص شناختی‌ای از قبیل حافظۀ کوتاه‌مدت لازم است. در یک شبکۀ پیشخوراند، نمودهای مکرر یک ورودی هر بار خروجی یکسانی را به وجود می‌آورد اما حتی ساده‌ترین اندام‌واره‌ها هم به نمود مکرر یک محرک یکسان عادت می‌کنند (یا یاد می‌گیرند که آن را نادیده بگیرند). پیوندگرایان متمایل‌اند که از پیوندهای مکرر اجتناب کنند زیرا چیز زیادی دربارۀ مسئلۀ کلی آموزش شبکه‌های مکرر نمی‌دانیم. اما المن (1991) و دیگران در مورد شبکه‌های مکرر ساده ـ‌در جایی که تکرر بسیار مقید است‌ـ پیشرفت‌هایی داشته‌اند.

2. یادگیری شبکۀ عصبی و پس‌پراکنی (backpropagation)

هدف اصلی در پژوهش پیوندگرا این است که مجموعۀ مناسبی از وزنه‌هایی را بیابیم که کار خاصی را انجام می‌دهند. خوشبختانه، الگوریتم‌های یادگیری‌ای طراحی شده‌اند که می‌توانند وزنه‌های مناسب را برای اجرای بسیاری از کارها محاسبه کنند (برای معرفی این بحث نک به Hinton 1992). یکی از پرکاربردترین روش‌های مهارت‌آموزی پس‌پراکنی نام دارد. برای استفاده از این روش به مجموعه آموزشی نیاز داریم که از بسیاری از نمونه ورودی‌ها و خروجی‌های مورد نظرشان برای یک کار خاص تشکیل شده است. برای مثال، اگر کار این است که چهرۀ مذکر را از چهرۀ مؤنث تشخیص دهیم، مرحلۀ مهارت‌آموزی می‌تواند تصاویری را از چهره‌ها با ذکر جنسیت شخص در هر یک از آنها در بر داشته باشد. شبکه‌ای که می‌تواند این کار را یاد بگیرد ممکن است دو واحد خروجی (که دسته‌های مذکر و مؤنث را نشان می‌دهد) و تعداد زیادی واحد ورودی داشته باشد، هر یک از ورودی‌ها به روشنایی هر یک پیکسل (نقطۀ کوچک) در تصویر مربوط است. وزنه‌های شبکه‌ای که قرار است یاد بگیرد ابتدائاً با ارزش‌های تصادفی تنظیم می‌شوند سپس اعضای مرحلۀ مهارت‌آموزی مکرراً در معرض شبکه قرار می‌گیرند. ارزش‌های ورودی یک عضو در واحدهای ورودی قرار داده می‌شود و خروجی شبکه با خروجی مورد نظر برای این عضو مقایسه می‌شود. سپس همۀ وزنه‌ها در شبکه در جهتی تنظیم می‌شوند که ارزش‌های خروجی شبکه به ارزش‌های خروجی مورد نظر نزدیک شوند. برای مثال، وقتی چهرۀ مذکر به واحدهای ورودی عرضه می‌شود وزنه‌ها به گونه‌ای تنظیم می‌شوند که ارزش واحد خروجی مذکر افزایش می‌یابد و ارزش واحد خروجی مؤنث کم می‌شود. پس از تکرار زیاد این فرایند، شبکه می‌تواند یاد بگیرد که برای هر ورودی‌ای در مرحلۀ مهارت‌آموزی خروجی مطلوب را بیرون دهد. اگر مهارت‌آموزی خوب پیش برود، ممکن است شبکه یاد بگیرد که به رفتار مطلوب ورودی‌ها و خروجی‌هایی که در مرحلۀ مهارت‌آموزی نبوده‌اند تعمیم یابد. برای مثال، ممکن است به خوبی بتواند چهرۀ مذکر و مؤنث را در تصاویری که قبلاً هرگز به آن داده نشده بودند تمییز دهد.

شبکه‌های مهارت‌آموزی برای مدل‌سازی جنبه‌هایی از هوش انسانی یکی از هنرهای زیبا است. موفقیت پس‌پراکنی و سایر روش‌های یادگیری پیوندگرا ممکن است به تنظیم کاملاً ظریف الگوریتم و مرحلۀ مهارت‌آموزی وابسته باشد. مهارت‌آموزی معمولاً مشتمل بر صدها هزار دوره از تنظیم وزنه است. با توجه به محدودیت‌های کامپیوترهایی که در حال حاضر در دسترس پژوهشگران پیوندگرا هستند، تعلیم یک شبکه برای اجرای یک کار جالب ممکن است روزها یا حتی هفته‌ها طول بکشد. برخی از مشکلات زمانی حل می‌شوند که مدارهای موازی‌ای که به طور خاص برای اجرای مدل‌های شبکۀ عصبی طراحی شده‌اند به طور گسترده در دسترس باشند. اما حتی در اینجا، نظریات پیوندگرای یادگیری با محدودیت‌هایی مواجه‌اند. انسان‌ها (و بسیاری از حیوانات دارای هوش کمتر) توانایی یادگیری از طریق رویدادهای جداگانه را از خود به نمایش می‌گذارند؛ برای مثال، وقتی حیوان غذایی می‌خورد که در اثر آن دچار شکم‌درد می‌شود دیگر آن غذا را امتحان نخواهد کرد. شیوه‌های یادگیری پیوندگرا از قبیل پس‌پراکنی نمی‌توانند این نوع از یادگیری «تک‌موردی» را تبیین کنند.

3. نمونه‌هایی از آنچه شبکه‌های عصبی می‌توانند انجام دهند

پیوندگرایان در نشان دادن توانایی شبکه‌های عصبی برای انجام کارهای شناختی پیشرفت چشمگیری کرده‌اند. در اینجا سه آزمایش معروف وجود دارد که موجب شده پیوندگرایان باور داشته باشند که شبکه‌های عصبی مدل‌های خوبی از هوش انسانی‌اند. یکی از جالب‌ترین کوشش‌ها کار سِیْنُوْسکی و رزنبرگ (Sejnowski and Rosenberg 1987) بر روی شبکه‌ای است که می‌تواند متن انگلیسی را بخواند و نت‌تاک (NETtalk) نامیده می‌شود. مرحلۀ مهارت‌آموزی برای نت‌تاک پایۀ دادۀ (دیتاـ‌بیس) بزرگی بود که از متن انگلیسی به همراه خروجی آوایی آن تشکیل شده بود و با کدی نوشته شده بود که برای استفاده به همراه کلام‌ساز (speech synthezier) مناسب است. شنیدن نوارهای نت‌تاک در مراحل مختلف آموزش بسیار جالب است. ابتدا خروجی آن یک صدای راندوم است. بعداً شبکه به طور درهم و برهم حرف می‌زند و بعدها گویا به طور مبهم انگلیسی حرف می‌زند (کلامی متشکل از صداهایی که شبیه کلمات انگلیسی‌اند). در پایان آموزش، نت‌تاک به خوبی متنی را که به آن داده می‌شود تلفظ می‌کند. به علاوه، این توانایی به متنی که قبلاً در مرحلۀ مهارت‌آموزی به آن ارائه نشده بود نیز گسترش می‌یابد.

یک مدل پیوندگرای اولیه و تأثیرگذار دیگر شبکه‌ای بود که روملارت و مک‌کلیلند (Rumelhart and McClelland 1986) آموزش دادند تا افعال ماضی انگلیسی را پیش‌بینی کند. این کار جالب است زیرا با اینکه بیشتر افعال در انگلیسی (افعال قاعده‌مند) با افزودن –ed تبدیل به گذشته می‌شوند، بسیاری از افعال پرکاربرد در انگلیسی بی‌قاعده‌اند (is/was, come/came, go/went). شبکه ابتدا در مجموعه‌ای مشتمل بر تعداد زیادی از افعال بی‌قاعده آموزش دید سپس بر مجموعه‌ای از 460 فعل که عمدتاً قاعده‌مند بودند. شبکه در 200 دوره از آموزش 460 فعل را یاد گرفت و به خوبی به افعالی گسترش یافت که قبلاً در آموزش با آنها مواجه نشده بود. شبکه درک خوبی را از «قاعده‌مندی»ای که در خود افعال بی‌قاعده دیده می‌شود نشان داد (send/sent, build/built, blow/blew, fly/flew). در طول یادگیری، وقتی که دستگاه در مرحله‌ای از آموزش بود که بیشتر افعال قاعده‌مند را می‌آموخت، به قاعده‌سازیِ بیش از حد گرایش داشت یعنی ترکیب صورت‌های قاعده‌مند و بی‌قاعده با یکدیگر: (break/broked,  به جای Break/broke). این گرایش با آموزش بیشتر تصحیح شد. جالب توجه است که کودکان در طول یادگیری زبان همین گرایش را از خود به نمایش می‌گذارند. اما بحث داغی وجود دارد که آیا کار روملارت و مک‌کلیلند مدل خوبی را از اینکه انسان‌ها چگونه پایانه‌های افعال را یاد می‌گیرند و پردازش می‌کنند به دست می‌دهد یا نه. برای مثال، پینکر و پرینس (Pinker and Prince 1988) خاطرنشان می‌کنند که این مدل در تعمیم به برخی افعال قاعده‌مند جدید ضعیف عمل می‌کند. به نظر آنها این نشانه‌ای از یک ضعف اساسی در مدل‌های پیوندگرا است. ممکن است شبکه‌ها در تداعی و الگوهای تطبیق خوب عمل کنند اما به محدودیت‌های بنیادینی در اجرای قواعد کلی از قبیل شکل‌گیری فعل ماضی باقاعده دچارند. این اعتراضات بحث مهمی را برای مدل‌سازان پیوندگرا به وجود می‌آورند یعنی اینکه آیا شبکه‌ها می‌توانند به درستی برای انجام کارهای شناختیِ متضمن قاعده گسترش یابند یا نه. علی‌رغم اعتراضات پینکر و پرینس، بسیاری از پیوندگرایان معتقدند که نوع درستی از گسترش و تعمیم همچنان امکان دارد (Niklasson and van Gelder 1994).

کار المن در 1991 بر روی شبکه‌هایی که می‌توانند ساختار گرامری را بفهمند نتایج مهمی برای این مسئله دارد که آیا شبکه‌های عصبی می‌توانند اجرای قاعده را یاد بگیرند. المن شبکۀ تکرری ساده‌ای را برای پیش‌بینی کلمۀ بعدی در بدنۀ بزرگی از جملات انگلیسی آموزش داد. جملات از 23 کلمۀ ساده بااستفادهاز زیرمجموۀ گرامز انگلیسی تشکیل شدند. گرامر با اینکه ساده است، آزمون دشواری را برای آگاهی زبانی مطرح کرد. این آزمون شکل‌گیری نامحدود رابط‌ها را امکان بخشید در حالی که مستلزم تطابق میان اسم و فعل بود. پس به عنوان مثال، در جملۀ

Any man that chases dogs that chase cats… runs.

اسم مفرد « man» باید با فعل « runs» تطابق داشته باشد با اینکه چند اسم جمع (dogs, cats) میان آنها فاصله است که ممکن است موجب انتخاب «run» شوند. یکی از خصوصیات مهم مدل المن استفاده از پیوندهای مکرر است. ارزش‌ها در واحدهای پنهان در مجموعه‌ای از واحدهای موسوم به واحدهای سیاق ذخیره می‌شوند تا به سطح ورودی برای دورۀ بعدی پردازش پس‌فرستاده شوند. شبکه‌های المن درک ساختار گرامری جملاتی را به نمایش گذاشتند که در دورۀ آموزش وجود نداشتند. توانایی نحوی شبکه به صورت زیر سنجیده شد. البته پیش‌بینی کلمۀ بعدی در جملۀ انگلیسی کار ناممکنی است. اما این شبکه‌ها دست‌کم با معیار زیر در این کار موفق شدند.  در نقطۀ خاصی از یک جملۀ ورودی، واحدهای خروجی برای کلماتی که به لحاظ گرامری ادامۀ جملۀ مربوط به آن نقطه‌اند باید فعال باشند و واحدهای خروجی برای همۀ کلمات دیگر باید غیرفعال باشند. المن پس از آموزش سخت، توانست شبکه‌هایی را تولید کند که از این جهت عملکرد خوبی داشتند از جمله در مورد جملاتی که در دورۀ آموزشی وجود نداشتند.

با اینکه این عملکرد بسیار جالب و چشمگیر است، همچنان راه درازی تا آموزش شبکه‌هایی وجود دارد که بتوانند زبان را پردازش کنند. به علاوه، در مورد اهمیت نتایج المن تردیدهایی مطرح شد. برای مثال، مارکوس (Marcus 1998, 2001) استدلال می‌کند که شبکه‌های المن نمی‌توانند این عملکرد را به جملاتی گسترش دهند که از لغات کاملاً جدیدی تشکیل شده‌اند. این به ادعای او نشان می‌دهد که مدل‌های پیوندگرا صرفاً مصادیق را به هم پیوند می‌دهند و واقعاً نمی‌توانند از پس قواعد انتزاعی برآیند. از سوی دیگر، فیلیپس (Philips 2002) استدلال می‌کند که ساختارهای کلاسیک هم از این حیث بهتر نیستند. ناتوانی مدل‌های پیوندگرا برای گسترش عملکرد خود موضوع مهمی در بحث نظام‌مندی است (بخش 7 این مقاله را ببینید).

4. نقاط قوت و ضعف مدل‌های شبکۀ عصبی

فیلسوفان به این خاطر به شبکه‌های عصبی علاقه‌مندند که ممکن است چارچوب جدیدی را برای فهم ماهیت ذهن و رابطۀ آن با مغز به دست دهند (Rumelhart and McClelland 1986, ch. 1). مدل‌های پیوندگرا بسیار با آنچه از عصب‌شناسی سراغ داریم سازگار به نظر می‌رسند. مغز در واقع یک شبکۀ عصبی است که از واحدهای بسیار زیادی (نورون‌ها) و پیوندهای آنها (سیناپس‌ها) تشکیل شده است. به علاوه، بسیاری از ویژگی‌های مدل‌های شبکۀ عصبی نشان می‌دهند که پیوندگرایی می‌تواند تصویر وفاداری را از ماهیت پردازش شناختی به دست دهد. شبکه‌های عصبی انعطاف زیادی را در برابر چالش‌هایی که جهان واقعی به وجود می‌آورد از خود به نمایش می‌گذارند. ورودی پر سر و صدا یا خرابی واحدها موجب افت شدید عملکرد آن می‌شود. پاسخ شبکه همچنان مناسب است هرچند دقت آن کم است. در مقابل، سر و صدا و از میان رفتن مدار در کامپیوترهای کلاسیک معمولاً منجر به شکست کامل و اساسی می‌شود. شبکه‌های عصبی نیز به‌خصوص برای مسائلی که مستلزم حل بسیاری از قیود متعارض و موازی‌اند بسیار تناسب دارند. شاهد مهمی از پژوهش‌های هوش مصنوعی وجود دارد که کارهای شناختی از قبیل تشخیص شیء، نقشه کشیدن و حتی حرکت منظم این نوع مسائل را به همراه دارند. هرچند دستگاه‌های کلاسیک هم قادر به استیفای قیود چندگانه‌اند، پیوندگرایان استدلال می‌کنند که مدل‌های شبکۀ عصبی برای حل این مسائل سازوکارهای طبیعی‌تری را به دست می‌دهند.

در طول قرون، فیلسوفان در صدد فهم این بودند که مفاهیم چگونه تعریف می‌شوند. در حال حاضر عموماً پذیرفته شده است که تلاش برای توصیف مفاهیم متعارف بر اساس شرایط لازم و کافی محکوم به شکست است. هر تعریف پیشنهادی‌ای همواره استثنائاتی دارد. برای مثال، ممکن است کسی پیشنهاد دهد که ببر یک گربه‌سان بزرگ و سیاه و نارنجی است. اما ببرهای بی‌رنگ چطور؟ فیلسوفان و روان‌شناسان شناختی استدلال کرده‌اند که مقولات با انعطاف بیشتری تحدید می‌شوند، برای مثال، از طریق مفهوم شباهت خانوادگی یا شباهت به یک پیش‌نمون (prototype). به نظر می‌رسد که مدل‌های پیوندگرا با این نوع از عضویت در مقوله به خوبی مناسب‌اند. شبکه‌ها می‌توانند درک الگوهای آماری ظریفی را یاد بگیرند که بیان‌شان به عنوان قواعد سخت و سریع دشوار است. پیوندگرایی نوید می‌دهد که انعطاف‌پذیری و بینشی را که در هوش انسانی یافت می‌شود با استفاده از روش‌هایی تبیین کند که به آسانی نمی‌توانند به صورت اصولِ بدون استثنا بیان شوند (Horgan and Tienson 1989, 1990) و به این ترتیب، از شکنندگی صورت‌های استاندارد بازنمود نمادین بپرهیزند.

با وجود این ویژگی‌های جذاب، ضعف‌هایی در مدل‌های پیوندگرا وجود دارد که باید ذکر کنیم. اولاً بیشتر تحقیقات شبکۀ عصبی به بسیاری از ویژگی‌های جالب و احتمالاً مهم مغز نمی‌پردازند. برای مثال، پیوندگرایان معمولاً نمی‌کوشند تا از انواع مختلف نورون‌های مغزی یا آثار ناقل‌های عصبی و هورمون‌ها مدل بسازند. به علاوه، چندان روشن نیست که مغز مشتمل بر آن نوع از پیوندهای معکوسی باشد که اگر قرار بود از طریق فرایندی مثل پس‌پراکنی یاد بگیرد، لازم بود که آنها را داشته باشد و تعداد زیادی تکرارهایی که در این روش وجود دارد چندان واقع‌گرایانه به نظر نمی‌رسد. اگر قرار باشد مدل‌های قانع‌کننده‌ای از پردازش شناختی انسان بسازیم، توجه به این موضوعات لازم است. اعتراض جدی‌تر دیگری را هم باید در نظر گرفت. عموماً ـ‌و به خصوص در میان کلاسیک‌گرایان‌ـ احساس می‌شود که شبکه‌های عصبی به طور خاص در مورد آن نوع از پردازش مبتنی بر قاعده‌ای که زیربنای زبان، استدلال و صورت‌های عالی فکرند خوب عمل نمی‌کنند. (برای انتقاد معروفی از این نوع، نک. Pinker and Prince 1988.) وقتی به بحث نظام‌مندی می‌رسیم، بیشتر در این مورد سخن می‌گوییم.

5. شکل‌گیری بحث میان پیوند‌گرایان و کلاسیک‌گرایان

چهل سال گذشته در قبضۀ این دیدگاه کلاسیک بود که شناخت انسان (دست‌کم شناخت مرتبه‌بالای او) مشابه محاسبۀ نمادین در کامپیوترهای رقمی است. بر اساس دیدگاه کلاسیک، اطلاعات به وسیلۀ رشته نمادها بازنمایی می‌شود همنا‌طور که داده‌ها را در حافظۀ کامپیوتر یا روی یک برگه بازنمایی می‌کنیم. از سوی دیگر، پیوندگرا مدعی است که شناخت مشابه پردازش رقمی است در جایی که رشته نمادها به طور متوالی بر اساس دستورالعمل‌های یک برنامه (نمادین) تولید می‌شوند. پیوندگرا پردازش ذهنی را تکامل فعال و تدریجی فعالیت در یک شبکۀ عصبی می‌داند که فعالیت هر یک از واحدهای آن به قوّت پیوند و فعالیت واحدهای مجاور آن ـ‌بر اساس تابع فعالیت‌ـ بستگی دارد.

ظاهراً این دیدگاه‌ها بسیار متفاوت به نظر می‌رسند. اما بسیاری از پیوندگرایان کار خود را چالشی برای کلاسیک‌گرایی نمی‌دانند و برخی صریحاً از تصویر کلاسیک طرفداری می‌کنند. پیوندگرایان اجرایی در صدد جمع میان این دو پارادایم‌اند. به نظر آنها شبکۀ مغز یک پردازشگر نمادین را اجرا می‌کند. درست است که ذهن یک شبکۀ عصبی است اما در یک سطح بالاتر و انتزاعی از توصیف، یک پردازشگر نمادین هم هست. پس نقش پژوهش پیوندگرا به نظر یک اجراگرا این است که ببیند دستگاهی که برای پردازش نمادین لازم است چگونه می‌تواند از مواد شبکۀ عصبی ساخته شود به گونه‌ای که پردازش کلاسیک به تبیین شبکۀ عصبی تحویل برود.

اما بسیاری از پیوندگرایان با دیدگاه اجرایی مخالف‌اند. این پیوندگرایان افراطی مدعی‌اند که پردازش نمادین نظریۀ بدی دربارۀ طرز کار ذهن بود. به نظر آنها نظریۀ کلاسیک در تبیین افت کارکرد، بازنمود کل‌گرایانۀ داده‌ها، تعمیم خودبه‌خودی، درک سیاق و بسیاری دیگر از ویژگی‌های هوش انسانی ضعیف‌اند در حالی که پیوندگرایی همۀ آنها را تبیین می‌کند. این پیوندگرایان افراطی پردازش نمادین را برای همیشه از علم شناختی حذف می‌کنند.

6. بازنمود پیوندگرایانه

مدل‌های پیوندگرا پاردایم جدیدی را برای فهم اینکه اطلاعات چگونه در مغز بازنمایی می‌شوند ارائه داده‌اند. یک ایدۀ جذاب و در عین حال خام این است که ممکن است تک‌تک نورون‌ها (یا مجموعۀ کوچکی از نورون‌ها) به بازنمایی هر یک از اموری که مغز باید ثبت کند اختصاص دارند. برای مثال، می‌توانیم تصور کنیم که نورون مادربزرگی‌ای وجود دارد که وقتی دربارۀ مادربزرگ خود فکر می‌کنیم شلیک می‌کنند. اما احتمال وجود این قبیل بازنمودهای محلی کم است. شاهد خوبی وجود دارد که فکر ما دربارۀ مادربزرگ متضمن الگوهای پیچیده‌ای از فعالیت است که در سطح بخش‌های نسبتاً بزرگی از قشر مغز توزیع شده‌اند.

جالب است که بازنمودهای توزیع‌شده ـ‌نه محلی‌ـ در واحدهای پنهان فرآورده‌های طبیعی روش‌های مهارت‌آموزی پیوندگرا هستند. از جملۀ مثال‌ها الگوهای فعالیتی هستند که هنگام پردازش یک متن به وسیلۀ نت‌تاک در واحدهای پنهان ظاهر می‌شوند. تحلیل نشان می‌دهد که شبکه بازنمایی مقولاتی از قبیل بی‌صدا و صدادار را نه با ایجاد یک واحد که برای باصدا و واحد دیگری که برای بی‌صدا فعال است بلکه با ایجاد دو الگوی خاص از فعالیت در سطح همۀ واحدهای پنهان، یاد می‌گیرد.

با توجه به انتظاراتی که از تجربۀ ما با بازنمود محلی در یک صفحۀ چاپ‌شده حاصل شده است، بازنمود توزیع‌شده هم جدید است و هم به سختی فهمیده می‌شود. اما این شیوه مزایای مهمی دارد. برای مثال، بازنمودهای توزیع‌شده (بر خلاف نمادهایی که در محل‌های ثابتی از حافظه ذخیره شده‌اند) با خراب‌شدن یا بارگذاری بیش از حد اجزای مدل بهتر حفظ می‌شوند. مهم‌تر از این: از آنجا که بازنمودها به صورت الگوها کدگذاری شده‌اند نه به صورت شلیک واحدهای جزئی، روابط میان بازنمودها به صورت شباهت و تفاوت میان این الگوها کدگذاری می‌شود. پس ویژگی‌های درونیِ بازنمود حامل اطلاعاتی است از اینکه دربارۀ چیست (Clark 1993, 19). در مقابل، بازنمود محلی قراردادی است. هیچ یک از ویژگی‌های ذاتی بازنمود (شلیک یک واحد) روابط آن را با سایر نمادها مشخص نمی‌کند. این ویژگی خود‌ـ‌گزارش‌دهندگی بازنمودهای توزیع‌شده نویدبخش حل یک معمای فلسفی دربارۀ معنا است. در طرح بازنمودی نمادین، همۀ بازنمودها از اتم‌های نمادین (مثل کلمات در زبان) تشکیل شده‌اند. معانی رشته نمادهای پیچیده ممکن است با نحوۀ تشکیل آنها از مقوم‌هایشان تعریف شود اما معانی خود این اتم‌ها چگونه مشخص می‌شود؟

طرح‌های بازنمودی پیوندگرایانه با رهایی از اتم‌ها این معما را حل می‌کند. هر بازنمود توزیع‌شده‌ای یک الگوی فعالیت در سطح همۀ واحدها است، پس هیچ راه اصولی‌ای برای تمایز میان بازنمودهای ساده و پیچیده وجود ندارد. مطمئناً بازنمودها از فعالیت‌های واحدهای جزئی تشکیل شده‌اند اما هیچ یک از این «اتم‌»ها کد هیچ نمادی نیستند. بازنمودها زیر‌ـ‌نمادین‌اند به این معنا که تحلیل آنها به مؤلفه‌هایشان سطح نمادین را پشت سر می‌گذارد.

سرشت زیر‌ـ‌نمادین بازنمود توزیع‌شده راه جدیدی را برای تصور پردازش اطلاعات در مغز به دست می‌دهد. اگر فعالیت هر نورونی را با یک عدد مدل‌سازی کنیم، در این صورت فعالیت کل مغز را می‌توان با بردار (یا فهرست) بزرگی از اعداد بیان کرد؛ هر عدد برای یک نورون. هم ورودی مغز از دستگاه‌های حسی و هم ورودی آن به نورون‌های عضلانی جزئی را هم می‌توان به صورت همین نوع از بردارها تصور کرد. پس مغز تبدیل به یک بردار‌ـ‌پرداز می‌شود و مشکل روان‌شناسی به مسائلی دربارۀ اینکه کدام عملیات برای روی بردارها جنبه‌های مختلف شناخت انسان را تبیین می‌کنند، تبدیل می‌شود.

بازنمود زیر‌ـ‌نمادین لوازم جالبی برای این فرضیۀ کلاسیک دارد که مغز باید مشتمل بر بازنمودهای نمادینی باشد که مشابه جملات زبان‌اند. این ایده ـ‌که از آن به عنوان تز زبان فکر (LOT) یاد می‌شود‌ـ می‌تواند با ماهیت بازنمودهای پیوندگرا به چالش کشیده شود. دقیقاً نمی‌توان گفت که مفاد تز زبان فکر چیست اما ون گلدر (1990) معیار عموماً پذیرفته‌شده و تأثیرگذاری را برای تعیین اینکه در چه صورتی می‌توان گفت که مغز مشتمل بر بازنمودهای جمله‌ـ‌مانند است به دست داده است. معیار این است: وقتی یک بازنمود مصداق می‌یابد، شخص به وسیلۀ آن اجزای آن بازنمود را مصداق بخشد. برای مثال، اگر بنویسم «جان عاشق ماری است» به این وسیله اجزای این جمله را هم نوشته‌ام: «جان»، «عاشق»، «ماری» و «است». برای عبارات مرکبی مثل «جان عاشق ماری است» می‌توان بازنمودهای توزیع‌شده‌ای را ساخت که متضمن بازنمایی صریح اجزا نباشند (Smolensky 1991). اطلاعات مربوط به اجزا می‌توانند از بازنمودها استخراج شوند اما لازم نیست که مدل‌های شبکۀ عصبی خودشان صریحاً این اطلاعات را استخراج کنند تا بتوانند آنها را به درستی پردازش کنند (Chalmers 1990). این نشان می‌دهد که مدل‌های شبکۀ عصبی مثال‌های نقضی برای این ایده‌اند که زبان فکر پیش‌شرط شناخت انسانی است. اما این موضوع همچنان موضوع بحث است (Fodor 1997).

تازگی ذخیرۀ اطلاعات پیوندگرایانۀ توزیع‌شده و برهم‌افتاده (superimposed) موجب می‌شود که دربارۀ اعتبار مفاهیم کلاسیک محاسبۀ نمادین برای توصیف مغز تردید کنیم. رمزی (Ramsey 1997) استدلال می‌کند که هرچند ممکن است بازنمودهای نمادین را به شبکه‌های عصبی نسبت دهیم، این اسنادات تبیین‌های مشروعی را از رفتار این مدل به دست نمی‌دهند. این مدعا مهم است زیرا تبیین کلاسیک از پردازش شناختی (و شهودهای عامیانه) فرض می‌کنند که بازنمودها نقشی تبیینی را در فهم ذهن ایفا می‌کنند. عموماً تصور می‌شده است که علم شناختی ماهیتاً نیازمند تبیین‌هایی است که به بازنمودها استناد کنند (Von Eckardt 2003). اگر رمزی درست بگوید، این نکته به دو صورت قابل تقسیم است. ممکن است برخی از آن برای استدلال به نفع یک فهم جدید و غیرکلاسیک از ذهن استفاده کنند در حالی که دیگران از طریق آن استدلال کنند که پیوندگرایی ناکافی است زیرا نمی‌تواند آنچه که باید، تبیین کند. اما هیبران (Haybron 2000) علیه رمزی استدلال می‌کند که فضای زیادی برای بازنمودهایی با نقش تبیینی در ساختارهای پیوندگرای افراطی وجود دارد. راث (Roth 2005) این نکتۀ جالب را بیان می‌کند که بر خلاف احساسات اولیه، تبیین رفتار شبکه با استناد به یک برنامۀ کامپیوتری کاملاً معنا می‌دهد حتی اگر راهی برای تشخیص سلسله مراحل محاسبه در طول زمان وجود نداشته باشد.

هُرگن و تینسن (Horgan and Tienson 1989, 1990) در مجموعه مقالاتی دیدگاهی را به نام بازنمود بدون قاعده مطرح کردند. بر اساس این دیدگاه، کلاسیک‌گرایان درست فکر می‌کنند که مغز انسان (و مدل‌های پیوندگرای خوب از آنها) مشتمل بر بازنمودهایی است که به لحاظ تبیینی قوی‌اند اما خطای آنها این است که این بازنمودها همانند مراحل یک برنامۀ کامپیوتری قواعد سخت و سریعی دارند. این ایده که دستگاه‌های پیوندگرا از قواعد تدریجی یا تقریبی («قوانین نرم» آن‌طور که هرگن و تینسن می‌نامند) تبعیت می‌کنند جذاب و موافق شهود است. اما آیزاوا (Aizawa 1994) استدلال می‌کند که اگر یک شبکۀ عصبی دلبخواهی با سطح بازنمودی توصیف داشته باشیم، همیشه ممکن است که آن را با قواعد سخت و سریع در سطح بازنمود مجهز کنیم. گوارینی (Guarini 2001) پاسخ می‌دهد که اگر به مفاهیمی از تبعیت قاعده توجه کنیم که برای مدل‌سازی شناختی سودمندند، ساخته‌های آیزاوا کاملاً بی‌ربط به نظر می‌رسند.

7. بحث نظام‌مندی (systematicity)

نکات عمدۀ بحث در ادبیات فلسفی مربوط به پیوندگرایی به این مربوط است که پیوندگرایان پارادایم معتبر و جدیدی را برای فهم ذهن به دست می‌دهند یا نه. یک اعتراض این است که مدل‌های پیوندگرا فقط در مورد پردازش تداعی‌ها کارآمدند اما کارهایی از قبیل زبان و استدلال فقط از طریق روش‌های تداعی قابل اجرا نیستند. در نتیجه پیوندگرایان با عملکرد مدل‌های کلاسیک برای تبیین این توانایی‌های شناختی سطح‌بالا برابری نمی‌کنند. اما به راحتی می‌توان ثابت کرد که شبکه‌های عصبی می‌توانند همۀ کارهایی را انجام دهند که پردازشگرهای نمادین انجام می‌دهند زیرا شبکه‌هایی را می‌توان ساخت که از مدارهای کامپیوتری تقلید می‌کنند. پس اعتراض نمی‌تواند این باشد که مدل‌های پیوندگرا شناخت سطح‌بالا را تبیین نمی‌کنند بلکه اعتراض این است که فقط در صورتی می‌توانند این کار را انجام دهند که ابزارهای پردازش نمادین کلاسیک‌گرا را اجرا کنند. پیوندگرایی اجرایی ممکن است موفق باشد اما پیوندگرایان افراطی هرگز قادر به تبیین ذهن نیستند.

مقالۀ پرارجاع فودر و پیلیشین (Fodor and Pylyshyn 1988) چنین بحثی را مطرح می‌کند. آنها یکی از ویژگی‌های هوش انسانی را به نام نظام‌مندی شناسایی می‌کنند و احساس آنها این است که پیوندگرایی نمی‌تواند آن را تبیین کند. نظام‌مندی زبان به این واقعیت مربوط می‌شود که توانایی تولید/فهم/تفکر (دربارۀ) یک جمله ذاتاً با توانایی تولید/فهم/تفکر (دربارۀ) جمله‌های دیگری با همان ساختار پیوند دارد. برای مثال، فارسی‌زبانی که «جان عاشق ماری است» را می‌فهمد نمی‌تواند «ماری عاشق جان است» را نفهمد. از منظر کلاسیک، پیوند میان این دو توانایی به آسانی با این فرض قابل تبیین است که فارسی‌زبان اجزای («جان»، «عاشق»، «ماری» و «است») از جملۀ «جان عاشق ماری است» را بازنمایی می‌کنند و معنای آن از طریق معانی این اجزا محاسبه می‌کنند. در این صورت، فهم یک جملۀ تازه مثل «ماری عاشق جان است» با نمونۀ دیگری از همان فرایند نمادین تبیین می‌شود. به همین صورت، پردازش نمادین نظام‌مندی استدلال، یادگیری و تفکر را هم تبیین می‌کند. این دیدگاه تبیین می‌کند که چرا هیچ کسی نیست که قادر به نتیجه‌گیری P از P&(Q&R) باشد اما قادر به نتیجه‌گیری P از P&Q نباشد، چرا کسی نیست که می‌تواند یاد بگیرد که یک مکعب قرمز را به یک دایرۀ سبز ترجیح دهد اما نتواند یاد بگیرد که یک مکعب سبز را به یک دایرۀ قرمز ترجیح دهد و اینکه چرا کسی نیست که بتواند فکر کند که جان عاشق ماری است اما نتواند فکر کند که ماری عاشق جان است.

این اتهام که شبکه‌های پیوندگرا از تبیین نظام‌مندی عاجزند توجه زیادی را به خود برانگیخته است. یکی از نکاتی که برای رد این اتهام اغلب ذکر می‌شود (Aizawa 1997, Matthews 1997, Hadley 1997b) این است که ساختارهای کلاسیک هم در تبیین نظام‌مندی وضعیت بهتری ندارند. مدل‌های کلاسیکی هم وجود دارد که می‌توانند برای فهمیدن «جان عاشق ماری است» برنامه‌ریزی شوند اما نتوانند «ماری عاشق جان است» را بفهمند. نکته این است که نه استفاده از ساختار پیوندگرایانه به تنهایی و نه استفاده از ساختار کلاسیک به تنهایی قید قوی‌ای را برای تبیین نظام‌مندی تحمیل نمی‌کنند. در هر دو ساختار، فرض‌های بیشتری را باید دربارۀ ماهیت پردازش صورت داد تا مطمئن شویم که «ماری عاشق جان است» هم پردازش شده است.

در بحث از این نکته باید این قید فودر و مک‌لافلین را ذکر کنیم که نظام‌مندی باید از باب ضرورت اسمی تبیین شود یعنی از باب یک قانون طبیعی. اعتراض به پیوندگرایان این است که با اینکه ممکن است دستگاه‌هایی را اجرا کنند که نظام‌مندی را به نمایش می‌گذارند، نمی‌توانند آن را تبیین کنند مگر اینکه از مدل‌های آنها به عنوان یک ضرورت اسمی نتیجه شود. اما اقتضای ضرورت اسمی بسیار عجیب است به گونه‌ای که ساختارهای کلاسیک هم نمی‌توانند از پس آن برآیند. پس تنها شیوه برای تضمین یک اعتراض رسا به پیوندگرایان این است که قید تبیین نظام‌مندی را ضعیف کنیم به گونه‌ای که ساختارهای کلاسیک بتوانند آن را استیفا کنند و پیوندگرایان نتوانند. مورد قانع‌کننده‌ای از این دست هنوز ارائه نشده است.

با پیشرفت بحث نظام‌مندی، تعریف معیارهایی برای پاسخ به چالش فودر و پیلیشین در کانون توجه قرار گرفت. هدلی (Hadley 1994a, 1994b) سه نوع از نظام‌مندی را تفکیک می‌کند. پیوندگرایان به وضوح ضعیف‌ترین نوع نظام‌مندی را از این طریق نشان داده‌اند که شبکه‌های عصبی می‌تواند یاد بگیرند که سلسله کلمات جدیدی را ـ‌که در مرحلۀ مهارت‌آموزی وجود نداشت‌ـ به درستی تشخیص دهند (مانند «ماری عاشق جان است»). اما هدلی مدعی است که یک پاسخ قانع‌کننده باید نظام‌مندی قوی یا به تعبیر بهتر، نظام‌مندی معناشناختی قوی را ملاحظه کند. نظام‌مندی قوی (دست‌کم) مستلزم این است که «ماری عاشق جان است» تشخیص داده شود حتی اگر «ماری» هرگز در موضع فاعلی در مرحلۀ آموزش ارائه نشده باشد. همچنین نظام‌مندی معناشناختی قوی مستلزم این است که شبکه توانایی‌هایی را برای پردازش معنایی صحیحِ جملات جدید به نمایش بگذارد نه اینکه صرفاً صورت‌های گرامری را از صورت‌های غیرگرامری تشخیص دهد. نیکلاسن و ون گلدر (1994) مدعی‌اند که در مورد نظام‌مندی قوی به موفقیت رسیده‌اند اما هدلی اعتراض می‌کند که این در بهترین حالت یک مورد بینابینی است. هدلی و هیوارد (Hadley and Hayward 1997) به نظام‌مندی معناشناختی قوی می‌پردازند اما به اذعان خود هدلی، روشن نیست که از کاربرد ساختار کلاسیک اجتناب کرده باشند. بودِن و نیکلاسن (Boden and Niklasson 2000) مدعی ساختن مدلی هستند که دست‌کم روح نظام‌مندی معناشناختی قوی را برآورده می‌کند اما هدلی (2004) استدلال می‌کند که آنها اصلاً به نظام‌مندی قوی نپرداخته‌اند. چه دیدگاهی ایجابی در این باب اختیار کنیم و چه دیدگاهی سلبی، می‌توان گفت که هیچ کس به این چالش پاسخ نداده است که شبکۀ عصبی‌ای را فراهم کند که قادر به یادگیریِ پردازش معنایی پیچیده‌ای است که به کل قلمرو ورودی‌های واقعاً جدید گسترش می‌یابد.

کنت جانسن (Johnson 2004) استدلال می‌کند که کل بحث نظام‌مندی بحث نادرستی است. کوشش‌های انجام‌شده برای تعریف دقیق نظام‌مندی زبان یا فکر یا پیش پا افتاده‌اند یا نادرست‌اند. البته پیوندگرایان باید چیزی را تبیین کنند اما جانسن پیشنهاد می‌دهد که بی‌فایده است وظیفۀ آنها را تحت عنوان نظام‌مندی بنگریم. آنچه لازم است توسعۀ مدل‌هایی از شبکۀ عصبی است که بتوانند زبانی را با نحو بازگشتی تبیین کنند و بی‌درنگ به ورود امور جدید در لغت واکنش نشان دهند. شاید بحث «نظام‌مندی» از قبل هم همین مسیری را پیموده باشد که جانسن پیشنهاد می‌دهد زیرا به نظر می‌رسد که آنچه هدلی نظام‌مندی معناشناختی قوی می‌نامد معیار خوبی برای موفقیت در این مسیر باشد.

8. پیوندگرایی و شباهت معنایی

یکی از جاذبه‌های بازنمودهای توزیع‌شده در مدل‌های پیوندگرا این است که راه حلی را برای تعیین معانی حالات مغزی پیشنهاد می‌دهند. ایده این است که شباهت‌ها و تفاوت‌های میان الگوهای فعالیت در ابعاد مختلف فعالیت عصبی اطلاعات معنایی را ثبت می‌کنند. به این ترتیب، ویژگی شباهت فعالیت‌های عصبی ویژگی‌های ذاتی‌ای را به دست می‌دهند که معنا را مشخص می‌کنند. اما فود و لپور (Fodor and Lepore 1992, ch. 6) از دو جهت تبیین‌های مبتنی بر شباهت را به چالش می‌کشند. مشکل اول این است که مغز انسان احتمالاً در تعداد پیوندهای میان نورون‌هایش دستخوش تغییرات چشمگیری می‌شود. هرچند تعریف معیارهای شباهت برای دو شبکه‌ای که تعداد یکسانی از واحدها را در بر دارند تعریف سرراستی است، فهم اینکه وقتی ساختارهای اساسی این دو شبکه متفاوت‌اند چگونه می‌توان این کار را انجام داد دشوار است. مشکل دوم این است که حتی اگر معیارهای شباهت برای معانی با موفقیت ساخته شوند، برای برآورده کردن مطلوبی که یک نظریۀ معنا اقتضا دارد ناکافی‌اند.

چرچلند (Churchland 1998) نشان می‌دهد که به اعتراض اول می‌توان پاسخ داد. او با استناد به کار لاکسو و کاترل (Laakso and Cottrell 2000) تبیین می‌کند که چگونه حدود شباهت میان الگوهای فعالیت در شبکه‌هایی با ساختارهای کاملاً متفاوت قابل تعریف است. به علاوه، لاکسو و کاترل نشان می‌دهند که شبکه‌هایی با ساختارهای مختلف که برای کار یکسانی آموزش دیده‌اند الگوهای فعالیتی را به دست می‌آورند که قویاً بر اساس معیارهایی که اقتضا دارند مشابه‌اند. این موضوع ما را امیدوار می‌کند که می‌توان معیارهای خوش‌تعریفی از شباهت مفاهیم و فکرها را در سطح افراد مختلف ساخت.

از سوی دیگر، رشد نظریۀ سنتی معنا بر اساس شباهت با موانع دشواری روبرو است (Fodor and Lepore 1999) زیرا چنین نظریه‌ای برای اسناد شرایط صدق به جملات بر اساس تحلیل معنای اجزایشان لازم است و روشن نیست که شباهت به تنهایی بتواند کارهایی مثل تعیین مدلول را آن‌گونه که یک نظریۀ متعارف اقتضا دارد انجام دهد. اما بیشتر پیوندگرایانی که طرفدار تبیین‌های مبتنی بر شباهت از معنا هستند بسیاری از پیش‌فرض‌های نظریات متعارف را رد می‌کنند. آنها امیدوارند که جایگزین مؤثری را بسازند که آن پیش‌فرض‌ها را رد یا اصلاح می‌کنند و در عین حال، به داده‌های مربوط به توانایی‌های زبانی انسان وفادارند.

گالوو گارزن (Galvo Garzon 2003) اعتراض می‌کند که دلایلی برای این تفکر وجود دارد که پیوندگرایی محکوم به شکست است. پاسخ چرچلند پاسخی به چالش اطلاعات جانبی (collateral) نمی‌دهد. مشکل این است که شباهت‌های اندازه‌گیری شده میان الگوهای فعالیت برای یک مفهوم (مثل مادربزرگ) در دو مغز انسانی قطعاً بسیار اندک‌اند زیرا اطلاعات (جانبی) این دو فرد از مادربزرگ‌هایشان (نام، ظاهر، سن، شخصیت) بسیار متفاوت است. اگر مفاهیم با همۀ آنچه می‌دانیم تعریف شوند، معیارهای الگوی فعالیت مفاهیم ما بسیار با هم متفاوت خواهند بود. این مشکل واقعاً عمیقی برای هر نظریه‌ای است که می‌خواهد معنا را بر اساس روابط کارکردی میان حالات مغزی تعریف کند. فیلسوفان مختلف باید با این مسئله درگیر شوند. با توجه به فقدان نظریۀ موفقی از مفاهیم چه در پارادایم سنتی و چه در پارادایم پیوندگرا، بهتر است این مسئله را به پژوهش‌های آینده موکول کنیم.

9. پیوندگرایی و حذف روان‌شناسی عامیانه

کاربرد دیگر پژوهش پیوندگرا در بحث‌های فلسفیِ مربوط به ذهن به جایگاه روان‌شناسی عامیانه مربوط می‌شود. روان‌شناسی عامیانه ساختاری مفهومی است که خودبه‌خود در مورد فهم و پیش‌بینی رفتار انسان‌ها به کار می‌بریم. برای مثال، معرفت به اینکه جان به شربت میل دارد و اینکه باور که مقداری شربت در یخچال وجود دارد به ما اجازه می‌دهد تبیین کنیم چرا جان به آشپزخانه رفت. چنین معرفتی کاملاً به توانایی ما برای تصور دیگران به عنوان دارندۀ میل و هدف، دارندۀ نقشه‌هایی برای اجرای میل‌ها و اهداف‌شان و باورهایی برای جهت‌دهی به این نقشه‌ها برمی‌گردد. این ایده که افراد باور، نقشه و میل دارند از بدیهیات زندگی متعارف است اما آیا توصیف وفادارای از آنچه واقعاً در مغز یافت می‌شود به ما می‌دهد؟

مدافعان این دیدگاه استدلال می‌کنند که روان‌شناسی عامیانه بهتر از آن است که کاذب باشد (Fodor 1988, ch. 1). برای صدق یک نظریه غیر از ارائۀ یک چارچوب ضروری برای بحث موفق با دیگران چه چیز دیگری لازم است؟ از سوی دیگر، حذف‌گرایان پاسخ می‌دهند که استفادۀ سودمند و شایع از یک طرح مفهومی استدلالی به نفع صدق آن نیست (Churchland 1989, ch. 1). منجمان باستان مفهوم افلاک آسمانی را برای پیشبرد رشتۀ خود سودمند (و حتی ضروری) می‌دانستند اما اینک می‌دانیم که چیزی به نام افلاک آسمانی وجود ندارد. از منظر حذف‌گرایان، وفاداری به روان‌شناسی عامیانه ـ‌همانند وفاداری به فیزیک (ارسطویی) عامیانه‌ـ مانعی در راه پیشرفت علمی است. یک روان‌شناسی معتبر شاید نیازمند یک انقلاب افراطی در بنیادهای مفهومی‌اش باشد همانند انقلابی که در مکانیک کوانتوم پدید آمد.

حذف‌گرایان به پیوندگرایی علاقه‌مندند زیرا نوید یک بنیاد مفهومی را می‌دهد که می‌تواند جایگزین روان‌شناسی عامیانه شود. برای مثال، رمزی و دیگران (Ramsey et al. 1991) استدلال کرده‌اند که برخی از شبکه‌های پیشخوراند نشان می‌دهند که کارهای شناختی ساده بدون استفاده از ویژگی‌های متناظر با باور، میل و نقشه قابل اجرا هستند. با این فرض که چنین شبکه‌هایی به طرز کار مغز وفادارند، مفاهیم روان‌شناسی عامیانه بهتر از افلاک آسمانی نخواهند بود. اینکه آیا مدل‌های پیوندگرا روان‌شناسی عامیانه را به این ترتیب تضعیف می‌کنند یا نه همچنان مناقشه‌آمیز نیستند. دو شیوۀ پاسخ به این مدعا که مدل‌های پیوندگرا از نتایج حذف‌گرایانه پشتیبانی می‌کنند وجود دارد. یک اعتراض این است که مدل‌هایی که رمزی و دیگران به کار برده‌اند شبکه‌های پیشخوراند هستند و ضعیف‌تر از آن‌اند که برخی از ویژگی‌های اساسی شناخت مثل حافظۀ کوتاه‌مدت را تبیین کنند. رمزی و دیگران نشان نداده‌اند که باورها و میل‌ها نباید در دستۀ شبکه‌های کافی برای شناخت انسانی وجود داشته باشند. اعتراض دوم این مدعا را به چالش می‌کشد که ویژگی‌های متناظر با باورها و میل‌ها حتی در شبکه‌های پیشخوراند هم ضرورتاً مفقودند (Von Eckardt 2005).

اختلافات مربوط به ماهیت روان‌شناسی عامیانه این مسئله را پیچیده‌تر می‌کنند. بسیاری از فیلسوفان باورها و میل‌هایی را که روان‌شناسی عامیانه مفروض می‌گیرد حالات مغزی‌ای با محتواهای نمادین می‌دانند. برای مثال، باور به اینکه در یخچال شربت وجود دارد حالتی مغزی است که مشتمل بر نمادهایی است که با شربت و یخچال متناظرند. از این منظر، سرنوشت روان‌شناسی عامیانه با فرضیۀ پردازش نمادین گره می‌خورد. پس اگر پیوندگرایان بتوانند ثابت کنند که پردازش مغزی اساساً غیرنمادین است، نتایج حذف‌گرایانه به دست خواهند آمد. از سوی دیگر، برخی از فیلسوفان فکر نمی‌کنند که روان‌شناسی عامیانه اساساً نمادین است و برخی اصلاً این ایده را که روان‌شناسی عامیانه یک نظریه است به چالش می‌کشند. مطابق با این تصور، ایجاد پیوند میان نتایج پژوهش‌های پیوندگرا و رد روان‌شناسی عامیانه بسیار دشوارتر خواهد بود.

کتاب‌نامه

• Aizawa, K., “Representations without Rules, Connectionism and the Syntactic Argument,” Synthese, 101 (1994): 465-492
• Aizawa, K., “Explaining Systematicity,” Mind and Language,12 (1997): 115-136
• Aizawa, K., “Exhibiting versus Explaining Systematicity: A Reply to Hadley and Hayward,” Minds and Machines, 7 (1997): 39-55
• Bechtel, W., “Connectionism and the Philosophy of Mind: an Overview,” The Southern Journal of Philosophy, Supplement, (1987): 17-41
• Bechtel, W., “Connectionism and Rules and Representation Systems: Are They Compatible?,” Philosophical Psychology, 1 (1988): 5-15
• Bechtel, W., and Abrahamsen, A., Connectionism and the Mind: An Introduction to Parallel Processing in Networks, Cambridge, Mass.: Blackwell (1990)
• Boden, M. and Niklasson, L. “Semantic Systematicity and Context in Connectionist Networks,” Connection Science, 12 (2000): 111-142
• Butler, K., “Towards a Connectionist Cognitive Architecture,” Mind and Language, 6 (1991): 252-272
• Calvo Garzon, F. “Connectionist Semantics and the Collateral Information Challenge,” Mind and Language, 18 (2003): 77-94
• Chalmers, D., “Syntactic Transformations on Distributed Representations,” Connection Science, 2 (1990): 53-62
• Chalmers, D., “Why Fodor and Pylyshyn Were Wrong: The Simplest Refutation,” Philosophical Psychology, (1993): 305-319
• Christiansen, M., and Chater, N., “Generalization and Connectionist Language Learning,” Mind and Language, 9 (1994): 273-287
• Churchland, P.M., The Engine of Reason, the Seat of the Soul : a Philosophical Journey into the Brain, Cambridge, Mass.: MIT Press (1995)
• Churchland, P. M., “Conceptual Similarity across Sensory and Neural Diversity: The Fodor/Lepore Challenge Answered,” Journal of Philosophy, 95 (1998): 5-32
• Churchland, P. S., A Neurocomputational Perspective: The Nature of Mind and the Structure of Science, Cambridge, Mass.: MIT Press (1989)
• Clark, A., Microcognition, Cambridge, Mass.: MIT Press (1989)
• Clark, A., Associative Engines, Cambridge, Mass.: MIT Press (1993)
• Clark, A., “Connectionist Minds,” in McDonald (1995) 339-356
• Clark, A., and Lutz, R. (Eds.), Connectionism in Context, Springer, (1992)
• Cotrell G., and Small, S., “A Connectionist Scheme for Modeling Word Sense Disambiguation,” Cognition and Brain Theory, 6 (1983): 89-120
• Cummins, R., “The Role of Representation in Connectionist Explanations of Cognitive Capacities,” in Ramsey, Stich and Rumelhart (1991): 91-114
• Cummins, R., “Systematicity,” Journal of Philosophy, XCIII #22 (1996): 561-614
• Cummins, R., and Schwarz, G., “Connectionism, Computation, and Cognition,” in T. Horgan and J. Tienson (1991): 60-73
• Davies, M., “Connectionism, Modularity and Tacit Knowledge,” British Journal for the Philosophy of Science, 40 (1989): 541-555
• Davies, M., “Concepts, Connectionism and the Language of Thought,” in Ramsey et al. (1991): 229-257
• Dinsmore, J., (ed.) The Symbolic and Connectionist Paradigms: Closing the Gap, Erlbaum (1992)
• Elman, J. L., “Distributed Representations, Simple Recurrent Networks, and Grammatical Structure,” in Touretzky (1991): 91-122
• Fodor, J., Psychosemantics, Cambridge, Mass.: MIT Press (1988)
• Fodor, J., “Connectionism and the Problem of Systematicity: Why Smolensky's Solution Still Doesn't Work,” Cognition, 62 (1997): 109-119
• Fodor, J., and Lepore, E., Holism: A Shopper's Guide, Cambridge: Blackwell, (1992)
• Fodor, J., and Lepore, E., “All at Sea in Semantic Space: Churchland on Meaning Similarity,” Journal of Philosophy, 96 (1999): 381-403
• Fodor, J., and McLaughlin, B., “Connectionism and the Problem of Systematicity: Why Smolensky's Solution Doesn't Work,” Cognition 35 (1990): 183-204
• Fodor, J., and Pylyshyn, Z., “Connectionism and Cognitive Architecture: a Critical Analysis,” Cognition, 28 (1988): 3-71
• Garfield, J., “Mentalese Not Spoken Here: Computation Cognition and Causation,” Philosophical Psychology, 10 (1997): 413-435
• Garson, J., “What Connectionists Cannot Do: The Threat to Classical AI,” in T. Horgan and J. Tienson (1991): 113-142
• Garson, J., “Cognition without Classical Architecture,” Synthese, 100 (1994): 291-305
• Garson, J., “Syntax in a Dynamic Brain,” Synthese, 110 (1997): 343-355
• Guarini, M. “A Defence of Connectionism Against the Syntactic Argument,” Synthese, 128 (2001): 287-317
• Hadley, R., “Systematicity in Connectionist Language Learning,” Mind and Language, 9 (1994a): 247-271
• Hadley, R. “Systematicity Revisited,” Mind and Language, 9 (1994b): 431-444
• Hadley, R., “Explaining Systematicity: A Reply to Kenneth Aizawa,” Minds and Machines, 7 (1997a): 571-579
• Hadley, R., “Cognition, Systematicity and Nomic Necessity,” Mind and Language,12 (1997b): 137-153
• Hadley, R., and Hayward, M., “Strong Semantic Systematicity from Hebbian Connectionist Learning,” Minds and Machines, 7 (1997c): 1-37
• Hanson, J., and Kegl, J., “PARSNIP: A Connectionist Network that Learns Natural Language Grammar from Exposure to Natural Language Sentences,” Ninth Annual Conference of the Cognitive Science Society, (1987) pp. 106-119
• Hatfield, G., “Representation in Perception and Cognition: Connectionist Affordances,” in Ramsey et al. (1991): 163-195
• Hatfield, G., “Representation and Rule-Instantiation in Connectionist Systems,” in T. Horgan and J. Tienson (1991): 90-112
• Hawthorne, J., “On the Compatibility of Connectionist and Classical Models,” Philosophical Psychology, 2 (1989): 5-15
• Haybron, D. “The Causal and Explanatory Role of Information Stored in Connectionist Networks,” Minds and Machines, 10 (2000): 361-380
• Hinton, G., “How Neural Networks Learn from Experience,” Scientific American (September, 1992): 145-151
• Hinton, G., ed., Connectionist Symbol Processing, Cambridge, Mass.: MIT Press (1991)
• Hinton, G., “Mapping Part-Whole Hierarchies into Connectionist Networks,” in Hinton (1991): 47-76
• Hinton, G., McClelland, J., and Rumelhart, D., “Distributed Representations,” chapter 3 of Rumelhart, McClelland, et. al. (1986)
• Horgan, T., and Tienson, J., “Representations without Rules,” Philosophical Topics, 17 (1989): 147-174
• Horgan, T., and Tienson, J., “Soft Laws,” Midwest Studies in Philosophy 15 (1990): 256-279
• Horgan, T., and Tienson, J., (eds.) Connectionism and the Philosophy of Mind, Dordrecht: Kluwer, (1991)
• Horgan, T., and Tienson, J., Connectionism and the Philosophy of Psychology, Cambridge, Mass.: MIT Press, (1996)
• Johnson, K. “On the Systematicity of Language and Thought,” Journal of Philosophy, 101 (2004): 111-139
• Laakso, A., and Cotrell, G., “Content and Cluster Analysis: Assessing Representational Similarity in Neural Systems,” Philosophical Psychology,13 (2000): 47-76
• Macdonald, C. (ed.), Connectionism: Debates on Psychological Explanation, Oxford: Blackwell (1995)
• Matthews, R., “Can Connectionists Explain Systematicity?” Mind and Language, 12 (1997): 154-177
• Marcus, G., “Rethinking Eliminative Connectionism,” Cognitive Psychology, 37 (1998): 243-282
• Marcus, G., The Algebraic Mind, Cambridge, Mass.: MIT Press, (2001)
• McClelland, J., and Elman, J., “The TRACE Model of Speech Perception,” Cognitive Psychology, 18 (1986): 1-86
• McClelland, J., Rumelhart, D., et al., Parallel Distributed Processing, vol. II, Cambridge, Mass.: MIT Press (1986)
• McLaughlin, B., “The Connectionism/Classicism Battle to Win Souls,” Philosophical Studies, 71 (1993): 163-190
• Miikkulainen, T., Subsymbolic Natural Language Processing: An Integrated Model of Scripts, Lexicon and Memory, Cambridge, Mass.: MIT Press (1993)
• Niklasson, L., and van Gelder, T., “On Being Systematically Connectionist,” Mind and Language, 9 (1994): 288-302
• Phillips, S. “Does Classicism Explain Universality?” Minds and Machines 12 (2002): 423-434
• Pinker, S., and Mehler, J. (eds.), Connections and Symbols, Cambridge, Mass.: MIT Press (1988)
• Pinker, S., and Prince, A., “On Language and Connectionism: Analysis of a Parallel Distributed Processing Model of Language Acquisition,” Cognition, 23 (1988) 73-193
• Pollack, J., “Implications of Recursive Distributed Representations,” in Touretzky (1989): 527-535
• Pollack, J., “Induction of Dynamical Recognizers,” in Touretzky (1991): 123-148
• Pollack, J., (1991) “Recursive Distributed Representation,” in Hinton (1991): 77-106
• Port, Robert, F., “Representation and Recognition of Temporal Patterns,” Connection Science, 2 (1990): 151-176
• Port, R., and van Gelder, T., “Representing Aspects of Language,” Proceedings of the Thirteenth Annual Conference of the Cognitive Science Society, Hillsdale, N.J.: Erlbaum (1991)
• Ramsey, W., “Do Connectionist Representations Earn their Explanatory Keep?” Mind and Language,12 (1997): 34-66
• Ramsey, W., Stich, S., and Rumelhart, D., Philosophy and Connectionist Theory, Hillsdale, N.J.: Erlbaum (1991)
• Ramsey, W., Stich, S., and Garon, J., “Connectionism, Eliminativism, and the Future of Folk Psychology,” in Ramsey, Rumelhart and Stich (1991): 199-228
• Roth, M. “Program Execution in Connectionist Networks,” Mind and Language, 20 (2005): 448-467
• Rumelhart, D., and McClelland, J., “On Learning the Past Tenses of English Verbs,” in McClelland and Rumelhart et. al. Ch. 18, (1986): 216-271
• Rumelhart, D., McClelland, J., and the PDP Research Group, Parallel Distributed Processing, vol. I, Cambridge, Mass.: MIT Press (1986)
• Schwarz, G., “Connectionism, Processing, Memory,” Connection Science, 4 (1992): 207-225
• Sejnowski, T., and Rosenberg, C., “Parallel networks that Learn to Pronounce English Text,” Complex Systems, 1 (1987): 145-168
• Servan-Schreiber, D., Cleeremans, A., and McClelland, J., “Graded State Machines: The Representation of Temporal Contingencies in Simple Recurrent Networks,” in Touretzky (1991): 57-89
• Shastri, L., and Ajjanagadde, V., “From Simple Associations to Systematic Reasoning: A Connectionist Representation of Rules, Variables, and Dynamic Bindings Using Temporal Synchrony” Behavioral and Brain Sciences,16 (1993): 417-494
• Smolensky, P., “The Constituent Structure of Connectionist Mental States: A Reply to Fodor and Pylyshyn,” The Southern Journal of Philosophy, Supplement, 26 (1987): 137-161
• Smolensky, P., “On the Proper Treatment of Connectionism,” Behavioral and Brain Sciences, 11 (1988): 1-74
• Smolensky, P., “Tensor Product Variable Binding and the Representation of Symbolic Structures in Connectionist Systems,” in Hinton (1991): 159-216
• Smolensky, P., “Constituent Structure and Explanation in an Integrated Connectionist/Symbolic Cognitive Architecture,” in MacDonald (1995)
• St. John, M., and McClelland, J., “Learning and Applying Contextual Constraints in Sentence Comprehension,” in Hinton (1991): 217-257
• Tomberlin, J. (ed.), Philosophical Perspectives 9: AI, Connectionism and Philosophical Psychology, Atascadero: Ridgeview Press (1995)
• Touretzky, D., Advances in Neural Information Processing Systems I, San Mateo, CA: Kaufmann (1989)
• Touretzky, D., Advances in Neural Information Processing Systems II, San Mateo, CA: Kaufmann (1990)
• Touretzky, D., Connectionist Approaches to Language Learning, Dordrecht: Kluwer (1991)
• Touretzky, D., Hinton, G., and Sejnowski, T. Proceedings of the 1988 Connectionist Models Summer School, Kaufmann (1988)
• van Gelder, T., “Compositionality: A Connectionist Variation on a Classical Theme,” Cognitive Science, 14 (1990): 355-384
• van Gelder, T., “What is the ‘D’ in PDP?” in Ramsey et al. (1991): 33-59
• van Gelder, T and Port, R., “Beyond Symbolic: Prolegomena to a Kama-Sutra of Compositionality,” in V. Honavar and L. Uhr (Eds.), Symbol Processing and Connectionist Models in AI and Cognition: Steps Towards Integration, Boston: Academic Press (1993)
• Von Eckardt, B. “The Explanatory Need for Mental Representations in Cognitive Science,” Mind and Language, 18 (2003): 427-439
• Von Eckardt, B., “Connectionism and the Propositional Attitudes,” in C. Erneling and D. Johnson (eds.), The Mind as a Scientific Object: Between Brain and Culture, New York: Oxford University Press (2005)
• Waltz, D., and Pollack, J., “Massively Parallel Parsing: A Strongly Interactive Model of Natural Language Interpretation,” Cognitive Science, 9, 51-74