1701550308
1701550309
1701550310
1701550311
图2-2
1701550312
1701550313
我们假设，每个模型神经元都表征一个简单的命题。微型网络可以连接在一起，其中一个的输出供应了另一个的输入，这样就可以评估一个复杂命题的真伪了。例如，一个神经网络能够评估命题{[（X咀嚼它反刍的食物）和（X有偶蹄）]或[（X有鳍）且（X有鳞）]}，概括什么样的动物才清洁可食[6]。事实上，如果一个模型神经元网络被连接到某种可延伸的内存记忆（比如在一个橡皮印章和一块橡皮下滚动的一卷纸）时，它就成了一台图灵机，一台全速运转的计算机。
1701550314
1701550315
但是，在逻辑门中表征命题或组成命题的概念是完全不现实的，无论这些逻辑门是用神经元还是用半导体做的。问题在于，每个概念或命题都必需事先作为分开的单位并连接好。而计算机和大脑都是将概念表征为对于几组单位的活动模式。一个简单的例子就是，普通的字节代表着你计算机中的一个字母数字字符。字母B的表征为01000010，其中的数字（比特）对应到排列成行的小小硅片上。第二和第七小片充上了电荷，对应于1；其他小片没充电荷，对应于0。一个字节也可以用模型神经元来做，识别B模式的电路可以做成图2-3这样的简单神经网络：
1701550316
1701550317
1701550318
1701550319
1701550320
图2-3
1701550321
1701550322
你可以想象，这个网络是组成一个“小幽灵（后台程序）”的一部分。如果模型神经元的最底下一行与短期记忆相连，最上面的将检测短期记忆中是否包含一个符号B的情况。在图2-4有一个“小幽灵（后台程序）”局部网络，它将符号B写入内存记忆。
1701550323
1701550324
1701550325
1701550326
1701550327
图2-4
1701550328
1701550329
我们正在用模型神经元构建一个传统数字计算机，不过让我们略微调整一下方向，做一台更具生物形态的计算机。首先，我们可以用模型神经元来执行模糊逻辑而不是经典逻辑。在许多情况下，人们对某事是否正确并没有“全部或者没有”的十足把握。一件东西可以是某个类别中比较好或比较差的一个例子，而不是要么属于要么不属于。以类别“蔬菜”为例，绝大多数人同意，芹菜是彻底的蔬菜而大蒜是个一般般的例子。如果在里根政府鼓吹简化学校午餐项目时，我们相信政府的话，那么就连番茄酱也是一种蔬菜了——尽管在遭到如潮的批评后，里根政府承认那不是一个很好的蔬菜。从概念上讲，我们避开认为某种东西是或不是蔬菜的观点，而是说这东西会是比较好还是比较差的一个蔬菜的例子。从物理上讲，我们不再坚持一个表征“蔬菜性”的单位要么开要么关，而是允许它有一个值的范围，从0（如石头）到0.1（如番茄酱），再到0.4（如大蒜），最后到1（如芹菜）。
1701550330
1701550331
我们也可以取消任意代码，如果它们将概念与一串没有意义的比特建立关联。每个比特必须要代表什么东西才能存在下去。一个比特可能代表绿色，另一个代表有叶子，还有一个代表咬起来嘎吱响，等等。所有这些蔬菜性的单位都以很小的权重连接到蔬菜这个单位本身。其他代表蔬菜没有的性质的单位（如“磁性”或“移动性”），可以以负权重与蔬菜单位相连。从概念上讲，一个东西具有的蔬菜性质越多，它就是一个更好的蔬菜的例子。从物理上讲，越多的蔬菜性质单位被开启，蔬菜单位的激活水平就越高。
1701550332
1701550333
一旦一个网络被允许启动，它就能代表证据的可信程度和实践的概率，也能做出统计决策。假设一个网络的每个单位都代表一条证据显示“是男管家”（如刀子上的指纹，给受害者妻子的情书，等等），假设顶端的节点代表结论为“是男管家干的”。从概念上讲，显示可能“是男管家干的”的线索越多，我们推测“是男管家干的”的可能性就越大。从物理上讲，越多的线索单位被开启，结论单位就被激活得越多。我们可以通过将结论单位设计为以不同的方式整合输入，来在网络中执行不同的统计程序。例如，结论单位可以是一个阈限单位，就像那些开闭式逻辑门中的一样；那些单位只有在证据的权重超过一个临界值时（比如说，“排除合理怀疑”），才执行政策做出决定。或者结论单位能够逐渐地增加其活跃度；它的置信度会随着最初线索的逐渐渗入而慢慢递增，积累得越来越多，然后在收益递减的一点趋于稳定。这是神经网络建模者喜欢使用的两种模型。
1701550334
1701550335
1701550336
1701550337
1701550338
图2-5
1701550339
1701550340
我们甚至可以再大胆些，从神经元比硅芯片的连接更为方便这一事实中获得启发。为什么不把每个单位都与其他所有单位连接在一起呢？这样的网络所包含的将不只是“绿色”预测“蔬菜性”和“咬起来嘎吱响”预测“蔬菜性”这样的知识，而且还包括“绿色”预测“咬起来嘎吱响”，“咬起来嘎吱响”预测“有叶子”，“绿色”预测“缺乏移动性”，等等（见图2-6）。
1701550341
1701550342
1701550343
1701550344
1701550345
图2-6
1701550346
1701550347
随着这一变化，有趣的事情就开始发生了。网络开始产生类似于人类思维的过程，而这是连接疏松的网络做不到的。因为这个原因，心理学家和人工智能研究人员已经在使用“所有连接所有”式网络来对许多简单模式识别的例子建立模型。他们建立的网络中，同样的线条出现在不同的字母中，同样的字母出现在不同的单词中，同样的身体部分出现在不同的动物身上，同样的家具部件出现在不同的房间中。顶端的节点往往已被摒弃掉，而只计算各性质之间的相关度。这些网络，有时被称为自动协关器，它有5个典型的特征：
1701550348
1701550349
首先，自动协关器是一个重构的、内容寻址的记忆内存。在商业计算机中，比特本身是没有意义的，它们组成的字节有着任意的地址，就像街道中的房子一样，其地址与内容没有任何关系。根据地址获得内存记忆的位置，然后确定一个模式是否储藏在记忆的某个地方，需要你去那里寻找（或利用聪明的快捷方式）。而在内容寻址的内存记忆中，确定某件东西自动会照亮记忆中包含了一个那东西复制品的位置。因为在自动协关器中表征一件东西是通过开启代表其性质的单位的（在芹菜的例子中，绿色、有叶子，等等），而这些单位都彼此很紧密地连接着，所以被激活的单位会相互强化，过了几轮之后整个网络就都传遍了激活的信号，所有与这件东西相关的单位都将被锁止在“开”的位置。这表明这件东西已经被识别出了。事实上，一个自动协关器的连接电储能够支持许多组分量，不只是一个，所以它能够一次储存许多件东西。
1701550350
1701550351
更好的是，连接是冗余的，即使这东西只有一部分模式呈交到自动协关器那里，比方说仅仅是绿色和咬时的嘎吱声，模式的其余部分，“是否有叶子”也将自动完成。从某种方面说，这就是心智的回忆。我们不需在记忆中预先设定取回东西的标签，一件物体的几乎任何方面都能将整个物体带到心智中。例如，我们要回想起“蔬菜”，只要想到绿色和有叶的东西；或是绿色和咬起来嘎吱作响的东西；或是有叶的和咬起来嘎吱作响的东西。一个视觉的例子是，我们能够从一个词的几个零散部分就推测出这个词。我们不会将这些黑影看作随机的线段，或是任意序列的字母（像MIHB），而是看作一些更可能的东西（见图2-7）。
1701550352
1701550353
1701550354
1701550355
1701550356
图2-7
1701550357