12.3 CCTM的理据

溯寻CCTM模型的理据，发现主要源于两个方面：它的网络加工活动与人类行为相似，它的网络加工特征与人脑相似。

人类行为

回顾我们之前讨论的Jets & Sharks网络和NETtalk，这些模型都具有一些类似人类行为的特征：

Jets & Sharks网络

这种模型可以：

1.获取特定个体（“原型”）的具体特征。

2.从各个特定个体（“原型”）的存储知识中，抽取这一组对象的主要倾向。

3.填充模糊的缺省值。

NETtalk

1.比之音位，能够更快速、准确地获取重音。

2.按照“幂定律”进行学习（如，学习率和学习误差在双对数标度上函数几乎是一条直线）。

3.间断学习（spaced practice）（新旧词汇交替出现）比连续学习有更高的效率（从艾宾浩斯开始，人们就知道这种提高人类学习绩效的技巧）。

4.能够逐渐提高对新词汇的相对可靠的发音，NETtalk学习的内容越多，它的行为表现得越好。

5.当权值随机受到损害时，它的整体表现也将逐渐地（“逐步地”）衰减。

6.损害后，再次学习先前的学习项目，比第一次学习得快。

7.基于层级聚类分析（发现所有字母的读音，在隐层单元的发音活动中的不同特点），发现NETtalk将元音矢量聚集在一起，区分于辅音。另外，在元音和辅音的分类中，读音类似的元音（以及部分读音相似的辅音）也聚集在一起。

大 脑

支持CCTM模型的另一个原因，是强调CCTM模型与人脑有很多相似之处。理由如下：

1a.心智/脑模型，不应该将两者完全等同，更准确的说法是心智模型和唯一的脑模型，或者说

1b.比较好的心智模型应当与脑模型非常接近或匹配。

2.心智的CCTM模型就是这样的模型，它能够较好地模拟脑的总体结构和功能。

3.所以，CCTM是首选的心智模型。

DCTM认为，我们能够完全独立于人脑（硬件），对人的心智（软件）进行研究和理解，因此CCTM的这种观点与DCTM非常不同。CCTM倾向于弄清心理现象与神经现象之间的密切关系，尽管联结主义模型并不是神经模型，但能够模拟人脑的总体结构和功能特点。CCTM反对目前的DCTM在硬件上不能很好地反映人脑的总体结构和功能，因而可能会认为CCTM并不是一种严格意义上的以认知为基础的脑模型。如果接受了这一假设，那么就要继续考虑下面的问题。

大脑：结构

CCTM模型与大脑有许多结构上的相似之处：

1.CCTM模型中的单元类似于大脑的神经元。

2.CCTM模型中的连接（和权值）类似于神经元的轴突、树突以及突触。

3.脑和某些CCTM模型都是以层级的方式进行组织的。

4.脑的学习可能是以调节突触的连接强度进行的，某些CCTM模型也这么做。

5.脑的各个部分表现出并行兴奋和抑制的特点，某些CCTM模型也是这样。

大脑：功能

CCTM模型与大脑在功能上有很多相似之处：

（1）巨量并行加工（massively parallel） 与CCTM模型一样，脑的加工过程可能都是以大量并行的方式进行的。至于为什么是这样进行加工的，一种解释是：脑的神经元约以1/1000秒的速度传递信号（进行一次触发），而计算机约为1/100000000秒——比脑快百万倍。因而，如果脑是以串行程序进行加工的，那么它在1/10秒内——执行视觉识别和语言理解等基础操作的时间，只能运行100个指令。但对于这些任务的操作不可能只需要100步就可以完成。鲁梅尔哈特（Rumelhart）和麦克莱兰德（McClelland）作了如下解释：“现代串行计算机是以毫微秒为单位对基础操作进行测量的，而对神经元操作速度的测量单位有时是毫秒——或者10倍毫秒。因此，脑的基础硬件比串行计算机要慢约106倍。然而，需要注意的事实是，我们只需要几百毫秒就能够完成非常复杂的加工。毫无疑问，感知加工、大量的记忆提取、大部分语言加工、直觉推理以及其他的加工，都能够在这个时间范围内完成，这意味着人脑对这些任务的加工必定要少于100步，或者说并不是串行加工，也就是费尔德曼（Feldman，1985）所说的程序指令的100步限制（100-step program constraint）。另外，还需要注意的是，单个神经元可能并不能计算非常复杂的函数。单个神经元计算的函数，应该不会比数字计算机中的单个指令要复杂”（1986a，vol.1：130-1）。这样的限制通常称之为“100步法则”。

（2）内容寻址性 与CCTM模型一样，脑使用信息（内容）的片段就能获得信息的全貌——以内容-（content-），非定址-（not location-）的方式进行寻址。

（3）分布式存储 与CCTM模型一样，脑的每一种记忆似乎都没有某种特定的存储地址，而是将信息分布于脑的众多区域之中，每个区域都可以参与储存信息的若干片段（回顾第3章对拉什利的评述）。对于某种单个记忆，有人估计大约有700000—7000000个神经元参与存储这个记忆的痕迹，也有人估计是有1000个神经元参与。我们已经了解到，在NETtalk中约有20%的隐层单元参与单个记忆的编码。

（4）渐次衰减（graceful degradation） 与CCTM模型受到损坏一样，如果脑受到了损伤，会递级产生行为缺陷——也许不会出现明显的错误，但是系统的整体功能却不能很好地运行。

（5）对于杂乱和缺省输入的不敏感性 与CCTM模型一样，脑似乎能够轻松地加工杂乱和缺省输入——回顾当玫瑰网络的输入是缺省的时候，它的行为表现。

在后面的第13章中，我们会发现CCTM的这些功能优点其实并非是没有争议的。