В данной статье представлены некоторые обобщения относительно объяснительного потенциала коннекционистских подходов к теоретическим проблемам сознания. Рассмотрены как сильные, так и слабые стороны нейросетевых моделей. Коннекционизм имеет тесные методологические связи с современными нейронауками и нейрофилософией, что укрепляет его позиции с точки зрения эмпирических натуралистических подходов. Однако при этом данное направление наследует слабые стороны вычислительного подхода, и к коннекционизму становится применима вся система антикомпьютационалистских критических аргументов. Последние разработки в области глубокого машинного обучения дали богатый эмпирический материал для когнитивных наук. Многослойные сети, математические модели ассоциативной динамики обучения, самоорганизующиеся нейросети и пр. позволяют объяснить принципы усвоения концептуальных связей человеком и вслед за этим эмулировать данные процессы в компьютерных системах. При всех инженерных успехах данной технологии существует традиционная критика коннекционизма со стороны представителей когнитивной психологии, которые не могут принять тезис об обучаемости нейросети на основании перераспределения весов. Процесс обучения естественного интеллекта, согласно когнитивным моделям, происходит за счет привлечения знаний, транслируемых в символической форме (ментальные репрезентации, концепты), за счет систем выводного знания, выраженных в пропозициональном содержании. Некоторые философские аспекты «нейронной метафоры» в современных когнитивных науках формируют проблемное поле, которое требует всестороннего осмысления, и первый шаг на пути к этому сделан в данной работе.
This paper is devoted to some generalizations of explanatory potential of connectionist approaches to theoretical problems of the philosophy of mind. Are considered both strong, and weaknesses of neural network models. Connectionism has close methodological ties with modern neurosciences and neurophilosophy. And this fact strengthens its positions, in terms of empirical naturalistic approaches. However, at the same time this direction inherits weaknesses of computational approach, and in this case all system of anticomputational critical arguments becomes applicable to the connectionst models of mind. The last developments in the field of deep learning gave rich empirical material for cognitive sciences. Multilayered networks, mathematical models of associative dynamics of learning, self-organizing neuronets and all that allow to explain the principles of human conceptual organizing and after this to emulate these processes in computer systems. At all engineering achievements of this technology there is a traditional criticism from representatives of cognitive psychology who cannot accept a thesis about learning ability of a neuronet on the basis of redistribution of scales. Process of learning of natural intelligence, according to cognitive models, happens due to attraction of knowledge broadcast in a symbolical form (mental representations, concepts) at the expense of the systems of output knowledge expressed in the propositional contents. Some philosophical aspects of «neural metaphor» in modern cognitive sciences create the problem field which demands comprehensive understanding, the first step towards which is taken in this work.
The authors declare that there are no conflicts of interest present.