Konnektionism

Konnektionism (av konnektion), nyare riktning inom artificiell intelligens. Inspirerad av neurofysiologi, associationspsykologi och fysik förespråkar konnektionismen ett empiristiskt alternativ till det klassiska, rationalistiska paradigmet för artificiell intelligens. I det klassiska paradigmet vill man, med matematik, logik och språk som inspirationskällor, förstå och konstruera kognitiva processer som ett regelmässigt manipulerande av strukturerade symboler, oberoende av detaljerna i det specifika medium i vilket de är realiserade. I skarp kontrast till dessa idéer hävdar konnektionismens företrädare att kognitionens grundelement utgörs av enkla och enhetliga, neuronliknande processenheter med enkla in- och utsignaler. Beräkningskraften kommer ur ett rikt nätverk av förbindelser (härav "konnektionism") mellan enheterna, genom vilket aktivitetsmönster kan bildas och spridas i kollektiv av enheter. Typiska egenskaper hos konnektionistiska modeller är: avsaknaden av kombinatorisk syntax och semantik, frånvaron av hierarkier och central administrativ kontroll, ett förlitande på statistiska egenskaper hos kollektiv, distribuerad bearbetning och representation. Med processenheter som kan justera styrkan i sina förbindelser kan man bygga modeller med inlärningsförmåga. Konnektionistmodeller förutsätter massiv parallellitet: varje enhet arbetar oberoende och samtidigt med ett stort antal andra enheter. Medan det klassiska paradigmet är inriktat på problemlösning, är konnektionismens styrka igenkänning, klassificering och inlärning. Inom kognitionsforskning diskuteras livligt i vilka avseenden konnektionismen egentligen överskrider eller är oförenlig med det klassiska paradigmet, liksom hur långt dess kraft räcker.