下载掌阅APP，畅读海量书库
立即打开
跟许多自发式系统（特别是达尔文式模块）语境限定的操作不同，分析式系统允许我们维持强大的脱离语境的机制，包括逻辑思维、推论、抽象、计划、决策和认知控制。另外一个属性，即序列加工而非平行加工，也能把分析式系统（系统2）跟自发式系统区分开来。因为前面讨论的不少属性（自动化、弹道导弹式运行，等等），许多自发式系统能同时执行，而分析式系统一次只能处理一个观念。
尽管分析式系统对逻辑和符号思维而言很强大，可它的去语境化认知方式计算高昂，而且难以维持。分析式认知“不自然”，于是也很少见。因为它跟自发式系统不同，不是一个硬连接的大脑架构。相反，在《意识的解释》这本书中，丹尼尔·丹尼特提出这样一种观点：分析式加工靠一系列虚拟机执行，而虚拟机是由很多平行的大脑硬件虚拟出来的。虚拟机就是运行在电子计算机上的一套指令（“一个虚拟机就是一套暂时的、高度结构化的规则，这套规则由一个基于硬件的程序启动……这样就能给硬件一套巨大的、环环相扣的、做出反应的习惯或倾向”，丹尼特1991，216）。简而言之，分析式系统在这种视角下更接近于软件（某些人称之为“心智套件”；见Clark 2001；Perkins 1995），而不是一套独立的硬件架构。
丹尼特（1991）的模型跟一个观点有关系；这个观点在认知科学文献中反复多次出现。它认为，在某种程度上，领域特殊性的自发式模块输出能被用作更为一般的目的，因而增加了行为的灵活性。 [1] 不过，分析式系统的串行功能难以维持，因为它们是在更适合模式识别这种并行功能的硬件上模拟出来的。 [2]
这样一种看待自发式和分析式系统差异的观点，跟长期以来人工智能领域中的反讽是一致的：人类擅长做的事，比如面孔识别、三维物体感知、语言理解，对计算机来说很难；而计算机很容易做的事，比如使用逻辑、概率推理，对人类来说就很难。现在，研究者对自发式和分析式系统之间为何不同的理解，把这种人工智能领域的悖论给厘清了。对计算机来说，它没有建立起历经数百万年进化而成的精细严密的自发式系统。于是，作为一种进化遗产，诸多平行而有效的人类自发式系统擅长的事，对计算机来说简直是难于登天。相比之下，作为一种用于逻辑的串行处理器，人类的分析式系统是一种最近才安装的大脑软件。打一个比方，它就像是一台组装机（在计算机科学中，这是一种解决问题的粗糙方案）运行在诸多平行的、为别的目的而设计的硬件上。相反，计算机最初就是有意设计的串行处理器，依据逻辑规则而运行（Dennett 1991，212-214）。怪不得，逻辑运算对计算机很容易，但对我们很难。
几乎所有的认知学家都认为，唯有分析式系统才能对语言输入做响应，无论输入的是内部语言还是外部语言。作为一种自我激励机制，语言为大脑的信息加工序列引入了更多的连续性。它好像也是唯一的认知模块通路介质，而在通常情况下，这些模块没有彼此输出之间的通路。因此，在孤立的认知子系统跟存储位置之间，使用语言建立新的联结，这是一个额外的串行处理器的重要功能。
通过语言，我们能很快接收新的心智套件，还能即时安装和准备运行新的虚拟机（这是一种安装了的规则机构，暂时掌管处理器信息加工的逻辑）。因此，我们能迅速安装被其他人发现的心智套件，它们被证明很有用。比如，在本书后面的章节中，我将讨论无数决策科学家发现的策略，它们能帮人们做出更好的决策。 [3]
语言的顺序结构也有助于整体的认知控制，以及对多重目标进行测序和排序。哲学家阿兰·吉巴德（1990，56-57）讨论了这个问题，强调语言有动机属性，能迅速激活本已暂时失活但跟目前情境有关的目标。面对言语输入，目标优先权再调整能迅速进行。吉巴德还阐述了本书的一大主题，即基于语言输入（无论是来自内部还是外部）的快速目标优先权再调整，有可能跟自发式系统中固有的目标优先权相冲突。
规则的系统性和生成性可被离散的表征系统（比如语言）表征，这界定了分析式系统的一种关键属性，认知科学家称之为组合性（Fodor and Pylyshyn 1988；Pinker 1997；Sloman 1996）。在具有组合性特点的计算系统中，表征的意义来自除了单个部分意义之外的表征部分的顺序。正如平克（1997）所言，“人咬狗”是新闻，但“狗咬人”不是。语言的组合性给了我们一个优势，让我们很容易表征表面上相似但实质上不同的观念。
分析式系统也负责建立对一个人的行为进行一致性描述。回想一下，自发式系统将自动对刺激做出响应，使得加工产品进入工作记忆以便进一步处理，引发它自身的行动，或至少促发某些反应，因而增加了它们的反应性。分析式系统尝试维持一个连贯的故事，以便解释某个活动的全部，即使它对引发这个活动没多少贡献。人们发现，分析式系统会编故事，它们会对被自发式系统无意识引发的行为进行有意识选择。 [4] 我很快就会阐述，分析式系统对行为进行虚构解释的倾向会阻碍认知变革；而只有承认并考虑某些大脑子系统具有自主性的本质，这种变革才能发生。我们的分析式系统能学会对行为给出更好的描述性解释，这种解释跟神经心理学的事实更一致。学习这种技能，就是机器人叛乱的一部分。
[1] 在认知科学中，通过大量领域特殊性自发式模块信息整合而导致的分析式加工具有不同表达（Clark and Karmiloff-Smith 1993；Karmiloff-Smith 1992；Mithen 1996；Pinker 1997；Rozin 1976）。Rozin（1976）的讨论也许是这一观念的经典版本，为它更为晚近的表现奠定了基础。他的观点是，行为灵活性以及智力，随着自发式系统周围模块变得更容易联结到更多中心和输出系统而不断增长。Dannett的观点跟Rozin不同，因为后者认为大脑再次布线（硬件改变），而在前者的观点中，大量平行自发式系统被重新动员运行一种跟自发式系统具有不同逻辑的软件。
[2] 维持序列模拟能力方面的个体差异，可能跟为什么智力跟反应时和其他速度型任务有关的原因有联系。在该领域一篇极为经典的综述中，Deary（2000）发现了一个理论的悖论，即我们很难解释为什么初级信息加工跟智力会有关联。我猜想（Stanovich 2001）不是因为这些任务测量了某种内在的“心理速度”（Deary回顾的文献证据指出，当神经传导速度被排除之后，反应时跟智力之间关系几乎不受影响）。相反，它们更可能是作为大脑联结主义模型可用的计算能力的间接指标，这些计算能力可被用来维持序列处理器的模拟。当然，维持序列模拟的可用的计算能力有其他更为直接的指标，比如工作记忆。而且，一点儿也不奇怪，它们跟智商有更大的关联。根据这种观点，一般智力能被描述为涵盖了两种基本属性上的个体差异（也许映射了根据Horn/Cattell模型的流体智力和晶体智力的区分，Horn 1982；Horn and Cattell 1967）。首先，存在维持序列模拟的平行网络的计算能力（这在Horn/Cattel的智力模型中最接近流体智力）。第二种主要因素是在序列模拟中使用文化工具的能力—格里高利式心智，根据Dennett（1991）的智力大模型（这个因素的个体差异可能跟Horn/Cattel模型中晶体智力的变异有关）。
[3] 在一个联结主义网络中（Rumelhart，Smolensky，McClelland，and Hinton 1986），语言输入也服务于一个快速的、所谓的语境固定功能（Clark 1996）。它可能需要一个联结主义网络数十次尝试和相当长时间来抽取原型，一个语言交流能在一个单词的离散沟通中激活一个预先存在的原型。Clark（1996）讨论的语境固定者是“额外的输入，伴随给予常规输入，可能会引发一种输入（单独）不能激活的一个已存在的原型事实上”（117）。他认为，“语言交流能被视作一种手段，提供快速的、高度聚焦的、语境固定的信息”（117）。最后，应该注意的是，提出语言在分析式系统运作中很重要，跟大多数理论家同时提出自发式系统中存在语言模块的事实并不矛盾。Carruthers（2002）讨论，说一个中心系统把一个自发式模块纳为新成员，为一个非模块化的目标服务，这没什么可奇怪的。人们通常接受下面说法，即当我们在想象中看到某些东西时，我们调用了自发式系统中的视觉模块的运作（Carruthers找了很多证据，指出，某些视皮层的同一区域在实际看和想象时都会激活）。Carruthers认为，同样，外围语言模块能被调用，以便参与某种非模块化的推理和问题解决。
[4] 分析式系统的虚构倾向，以及它自我中心的归因倾向，有过广泛的讨论—e.g.，Calvin 1990；Dennett 1991，1996；Evans and Wason 1976；Gazzaniga 1998b；Johnson 1991；McFarland 1989；Moscovitch 1989；Nisbett and Ross 1980；Nisbett and Wilson 1977；Wegner 2002；T. D. Wilson 2002；Wolford，Miller，and Gazzaniga 2000；Zajonc 2001；Zajonc and Markus 1982。