“魔鬼的集会”

词汇通达的几个模型，实现了模拟在类似于神经系统所创造的条件下，人类阅读系统的行为。其中，几乎每一个模型都是在奥利弗·塞尔弗里奇（Oliver Selfridge）于1959年提出的几个观念的基础上发展而来的。塞尔弗里奇提出，心理词典的工作方式就像魔鬼的大型集会，或者叫“鬼蜮”（pandemonium） ²⁸ 。他把心理词典生动地比喻为一个由上万魔鬼围成的巨大半圆，而魔鬼们都在彼此竞争。每个魔鬼都只对一个词有反应，而且必须在这个词被喊到的时候大叫，以便让大家知道这是他的词。每当一个字母串出现在视网膜上时，所有的魔鬼都同时仔细地观察它。那些认为自己的词可能出现了的魔鬼就会大叫起来。因此，当“scream”（喊叫）这个词出现时，负责这个词的魔鬼就会大叫，但是他的邻座，那个对“cream”（奶油）进行编码的魔鬼也会大叫。“scream”还是“cream”？短暂的竞争之后，代表“cream”的魔鬼放弃了，很明显，他的对手从字母串“s-c-r-e-a-m”这一刺激中得到了更强的支持。至此，这个单词就被识别出来了，并且可以进入系统的后续加工。

在这个简单的比喻背后，隐藏着关于阅读过程中神经系统工作方式的几个关键观点：

• ◆ 海量的并行加工： 所有的魔鬼都同时工作。因此我们不需要按顺序逐个检查所有的50 000个单词，如果是序列查找的话，这一过程就会根据我们心理词典的大小而变得极其耗时。而鬼蜮的并行加工方式则让我们的加工效率有了实质性的提高。
• ◆ 简单性： 每一个魔鬼都完成一个基本任务，只是检查刺激字母与自己的目标词的匹配度。因此，鬼蜮模型不会像民间心理学中的模型那样陷入思维陷阱，假想出一个小人儿掌控着我们的大脑。如果有这么个小人儿，那么他的脑又是谁来控制的呢？一个更小的小人儿吗？从这个方面来看，鬼蜮模型可与哲学家丹尼尔·丹尼特（Daniel Dennett）的名言相比：“我们从思维的图式（scheme）中丢弃了那个幻想出的小人儿，而改用一大群这样的傻瓜来做这个工作。” ²⁹
• ◆ 竞争与强健 ：魔鬼彼此争夺表征正确单词的权利，这种竞争过程使我们变得灵活而强健。鬼蜮会根据当前任务的复杂程度进行适应调整。当没有其他竞争者时，即使是一个罕见且拼错了的单词，如“astrqlabe”，也可以被快速辨认出来。代表这个词的魔鬼即使在一开始喊得很小声，也总能轻松地战胜所有竞争者。然而，如果出现的刺激是一个像“lead”这样的单词，很多魔鬼都会被激活，即那些代表“bead”“head”“read”“lean”“leaf”“lend”等的魔鬼，在代表“lead”的魔鬼胜出之前，众鬼将经历激烈的争斗。

所有这些简化的特征都与神经系统的主要特征相吻合。人类的脑大约由一千亿个细胞组成，简直就是一个巨型的并行计算系统的原型，所有神经元都同时进行运算。这些神经元之间的被称为突触的连接，从外界的感觉刺激中为神经元带来计算的依据。此外，还会有一些突触是抑制性的，即当该突触的源头神经元放电时，其他神经元的放电就被抑制了。加拿大的神经生理学家唐纳德·赫布（Donald Hebb）将这种并行运算形容为一种神经网络，名叫“细胞集群”，指不断竞争的神经细胞之间的联合。因此也无怪乎塞尔弗里奇的鬼蜮模型为那么多有关神经系统的理论模型提供了灵感，其中也包括第一个阅读的神经网络模型。图1-6显示了最早的这类模型中的一个，该模型由杰伊·麦克莱兰（Jay McClelland）和戴维·鲁姆哈特（David Rumelhart）在1981年提出 ³⁰ 。这个模型包括了类似神经元的单元所组成的三个层级。

单词识别就像是在一个成千上万字母和单词单元的大集群中，各单元彼此合作找出输入字母串的最佳解释的过程。本图仅显示了麦克莱兰和鲁姆哈特模型中的一小部分。该模型中，输入字母串的基本特征激活字母探测神经元，而字母探测神经元再优先连接到包含这些字母的单词的探测神经元。这些连接可以是兴奋性的（箭头）也可以是抑制性的（圆头线段）。而单词单元通过激烈的竞争最终选出一个获胜的单词，这个单词就是输入字母串在网络中所产生的最佳结论。

• ◆　在最低层，输入处理单元对呈现在视网膜上的线段灵敏。
• ◆　位于中层的是字母探测单元，在出现某个字母时放电。
• ◆　最顶层的单元对整个单词进行编码。

所有这些单元都被千丝万缕的连接紧密地联系在一起。这种数量庞大的连接使得这一网络的运作变成了一场复杂的政治博弈，字母和单词彼此支持，彼此检查，或者彼此消灭。仔细观察这张图表，你就可以看到，既存在由箭头表示的兴奋性连接，又存在以圆头线段表示的抑制性连接。它们的职责是传递每个魔鬼的投票。每一个输入探测神经元都对某一特定的特征进行编码，如竖直线，然后将刺激信息传递给所有包含这一特征的字母——为了简单起见，我们可以说每一个视觉神经元都对这些字母是否进入下一层级进行“投票”。同样，在下一个层级上，字母探测神经元便依据每个单词相应的单元所提供的刺激，共同推选出某些单词。例如，“A”和“N”的出现，可以支持“RAIN”和“TANK”这两个单词，而对单词“RAIL”只有部分支持，对单词“PEST”则完全不支持。

抑制在筛选最佳候选词时也发挥作用。由于抑制性连接的存在，每个字母都可以给那些不包含它们的单词投反对票。例如，对“N”进行编码的单元会通过抑制的方式给“RAIL”这个词投反对票。此外，互相之间存在竞争的单词会彼此抑制。因此，出现“RAIL”时就不能识别为“RAIN”，反之亦然。

最后，自上而下的连接也是必要的，即从单词到其组成字母的连接。我们可以把这一过程比喻为参议院，单词在参议院中代表了字母的声音，并且会反过来支持选举出它们的那些字母。互利的连接创造了一种稳定的合作关系，可以避免偶然出现遗漏字母的情况影响单词的识别。例如，如果单词“crocodile”中少了一个“o”，与“o”相邻的字母们仍然会选举出“crocodile”一词，而这个词又会反过来支持词中间的“o”出席，虽然书写时把它漏掉了。最终，为了支持这种将单词、字母、特征联系起来的巨量的统计学约束，我们需要上百万的连接。

还有其他一些微妙的特性使得整个网络得以流畅运行。例如，每一个单词所对应的单元的放电阈限可能会不同。常见单词的阈限比罕见单词的阈限低，在拥有等量的自下而上的支持时，常见单词更容易胜出。最近的一些模型还纳入了对字母位置的细致编码过程。所产生的网络运作模式非常复杂，已经无法进行算术描述了。我们必须借助电脑模拟的方法才能知道系统识别出正确单词所需要的时间，以及它出错的频率。 EEG5D6KDRgDJiWO7K1fiQCZNKaufgeP/9Xer4Mq4DPcdWH4dtQ49HSqK7Y3fCuXH