인공지능의 이론으로서 연결주의에 대한 재평가: 체계성 문제에 대한 연결주의의 인과적 설명의 가능성

Reviewing connectionism as a theory of artificial intelligence: how connectionism causally explains systematicity

인공 신경망의 성공을 토대로 인지과학에서 인간 지능을 설명하려는 시도가 연결주의이다. 딥러닝 등 신경망 컴퓨터의 성과는 연결주의에 대한 전망도 낙관적일 것으로 보여준다. 그러나 고전적 계산주의, 또는 기호주의를 옹호하는 학자들(포더, 필리신, 맥래플린)은 인간의 언어와 사고의 관계를 토대로 연결주의는 성공할 수 없다고 주장하여 왔다. 연결주의에 대한 비판의 핵심은, 인공 신경망에는 체계성이 없기 때문에 신경망의 결과물은 우연적인 연합이나 조합에 불과하다는 것이다. 저자는 이 연구에서 연결주의에 대한 고전적 계산주의의 비판을 검토하고 연결주의가 인공 지능의 이론뿐 아니라 인간 지능의 이론으로서 여전히 확장될 수 있는 가능성을 제시한다. 이 연구의 구조는 다음과 같다. 첫째, 인공 신경망의 구조와 함께 연결주의에 대한 이해를 제시한다. 둘째, 고전적 계산주의자가 연결주의에 제기한 체계성 문제가 무엇인지를 소개한다. 셋째, 그 문제에 대한 연결주의의 대응으로 스몰렌스키의 벡터곱 이론을 소개한다. 넷째, 계산주의와 연결주의의 논쟁을 검토하여 체계성 문제가 어떤 방향으로 갈 때 연결주의와 고전적 계산주의 모두에게 발전적인 논의가 될 수 있는지를 모색한다.

Cognitive science attempts to explain human intelligence on the basis of success of artificial neural network, which is called connectionism. The neural network, e.g., deep learning, seemingly promises connectionism to go beyond what it is. But those(Fodor & Pylyshyn, Fodor, & McLaughlin) who advocate classical computationalism, or symbolism claim that connectionism must fail since it cannot represent the relation between human thoughts and human language. The neural network lacks systematicity, so any output of neural network is at best association or accidental combination of data plugged in input units. In this paper, I first introduce structure of artificial neural network and what connectionism amounts to. Second, I shed light on the problem of systematicity the classical computationalists pose for the connectionists. Third, I briefly introduce how those who advocate connectionism respond to the criticism while noticing Smolensky’s theory of vector product. Finally, I examine the debate of computationalism and connectionism on systematicity, and show how the problem of systematicity contributes to the development of connectionism and computationalism both.