المعالجة الموزعة المتوازية (PDP / النزعة الاتصالية) – ديفيد إي. روميلهارت وجيمس إل. ماكليلاند

شهد النصف الثاني من القرن العشرين تحولاً إبستيمولوجياً غير مسبوق في دراسة العقل البشري وطبيعة العمليات المعرفية، حيث هيمن نموذج “الحاسوب الكلاسيكي” أو ما يُعرف بـ الاستعارة الحاسوبية (Computational Metaphor) لعقود طويلة على الفلسفة المعرفية والذكاء الاصطناعي. استند هذا الاتجاه، الذي تزعمه رواد مثل ألين نيويل وهربرت سايمون، إلى فرضية أن التفكير الإنساني ليس سوى تلاعب صوري برموز مجردة وفق قواعد نحوية ومنطقية صارمة، تُنفَّذ بطريقة تسلسلية داخل معالج مركزي يعتمد معمارية فون نيومان. غير أن هذا النموذج سرعان ما اصطدم بعقبات مستعصية عند محاولة تفسير المرونة الفائقة للإدراك البشري، والقدرة المدهشة للدماغ على التعرف اللحظي على الأنماط المشوهة، واكتساب اللغة دون تلقين صريح للقواعد، والتعامل مع السياقات البيئية الغامضة بكفاءة تتجاوز بمراحل أسرع الحواسيب الرقمية.

في خضم هذا المأزق النظري والعملي، انبلج فجر النزعة الاتصالية (Connectionism) من خلال إطار المعالجة الموزعة المتوازية (Parallel Distributed Processing – PDP)، الذي صاغه وطوره بشكل ثوري العالمان ديفيد إي. روميلهارت (David E. Rumelhart) وجيمس إل. ماكليلاند (James L. McClelland) بالتعاون مع “مجموعة أبحاث PDP” في منتصف ثمانينيات القرن العشرين. جاء هذا الإطار ليقدم بديلاً جذرياً يُلهم بنيته من المعمارية البيولوجية للدماغ البشري، مفترضاً أن المعرفة لا تُخزن في خلايا ذاكرة مخصصة كرموز صلبة، بل تنبثق كحالات تنشيط ديناميكية تنتشر بالتوازي عبر شبكات كثيفة من وحدات المعالجة البسيطة والمترابطة فيما بينها عبر أوزان وظيفية قابلة للتعديل والتعلم.

يمثل هذا المقال الموسوعي دراسة نقدية وتحليلية شاملة للأسس النظرية، الرياضية، والتطبيقية لنموذج المعالجة الموزعة المتوازية. سنبحر في أروقة هذا التحول الإدراكي العظيم، متتبعين جذوره التاريخية منذ الإرهاصات الأولى للشبكات العصبية، ومستعرضين مكوناته البنيوية الدقيقة من آليات التنشيط وخوارزميات التعلم كالانتشار الخلفي للخطأ. كما سنناقش التطبيقات الرائدة للنموذج في مجالات اللغة، والتعرف البصري، والذاكرة الدلالية والعرضية، محللين المناظرة الإبستيمولوجية الكبرى بين الاتصاليين والرمزيين، وصولاً إلى استكشاف الكيفية التي مهّدت بها أفكار روميلهارت وماكليلاند لثورة التعلم العميق والذكاء الاصطناعي المعاصر، مع استشراف الآفاق المستقبلية لفهم أسرار الوعي والإدراك البشري.

1. مدخل تأسيسي إلى المعالجة الموزعة المتوازية (PDP) والنزعة الاتصالية

1.1 تعريف النزعة الاتصالية ونموذج المعالجة الموزعة المتوازية

تُعرَّف النزعة الاتصالية (Connectionism) بوصفها تياراً فكرياً ونموذجاً حاسوبياً في علم النفس المعرفي والعلوم العصبية الحاسوبية وفلسفة العقل، يسعى إلى نمذجة الظواهر المعرفية والسلوكية باستخدام شبكات مستوحاة من البنية العصبية للدماغ. على النقيض من النماذج الكلاسيكية التي تعتبر العقل آلة لمعالجة الرموز اللغوية المجردة، تنظر الاتصالية إلى الإدراك باعتباره خاصية منبثقة (Emergent Property) عن التفاعلات غير الخطية المعقدة بين أعداد هائلة من الوحدات الحسابية البسيطة (التي تحاكي الخلايا العصبية البيولوجية).

أما المعالجة الموزعة المتوازية (Parallel Distributed Processing – PDP)، فهي التجسيد الرياضي والحاسوبي الأكثر نضجاً ورسوخاً للنزعة الاتصالية، والتي طورها روميلهارت وماكليلاند. تعتمد الـ PDP على ركيزتين جوهريتين:

• التوازي (Parallelism): تُعالج المعلومات في وقت واحد عبر ملايين الروابط التفاعلية، مما يلغي فكرة المعالج المركزي الأحادي والممرات التسلسلية الخانقة.
• التوزيع (Distributed Nature): لا يمثل المفهوم أو الرمز العقلي بواسطة وحدة واحدة معزولة، بل يتشكل عبر نمط تنشيط واسع وموزع يشمل عدداً كبيراً من الوحدات، في حين تُمثَّل المعرفة الدائمة والمكتسبة داخل مصفوفة الأوزان المشبكية التي تربط هذه الوحدات.

يمثل هذا التوجه تحولاً جذرياً من مستوى “معالجة الرموز الصريحة” (Explicit Symbol Processing) إلى مستوى “ما دون الرمزي” (Sub-symbolic Processing)، حيث تُختزل العمليات العقلية المعقدة كالتفكير، والتذكر، وحل المشكلات، في تفاعلات كمية لانتقال إشارات التنشيط والتثبيط عبر فضاءات متجهية متعددة الأبعاد.

1.2 السيرة العلمية لديفيد روميلهارت وجيمس ماكليلاند

يقف العالمان الأمريكيان ديفيد إي. روميلهارت (1942–2011) وجيمس إل. ماكليلاند (مواليد 1948) في طليعة العلماء الذين أعادوا رسم خارطة العلوم الاستعرافية الحديثة. تميز روميلهارت، الذي شغل مناصب أكاديمية بارزة في جامعة كاليفورنيا بسان دييغو (UCSD) وجامعة ستانفورد، بعبقريته الفذة في الصياغة الرياضية للعمليات النفسية المعقدة، وله إسهامات مبكرة ورائدة في نظريات المخططات المعرفية (Schema Theory) والنمذجة الرياضية للذاكرة والتعلم.

من جانبه، قدم جيمس ماكليلاند، الأستاذ البارز في جامعة ستانفورد وجامعة كارنيغي ميلون، أبحاثاً استثنائية في مجالات الإدراك الحسي، وعلم النفس اللغوي، والآليات العصبية للذاكرة، وكان شغوفاً بكيفية تكامل المعلومات الحسية واللغوية عبر السياق اللحظي. التقى العالمان في أروقة معهد العلوم المعرفية في UCSD في أواخر السبعينيات، وأسسا معاً مجموعة أبحاث PDP (PDP Research Group)، وهي نخبة علمية متعددة التخصصات ضمت رواداً مثل جيفري هينتون، وفرانسيس كريك، ودونالد نورمان، وبول سمولينسكي.

توج هذا التعاون التاريخي بإصدار الكتاب المرجعي الأيقوني المكون من مجلدين في عام 1986 بعنوان: “Parallel Distributed Processing: Explorations in the Microstructure of Cognition”، الصادر عن مطبعة معهد ماساتشوستس للتكنولوجيا (MIT Press). أحدث هذا العمل زلزالاً علمياً في الأوساط الأكاديمية؛ إذ أعاد إحياء بحوث الشبكات العصبية الاصطناعية بعد ركود طويل، ورسخ الاتصالية كقوة علمية مهيمنة تتحدى النموذج الرمزي التقليدي.

1.3 الدافع العلمي وراء تجاوز نموذج فون نيومان الكلاسيكي

انطلقت ثورة الـ PDP من وعي نقدي عميق بالإخفاقات البنيوية لـ فرضية الأنظمة الرمزية الفيزيائية (Physical Symbol Systems Hypothesis) التي صاغها نيويل وسايمون، والتي اعتبرت أن العقل يعمل بمثابة حاسوب رقمي كلاسيكي يعتمد معمارية فون نيومان (Von Neumann Architecture). تفصل هذه المعمارية فصلاً حاداً بين وحدة المعالجة المركزية (CPU) والذاكرة المخصصة، وتعتمد على تنفيذ الأوامر خطوة تلو الأخرى بتسلسل زمني خطي.

أبرزت مجموعة PDP عدة ثغرات جوهرية في هذا الطرح التقليدي:

• مشكلة البطء الحاسوبي وقاعدة المائة خطوة (The 100-step rule): يستطيع الدماغ البشري التعرف على وجه مألوف أو فهم جملة منطوقة في غضون 300 إلى 500 مللي ثانية. وبما أن الخلايا العصبية البيولوجية بطيئة نسبياً (تعمل في نطاق زمني يقاس بالمللي ثانية، مقارنة بالنانو ثانية في الترانزستورات)، فإن الدماغ لا يستطيع تنفيذ أكثر من 100 خطوة معالجة تسلسلية لإنجاز هذه المهمة الإدراكية المعقدة. هذا يستلزم حتماً أن يكون الحساب العقلي مبنياً على المعالجة المتوازية الضخمة وليس التسلسل الخطي.
• هشاشة الأنظمة الرمزية مقابل مرونة الدماغ: إذا تعرض برنامج حاسوبي كلاسيكي لتلف في سطر برمجي واحد أو تلف في بت (bit) واحد من الذاكرة، فإن النظام بأكمله ينهار بشكل كارثي. في المقابل، يمتلك الدماغ البشري قدرة استثنائية على الصمود أمام التلف والضوضاء، متكيفاً مع فقدان آلاف العصبونات دون فقدان القدرة المعرفية الشاملة.
• التعامل مع المدخلات الغامضة والمشوهة: تعجز الأنظمة الرمزية الصارمة عن التعامل مع العالم الحقيقي المشحون بالغموض، كقراءة خط يد غير واضح أو التعرف على صوت وسط ضجيج صاخب، بينما تتفوق الشبكات العصبية في مطابقة الأنماط وتوليد الإجابات الأكثر ملاءمة عبر الموازنة التلقائية لآلاف القيود اللحظية.

2. السياق التاريخي وتطور النماذج العصبية الحاسوبية

2.1 من شبكات مكولوتش-بيتس إلى البيرسبترون الكلاسيكي

تمتد الجذور الفكرية للاتصالية إلى أربعينيات القرن العشرين، عندما نشر عالم الفيزيولوجيا العصبية وارن مكولوتش والرياضي الشاب والتر بيتس ورقتهما الرائدة عام 1943 بعنوان “A Logical Calculus of the Ideas Immanent in Nervous Activity”. قدّم الباحثان أول نموذج حاسوبي مبسط للخلية العصبية، يُعرف بـ عصبون مكولوتش-بيتس، والذي يجمع المدخلات الثنائية (0 أو 1)، فإذا تجاوز المجموع عتبة معينة (Threshold)، تطلق الخلية إشارة مخرجات ثنائية، مما أثبت إمكانية محاكاة العمليات المنطقية البولينية (AND, OR, NOT) عبر شبكات عصبية ميكانيكية.

في عام 1958، أحدث عالم النفس فرانك روزنبلات قفزة نوعية بتطويره نموذج البيرسبترون (Perceptron) في مختبر كورنيل للطيران. لم يكن البيرسبترون مجرد دائرة منطقية ثابتة، بل كان نظاماً يمتلك أوزاناً مشبكية متغيرة قادرة على التعلم التلقائي من الأمثلة باستخدام قاعدة تصحيح الخطأ. أثار البيرسبترون موجة عارمة من التفاؤل بإمكانية تصنيع آلات ذكية قادرة على التعلم والرؤية والتفكير.

إلا أن هذا الزخم تعرض لانتكاسة كبرى عام 1969 إثر نشر كتاب “Perceptrons” لعالمي الذكاء الاصطناعي البارزين مارفن مينسكي وسيمور بابيرت من معهد MIT. أثبت المؤلفان رياضياً أن البيرسبترون أحادي الطبقة (Single-layer Perceptron) يعاني من قيود حسابية قاصمة، حيث يعجز تماماً عن حل المسائل غير القابلة للفصل خطياً (Linearly Inseparable Problems)، وأشهرها مسألة “أو الاستبعادية” (XOR Problem). أدى هذا النقد الصارم إلى تجفيف منابع التمويل وتوقف الأبحاث الأكاديمية في هذا الحقل لما يقرب من عقد ونصف، فيما عُرف تاريخياً بـ شتاء الذكاء الاصطناعي الأول (AI Winter).

2.2 إعادة إحياء النماذج الشبكية في الثمانينيات

بدأت رياح التغيير تهب مجدداً في مطلع ثمانينيات القرن الماضي عبر مساهمات فيزيائية ورياضية عبقرية. في عام 1982، نشر الفيزيائي جون هوبفيلد ورقته التاريخية التي قدم فيها شبكات هوبفيلد (Hopfield Networks)، رابطاً بين ديناميات الشبكات العصبية ذات التغذية الراجعة (Recurrent Networks) والنماذج الإحصائية للفيزياء الصلبة (نماذج غزل الزجاج ونظرية الطاقة الحركية). أظهر هوبفيلد كيف يمكن للشبكة العصبية أن تعمل كـ “ذاكرة ترابطية ترجع إلى حالتها التوازنية” عبر الانحدار نحو أدنى مستويات الطاقة الرياضية (Energy Landscapes).

أعقب ذلك الإنجاز الأهم في تاريخ التعلم الآلي والاتصالية، وهو تعميم وصياغة خوارزمية الانتشار الخلفي للخطأ (Error Backpropagation) للشبكات متعددة الطبقات (Multi-Layer Perceptrons – MLPs) من قبل ديفيد روميلهارت، جيفري هينتون، ورونالد وليامز عام 1986 عبر ورقتهم المنشورة في مجلة Nature بعنوان “Learning representations by back-propagating errors”.

استطاعت هذه الخوارزمية، المعتمدة على التفاضل الرياضي وقاعدة السلسلة (Chain Rule)، حل معضلة نسب الفضل والخطأ (Credit Assignment Problem) في الطبقات الخفية والوسيطة التي عجز عنها روزنبلات ومينسكي. من خلال إضافة طبقات خفية تمتلك دوال تنشيط غير خطية وتدريبها بالانتشار الخلفي، تم كسر قيد مسألة XOR نهائياً، وانفتحت الأبواب على مصراعيها لنمذجة الوظائف غير الخطية بالغة التعقيد، مما أعاد النزعة الاتصالية بقوة لتتصدر المشهد العلمي.

2.3 تأثير إصدار مجلدي PDP (1986) على الثورة المعرفية

شكل إصدار مجلدي “Parallel Distributed Processing” في عام 1986 المنعطف الحاسم الذي حول الاتصالية من مجرد تجارب متفرقة إلى مدرسة فكرية معرفية متكاملة ذات أسس فلسفية ورياضية ومنهجية رصينة. جاء المجلد الأول تحت عنوان “Computational Models of Cognition and Perception” ليرسي القواعد الرياضية والفيزيائية للشبكات وخوارزميات التعلم، في حين ركز المجلد الثاني، “Psychological and Biological Models”، على التطبيقات العملية والنفسية المعمقة في مجالات اللغة، والرؤية، والذاكرة، والتفكير الموجه.

أحدث الكتاب تأثيراً معرفياً هائلاً من خلال عدة محاور:

• توحيد الحقول العلمية: جمع العمل تحت مظلته علماء النفس التجريبيين، وعلماء اللسانيات، وعلماء الأعصاب الحسابية، ومهندسي الحاسوب، موفراً لغة مشتركة للتخاطب وتصميم النماذج.
• إعادة صياغة المفاهيم المركزية في علم النفس: تحولت مفاهيم كـ “المخطط المعرفي”، “الذاكرة طويلة الأمد”، و”استرجاع المفاهيم” من أفكار تجريدية مبهمة إلى نماذج حاسوبية دقيقة قابلة للاختبار والمحاكاة على أجهزة الحاسوب وتوليد تنبؤات كمية قابلة للقياس السلوكي.
• إشعال المناظرات الفلسفية والإبستيمولوجية: فجر الكتاب أشرس مناظرة فكرية في تاريخ العلوم المعرفية المعاصرة بين أنصار الاتصالية ورواد الفلسفة الرمزية الكلاسيكية (مثل جيري فودور وزينون بيليشين)، ممهداً الطريق لولادة علم الأعصاب الإدراكي المعاصر.

3. المكونات البنيوية والآليات الجوهرية لشبكات PDP

3.1 الوحدات، حالات التنشيط، ومستويات التمثيل

تتكون معمارية شبكات المعالجة الموزعة المتوازية من مجموعة من وحدات المعالجة (Processing Units) التي تعمل بصورة موازية ومستقلة، وتحاكي الخلايا العصبية. تتحدد هوية كل وحدة داخل النظام من خلال موقعها وحالتها الديناميكية في لحظة زمنية معينة ($t$). تنقسم الوحدات داخل الشبكة النموذجية إلى ثلاثة مستويات أو طبقات رئيسية:

• طبقة المدخلات (Input Layer): تستقبل الإشارات الخام المشفرة من البيئة الخارجية (تحاكي المستقبلات الحسية كالشبكية أو القوقعة).
• الطبقات الخفية (Hidden Layers): تقع بين المدخلات والمخرجات، وتكمن فيها القوة الحسابية الخارقة للشبكة؛ إذ تتولى استخراج الميزات المجردة (Abstract Features) والتمثيلات الوسيطة غير الخطية للبيانات.
• طبقة المخرجات (Output Layer): تصدر الاستجابة النهائية للنظام (تحاكي الأوامر الحركية أو القرارات الإدراكية والتسميات اللفظية).

تتميز كل وحدة بـ حالة تنشيط (Activation State) يُرمز لها بالرمز ($a_i(t)$). وعلى عكس نماذج مكولوتش-بيتس ذات القيم الثنائية الجامدة (0 أو 1)، تعتمد شبكات PDP في الغالب على قيم تنشيط متصلة ومستمرة (Continuous Values) تتراوح عادة بين [0, 1] أو [-1, 1]. يتم تحديد حالة التنشيط الجديدة للوحدة عبر تمرير مجموع مدخلاتها الكلية عبر دالة تنشيط غير خطية (Non-linear Activation Function)، وأبرزها:

الدالة السيجمويدية (Sigmoid Function):

$$f(net_i) = \frac{1}{1 + e^{-net_i}}$$

تعتبر هذه اللاخطية حجر الزاوية في قدرة الشبكة على نمذجة العلاقات الإحصائية المعقدة، والتشبع التدريجي الشبيه باستجابة الخلايا العصبية الحية عند وصولها إلى أقصى معدلات إطلاق السيالات العصبية.

3.2 الأوزان الاتصالية والمصفوفات المشبكية

ترتبط الوحدات داخل شبكة الـ PDP عبر شبكة كثيفة من الوصلات الاتجاهية، ويقترن بكل وصلة بين الوحدة ($j$) والوحدة ($i$) رقم حقيقي يُعرف بـ الوزن الاتصالي ($w_{ij}$). يحاكي هذا الوزن قوة أو كفاءة المشبك العصبي (Synaptic Efficacy) في علم الأحياء، وينقسم وظيفياً إلى نوعين:

• أوزان استثارية موجبة ($w_{ij} > 0$): تؤدي زيادة تنشيط الوحدة المصدرية إلى زيادة تنشيط الوحدة المستقبلة (تحاكي المشابك العصبية المعتمدة على الغلوتامات).
• أوزان تثبيطية سالبة ($w_{ij} < 0$): تؤدي زيادة تنشيط الوحدة المصدرية إلى تقليل أو قمع تنشيط الوحدة المستقبلة (تحاكي المشابك المعتمدة على حمض الغابا GABA).

يتم تخزين المعرفة الكلية للشبكة ليس داخل الوحدات نفسها، بل بصورة موزعة عبر مصفوفة الأوزان بأكملها ($W$). يتم حساب صافي المدخلات (Net Input) الواردة إلى الوحدة ($i$) في زمن معين عبر الجمع الاتجاهي الموزون لجميع إشارات الوحدات المتصلة بها مضافاً إليها قيمة العتبة أو الانحياز ($bias_i$):

$$net_i = \sum_{j} (w_{ij} \cdot a_j) + \theta_i$$

هذا التوزيع الواسع لمصفوفات الأوزان يعني أن المعرفة ليست عبارة عن كتل نصية مخزنة في عناوين ذاكرة ثابتة، بل هي إمكانات ديناميكية واستعدادات بنيوية تحدد كيفية استجابة النظام لأي نمط من المثيرات.

3.3 التفاعل المتزامن والانتشار المتوازي للمعلومات

تعمل شبكات PDP وفق ديناميكية تدفق معلومات مستمرة وفائقة التوازي. فعند تقديم مدخل معين إلى طبقة المدخلات، لا تنتقل الإشارة في مسار ميكانيكي وحيد، بل تنتشر في اللحظة الزمنية نفسها عبر مئات الآلاف من الوصلات البينية، مما يولد تفاعلات متزامنة وآنية بين مختلف مستويات المعالجة.

تتميز المعالجة في نماذج PDP المتقدمة بوجود تفاعل مستمر ومتبادل بين تيارين من تدفق المعلومات:

• المعالجة التصاعدية (Bottom-Up / Data-Driven): تدفق الإشارات الحسية الخام من المستويات الدنيا صعوداً إلى المستويات المفاهيمية العليا لتجريد الخصائص.
• المعالجة التنازلية (Top-Down / Conceptually-Driven): تدفق التوقعات المعرفية، والسياق، والافتراضات المسبقة من المستويات العليا هبوطاً لتوجيه، وتعديل، وتفسير البيانات الحسية الغامضة في المستويات الدنيا.

يؤدي هذا التفاعل المستمر والتغذية الراجعة إلى تحقيق آلية حاسوبية جبارة تُعرف بـ تسوية القيود المتعددة (Parallel Constraint Satisfaction). يسعى النظام ككل إلى الوصول تلقائياً إلى حالة من الاستقرار والانسجام الشامل (Relaxation State)، حيث يتم إشباع أكبر قدر ممكن من القيود الإيجابية والتثبيطية المفروضة بواسطة الأوزان، ومن هذه الديناميكا اللاخطية ينبثق السلوك الذكي والقرار الإدراكي النهائي دون الحاجة إلى مشرف أو متحكم مركزي.

4. التمثيل الموزع مقابل التمثيل الرمزي الكلاسيكي

4.1 طبيعة التمثيل الموضعي مقابل التمثيل الموزع

يمثل التمييز بين التمثيل الموضعي (Localist Representation) والتمثيل الموزع (Distributed Representation) أحد أهم الانقسامات الفلسفية والتقنية بين الذكاء الاصطناعي الرمزي ونماذج الـ PDP. في التمثيل الموضعي، تُخصص وحدة معالجة واحدة (أو رمز حاسوبي فريد) لتمثيل كل كيان أو مفهوم في العالم الخارجي؛ وهو ما يقابل في علم الأعصاب الفرضية الكلاسيكية الساخرة المعروفة بـ “عصبون الجدة” (Grandmother Cell Hypothesis)، التي تفترض وجود خلية عصبية مكرسة حصراً للتعرف على وجه جدتك وتنشط فقط عند رؤيتها.

في المقابل، يعتمد نموذج PDP على التمثيل الموزع، حيث يُشفر المفهوم الواحد (مثل “كلب”، “سيارة”، أو “العدالة”) كنمط تنشيط واسع وممتد يشمل عدداً هائلاً من الوحدات الحسابية عبر الشبكة بأكملها، وفي الوقت نفسه، تشارك الوحدة الحسابية الواحدة في تمثيل آلاف المفاهيم المختلفة وفقاً لطبيعة اشتراكها مع الوحدات الأخرى في الأنماط المختلفة.

ينطوي هذا التمثيل الموزع على مزايا حاسوبية ومعرفية هائلة:

• الكفاءة التخزينية الهائلة (Exponential Storage Capacity): تستطيع شبكة مكونة من ($N$) من الوحدات الثنائية تخزين نمط موضعي واحد لكل وحدة (أي $N$ مفهوماً)، في حين يمكن لشبكة تعتمد التمثيل الموزع تخزين $2^N$ من أنماط التنشيط الفريدة نظرياً.
• الفضاء المتجهي للتشابه الدلالي (Vector Semantic Spaces): تُمثَّل المفاهيم كنقاط أو متجهات في فضاء إقليدي متعدد الأبعاد ($N$-dimensional space). المفاهيم المتشابهة دلالياً (مثل “قطة” و”نمر”) تحتل مواقع متقاربة جداً وتتشارك في أجزاء واسعة من نمط التنشيط المتجهي، مما يتيح للشبكة إجراء التعميم التلقائي (Automatic Generalization) على الكيانات الجديدة بناءً على قربها الطوبولوجي في الفضاء المتجهي.

4.2 استرجاع المعلومات القائم على المحتوى والتكميل التلقائي

في الأنظمة الحاسوبية التقليدية، يتم استرجاع البيانات المخزنة من خلال تحديد “العنوان الفيزيائي” في الذاكرة (Address-based retrieval). إذا أخطأ النظام في تحديد العنوان الدقيق بمقدار بت واحد، فلن يتمكن من الوصول إلى المعلومة المطلوبة. أما في شبكات المعالجة الموزعة المتوازية، فيتم استرجاع المعلومات كلياً عبر آلية الذاكرة القابلة للعنونة بالمحتوى (Content-Addressable Memory).

تتيح هذه الخاصية للنظام استدعاء النمط المعرفي الكامل للمفهوم بمجرد تنشيط جزء صغير من مكوناته، عبر عملية تُعرف بـ تكميل النمط (Pattern Completion). على سبيل المثال، إذا قُدِّم للشبكة وصف جزئي أو مشوه لشخص مثل: [يرتدي معطفاً طبياً + يحمل سماعة + الاسم الأول يبدأ بحرف د]، فإن هذه الإشارات الجزئية تنتشر عبر مصفوفة الأوزان المشبكية لتنشط تلقائياً باقي الخصائص الموزعة للمفهوم، مستكملة البيانات المتبقية: [المهنة: طبيب، مكان العمل: مستشفى، الحالة الاجتماعية: متزوج… إلخ].

علاوة على ذلك، تبرز في شبكات PDP ظاهرة التعيين الافتراضي للخصائص (Default Assignment)؛ فعند مواجهة موقف ناقص المعلومات، تقوم الشبكة تلقائياً بملء الفراغات المعرفية استناداً إلى الخصائص الإحصائية العامة للنماذج المخزنة مسبقاً في أوزانها، وهو ما يفسر الكيفية التي يولد بها العقل البشري الاستدلالات والحدسيات التلقائية في الحياة اليومية تحت شروط عدم التيقن.

4.3 ظاهرة الانحلال اللطيف (Graceful Degradation)

تعتبر ظاهرة الانحلال اللطيف (Graceful Degradation) من أبلغ الأدلة التي يسوقها علماء الاتصالية لإثبات التطابق البنيوي والوظيفي بين شبكات PDP والدماغ البيولوجي. في الحواسيب الرقمية الكلاسيكية، يؤدي تلف جزء ميكانيكي صغير أو حدوث عطل في موقع تخزين محدد إلى انهيار برمجي شامل وتوقف فوري للنظام (Catastrophic Failure).

أما في شبكات المعالجة الموزعة المتوازية، فنظراً لأن المعرفة موزعة عبر آلاف الأوزان المشبكية وليست محصورة في نقطة مركزية واحدة، فإن إتلاف نسبة معينة من الوحدات عشوائياً، أو قطع جزء من الوصلات الاتصالية (تدمير تجريبي للمصفوفة)، لا يؤدي إلى تلاشي الذاكرة كلياً. بدلاً من ذلك، يُظهر النظام تدهوراً تدريجياً وبطيئاً جداً في دقة الأداء العام يتناسب طردياً مع حجم التلف الفيزيائي.

يتطابق هذا السلوك الرياضي لشبكات PDP بشكل مذهل مع الملاحظات الإكلينيكية في علم النفس العصبي وعلم الأعصاب السلوكي؛ فالمرضى الذين يتعرضون لسكتات دماغية، أو إصابات رضحية في الرأس، أو أمراض التنكس العصبي كالزهايمر، لا يفقدون فجأة كلمات بأكملها أو مفاهيم محددة بشكل كلي كما لو أنها حُذفت من قرص صلب، بل يعانون من تشوش تدريجي، وبطء في الاسترجاع، وانخفاض تدريجي في دقة التمييز، مما يبرهن على أن العمارة العقلية للإنسان هي عمارة اتصالية موزعة بامتياز.

5. خوارزميات التعلم وتعديل الأوزان في نماذج PDP

5.1 قاعدة هيب والتعلم الترابطي غير الموجه

تُعد قاعدة هيب (Hebbian Learning Rule)، التي صاغها عالم النفس الكندي دونالد هيب عام 1949 في كتابه الكلاسيكي “The Organization of Behavior”، حجر الأساس البيولوجي لنظريات التعلم العصبي، وتُلخص دائماً بالعبارة الشهيرة: “العصبونات التي تنشط معاً، تترابط معاً” (Neurons that fire together, wire together).

تعتمد هذه القاعدة على تعديل قوة المشابك العصبية بصورة محلية وتلقائية دون الحاجة لمعلم خارجي (Unsupervised Learning). رياضياً، تتناسب الزيادة في وزن الوصلة ($\Delta w_{ij}$) طردياً مع حاصل ضرب مستويات تنشيط الوحدتين المترابطتين ($a_i$) و($a_j$) مضروباً في معامل معدل التعلم ($eta$):

$$\Delta w_{ij} = \eta \cdot a_i \cdot a_j$$

استخدمت نماذج PDP قاعدة هيب ومشتقاتها الرياضية في تطوير خوارزميات التعلم التنافسي (Competitive Learning) وتشكيل الخرائط ذاتية التنظيم. تتيح هذه الآلية للشبكة اكتشاف البنى الإحصائية الخفية والانتظامات الطبيعية في البيئة المحيطة، وتجميع المدخلات المتقاربة في فئات مفاهيمية متجانسة تلقائياً عبر تعزيز الترابط بين الوحدات التي تشترك في استشعار الأنماط المتكررة.

5.2 قاعدة دلتا والتعلم المراقب

تمثل قاعدة دلتا (Delta Rule)، المعروفة أيضاً بقاعدة فيدرو-هوف (Widrow-Hoff Rule) أو قاعدة المربعات الصغرى (Least Mean Squares)، الانتقال الحاسم نحو التعلم الموجه الخاضع للإشراف (Supervised Learning) القائم على تصحيح الخطأ (Error-Correction Learning). تفترض هذه القاعدة وجود “معلم خارجي” يقدم للشبكة إشارة المخرجات المستهدفة والصحيحة ($t_i$) لكل نمط مدخلات ($x$).

يتم قياس الخطأ الحسابي ($\delta_i$) للوحدة ($i$) من خلال حساب الفرق بين القيمة المرغوبة ($t_i$) والمخرجات الفعلية التي أنتجتها الشبكة ($y_i$):

$$\delta_i = t_i – y_i$$

وبناءً على ذلك، يتم تعديل الأوزان الاتصالية وفق المعادلة الرياضية التالية:

$$\Delta w_{ij} = \eta \cdot \delta_i \cdot a_j$$

تهدف هذه العملية الحسابية إلى دفع الأوزان خطوة بخطوة في الاتجاه الذي يقلل من مجموع مربعات الخطأ (Sum of Squared Errors) إلى حده الأدنى. ومع ذلك، بقيت قاعدة دلتا الكلاسيكية محدودة في نطاق تطبيقها على الشبكات أحادية الطبقة الخطية؛ مما استدعى تطوير صيغة أعمق قادرة على اختراق الطبقات الخفية المعقدة.

5.3 خوارزمية الانتشار الخلفي للخطأ (Backpropagation)

تُعد خوارزمية الانتشار الخلفي للخطأ (Backpropagation)، التي صاغها روميلهارت، وهينتون، ووليامز عام 1986، الإنجاز الرياضي الأعظم الذي فكك العقدة التاريخية للشبكات متعددة الطبقات. تعتمد الخوارزمية على تقنية انحدار التدرج (Gradient Descent) لتحسين دالة التكلفة أو الخطأ الشامل ($E$) عبر الفضاء متعدد الأبعاد للأوزان.

تسير الخوارزمية عبر مرحلتين حسابيتين متتاليتين:

1. التمرير الأمامي (Forward Pass): تدخل الإشارات عبر طبقة المدخلات، وتمر عبر الطبقات الخفية باستخدام دوال التنشيط اللاخطية، حتى تصل إلى طبقة المخرجات لتوليد الاستجابة وحساب الخطأ الإجمالي للنظام مقارنة بالهدف المطلوب.
2. التمرير الخلفي (Backward Pass): يتم حساب المشتقة الجزئية لدالة الخطأ بالنسبة لكل وزن في الشبكة ($\frac{\partial E}{\partial w_{ij}}$) باستخدام قاعدة السلسلة في التفاضل. تبدأ إشارات الخطأ بالانتشار رجوعاً من طبقة المخرجات إلى الطبقات الخفية، مما يتيح حساب الخطأ الضمني للوحدات الخفية وتعديل أوزانها الداخلية بدقة بالغة.

أتاحت هذه الخوارزمية للشبكات متعددة الطبقات تكوين تمثيلات وتجريدات داخلية غير خطية فائقة التعقيد للمشكلات البيئية، مما مكنها من حل المسائل المنطقية واللغوية الأكثر تعقيداً. وعلى الرغم من ظهور نقاشات مستفيضة في علم الأعصاب حول مدى الواقعية البيولوجية للانتشار الخلفي (نظراً لعدم وجود مشابك عصبية بيولوجية تنقل الإشارات الكهربائية في الاتجاهين بالتماثل الرياضي نفسه)، إلا أن الخوارزمية بقيت النموذج الحسابي الأكثر كفاءة ومحاكاة للنتائج السلوكية المعرفية.

6. النمذجة المعرفية للغة واكتساب القواعد اللغوية

6.1 نموذج روميلهارت وماكليلاند للماضي في اللغة الإنجليزية (1986)

في الفصل الثامن عشر من مجلد PDP الثاني (1986)، فجر روميلهارت وماكليلاند واحدة من أعنف المعارك النظرية في تاريخ اللسانيات وعلم النفس المعرفي، بنشرهما لنموذجهما الشبكي لتعلم صيغ الفعل الماضي في اللغة الإنجليزية (Past-Tense Acquisition Model). لعدة عقود، كانت النظريات اللغوية السائدة بقيادة نعوم تشومسكي واللسانيات التوليدية تؤكد أن اكتساب اللغة مستحيل دون وجود جهاز فطري مسبق لاكتساب اللغة (LAD)، يعتمد على استيعاب قواعد صورية صريحة ورموز عقلية مجردة تفصل فصلاً تاماً بين الأفعال القياسية المنتظمة (التي تتبع قاعدة إضافة -ed مثل: walk → walked) والأفعال الشاذة غير المنتظمة (التي تُحفظ في قائمة معجمية استثنائية مثل: go → went, sing → sang).

قام روميلهارت وماكليلاند ببناء شبكة عصبية اتصالية بسيطة لا تحتوي على أي قواعد مبرمجة سلفاً، ولا تفرق برمجياً بين الأفعال القياسية والشاذة. تلقت الشبكة في طبقة مدخلاتها تمثيلاً صوتياً (Phonological Representation) لجذر الفعل المضارع باستخدام ميزات تُعرف بـ Wickelfeatures (وهي ثلاثيات صوتية مشفرة موزعة)، وطُلب منها التنبؤ بالتمثيل الصوتي لصيغة الفعل الماضي عبر تعديل أوزانها باستخدام قاعدة دلتا.

أظهرت النتائج نجاحاً باهراً؛ حيث استطاعت الشبكة بعد سلسلة من التدريبات الإحصائية تصريف الأفعال الشاذة والمنتظمة في المعمارية نفسها بكفاءة عالية، بل وتمكنت من التعميم الاستقرائي وتصريف أفعال جديدة كلياً لم تتدرب عليها من قبل، مما أثبت لأول مرة أن السلوك المتوافق مع القواعد (Rule-governed behavior) يمكن أن ينبثق كلياً من آليات الربط الإحصائي الموزع دون الحاجة لوجود تمثيل رمزي صريح للقواعد داخل العقل.

6.2 محاكاة منحنى التعلم على شكل حرف U

تمثل الظاهرة التجريبية الأكثر إدهاشاً في تجربة روميلهارت وماكليلاند في قدرة الشبكة العصبية على محاكاة مسار التعلم على شكل حرف U (U-Shaped Learning Curve)، وهو نمط تطوري شهير يمر به الأطفال أثناء اكتساب لغتهم الأم عبر ثلاث مراحل متتالية:

• المرحلة الأولى: ينجح الطفل في تصريف عدد قليل من الأفعال الشائعة بشكل صحيح (سواء كانت منتظمة مثل look → looked أو شاذة مثل give → gave) نتيجة الحفظ والترابط الأولي.
• المرحلة الثانية (مرحلة الانحدار الظاهري): يبدأ الطفل في ارتكاب أخطاء فرط التعميم (Overregularization Errors)، حيث يطبق قاعدة (-ed) على الأفعال الشاذة التي كان ينطقها سابقاً بشكل صحيح، فيقول: (goed بدلاً من went، و give-d بدلاً من gave).
• المرحلة الثالثة (مرحلة الإتقان والتمايز): يستعيد الطفل الأداء الصحيح لكلا النوعين من الأفعال مع ترسخ الاستثناءات وتمايزها.

أظهرت شبكة PDP هذا المسار التطوري بدقة فائقة وبصورة ذاتية وتلقائية؛ فعندما ازدادت حصيلة الأفعال المنتظمة المدخلة للشبكة، هيمنت الأوزان المرتبطة بالنمط الصوتي الغالب (النهاية -ed) وأحدثت تشويشاً مؤقتاً على تمثيلات الأفعال الشاذة، مما جعل الشبكة تنتج أشكالاً مثل (goed). ومع استمرار التدريب وتعديل الأوزان التفاضلية، أعادت الشبكة موازنة المصفوفة لتصل إلى الاستقرار التام.

أثار هذا الإنجاز انتقادات شرسة من علماء النفس اللغويين الكلاسيكيين، وعلى رأسهم ستيفن بينكر وآلان برنس (Pinker & Prince, 1988)، الذين زعموا أن منحنى U في تجربة PDP كان نتاجاً صناعياً لتغيير توزيع وتواتر عينات التدريب التي أدخلها الباحثون فجأة، مدافعين عن نموذج “الآلية المزدوجة” (Dual-Mechanism Model). ورغم هذه الانتقادات، فتحت التجربة أفقاً جديداً أكد أن الأنظمة الديناميكية الموحدة قادرة على تفسير الظواهر النمائية المعقدة دون افتراض تبديل الأنظمة الداخلية في عقل الطفل.

6.3 معالجة الجمل واستيعاب السياق الدلالي

تجاوزت تطبيقات الـ PDP في اللغة حدود تصريف الكلمات المفردة لتشمل استيعاب التراكيب النحوية وفك الغموض اللغوي في الجمل المعقدة (Sentence Processing and Syntactic Disambiguation). تعاني الأنظمة الرمزية التقليدية من البطء والعجز التام عند مواجهة ما يُعرف بـ “جمل المسار الخاطئ” (Garden-Path Sentences)، مثل الجملة الشهيرة:

“The horse raced past the barn fell.”

في هذه الجملة، تؤدي المعالجة النحوية التسلسلية الصارمة إلى اعتبار كلمة “raced” فعلاً رئيسياً، مما يصدم النظام بوجود الفعل “fell” في نهاية الجملة مؤدياً لانهيار التحليل. في المقابل، تُعالج شبكات المعالجة الموزعة المتوازية الجملة عبر تسوية القيود المتعددة والآنية (Simultaneous Constraint Satisfaction)، حيث تتفاعل القيود النحوية، والمعاني الدلالية للكلمات، وتكرارات السياق في الوقت الحقيقي وبشكل متوازٍ.

تتعامل الشبكات الاتصالية مع الكلمات أثناء تدفقها كحركات مستمرة داخل فضاء متجهي دلالي عالي الأبعاد، بحيث تعمل كل كلمة جديدة على تحديث متجه الحالة العامة للجملة وتوقع الكلمات القادمة سياقياً. يفسر هذا النموذج التفاعلي كيف يستطيع الدماغ البشري حسم الغموض اللفظي والتركيبي في أجزاء من الثانية من خلال الدمج الفوري بين المعنى العام للمحادثة والقرائن البيئية المحيطة.

7. الإدراك البصري والتعرف على الأنماط عبر نموذج التنشيط التفاعلي

7.1 نموذج التنشيط التفاعلي لماكليلاند وروميلهارت (1981)

يُعد نموذج التنشيط التفاعلي (Interactive Activation Model – IAM)، الذي نشره ماكليلاند وروميلهارت عام 1981 في مجلة Psychological Review، أحد أعظم المآثر في تاريخ علم النفس المعرفي. استهدف النموذج تفسير الآليات الدقيقة لمعالجة المعلومات أثناء القراءة البصرية للكلمات المطبوعة من خلال معمارية شبكية هرمية تتألف من ثلاثة مستويات من وحدات المعالجة:

• مستوى السمات البصرية (Visual Features Level): يحتوي على وحدات ترصد المقاطع والخطوط المكانية الأساسية للحروف (مثل الخطوط الأفقية، العمودية، والمائلة، والمنحنيات).
• مستوى الحروف (Letter Level): يضم وحدات تمثل كافة الحروف الأبجدية في مواضع مكانية محددة داخل الكلمة المكونة من أربعة أحرف.
• مستوى الكلمات (Word Level): يحتوي على وحدات تمثل آلاف الكلمات المعجمية المخزنة.

تتميز شبكة التنشيط التفاعلي بنوعين محددين من الروابط المشبكية الصارمة:

• وصلات تفاعلية رأسية ثنائية الاتجاه (Vertical Bidirectional Connections): روابط استثارية تصاعدية من السمات إلى الحروف المتطابقة معها، ومن الحروف إلى الكلمات المحتوية عليها؛ مترافقة مع تغذية راجعة تنازلية (Top-Down Feedback) من مستوى الكلمات نحو مستوى الحروف. في الوقت ذاته، توجد وصلات تثبيطية بين العناصر غير المتطابقة.
• وصلات تثبيطية أفقية جانبية (Lateral Inhibition): تتنافس الوحدات الموجودة داخل المستوى نفسه تثبيطياً فيما بينها؛ بحيث تسعى الكلمة أو الحرف الأكثر تنشيطاً إلى قمع وإخماد منافساتها في الفضاء الإدراكي.

7.2 تفسير تأثير تفوق الكلمة (Word Superiority Effect)

استطاع نموذج التنشيط التفاعلي حل لغز ظاهرة نفسية تجريبية شهيرة اكتشفها ريتشر (Reicher, 1969) وويلر وتُعرف بـ تأثير تفوق الكلمة (Word Superiority Effect). تظهر هذه التجربة أن قدرة الإنسان وسرعته في التعرف بدقة على حرف معين (مثلاً حرف D) تكون أعلى بكثير عندما يُعرض الحرف ضمن كلمة ذات معنى (مثل WORD) مقارنة بعرض الحرف منفرداً بمعزل عن أي سياق (D)، أو عرضه ضمن سلسلة أحرف عشوائية لا معنى لها (مثل ORWD).

عجزت النماذج المعرفية التسلسلية الكلاسيكية الصاعدة عن تفسير هذه الظاهرة؛ إذ كيف يمكن لمعالجة الكل (الكلمة) أن تعزز وتسبق معالجة الجزء (الحرف) إذا كانت المعلومات تتدفق فقط من الأسفل إلى الأعلى؟ قدم نموذج ماكليلاند وروميلهارت التفسير الرياضي الحاسم من خلال التغذية الراجعة التنازلية (Top-Down Feedback):

عند عرض كلمة WORD، تُنشط الميزات البصرية وحدات الحروف (W, O, R, D) عبر التدفق التصاعدي، وهذه الحروف بدورها ترسل إشارات تنشيط صاعدة تنشط وحدة الكلمة WORD في المستوى الأعلى. هنا تبدأ المعالجة التفاعلية؛ حيث تقوم وحدة الكلمة WORD بإرسال إشارات استثارية تنازلية رجعية إلى وحدات الحروف المكونة لها (بما فيها الحرف D)، مما يمنح الحرف دعماً تنشيطياً مضاعفاً (تصاعدياً وتنازلياً في آن واحد) يجعله يتجاوز عتبة الإدراك والوعي بسرعة تفوق بكثير ما يتلقاه الحرف عند عرضه منفرداً دون سند معجمي هابط.

كما فسر النموذج بدقة قدرة القراء على التعرف السريع على الحروف داخل “الكلمات الزائفة المنتظمة صوتياً” (Pseudowords مثل MAVE)؛ حيث تُنشط هذه المتتاليات عدة كلمات حقيقية متقاربة دلالياً وبصرياً (مثل MAKE, CAVE, MORE) ترسل جميعها دعماً تنازلياً مشتركاً للحروف المستهدفة عبر تسوية القيود الموزعة.

7.3 التعرف على الأنماط البصرية في ظل الضوضاء والتشويه

يواجه الإدراك البصري البشري تحدياً دائماً يتمثل في التعرف على الأشكال، الحروف، والأوجه في بيئات مليئة بالضوضاء والتشويش البصري (كالقراءة في إضاءة خافتة، أو قراءة خطوط يد شديدة الرداءة، أو رؤية حروف مبتورة جزئياً). تُصاب البرمجيات الرمزية الكلاسيكية بالشلل التام في مثل هذه الحالات لغياب المطابقة الحرفية الصارمة للقوالب (Template Matching Failure).

في إطار معمارية PDP والتنشيط التفاعلي، تُحل هذه المعضلة بسلاسة استثنائية. إذا قُدم حرف مشوه أو محجوب جزئياً (بحيث لا يمكن تمييز ما إذا كان حرف E أو F)، فإن مستوى الميزات البصرية يرسل تنشيطاً جزئياً متكافئاً لكلا الحرفين. لكن إذا كان هذا الحرف مسبوقاً بالحروف TH_ ومتبوعاً بـ RED، فإن التغذية الراجعة التنازلية من مستوى الكلمات تتدخل فوراً لصالح الكلمة المعجمية الأكثر ترجيحاً (THE)، فترسل تنشيطاً هابطاً يحسم الصراع التنافسي الداخلي لصالح الحرف E وقمع الحرف F.

تُثبت هذه المعالجة الديناميكية أن الإدراك البصري ليس عملية تسجيل فوتوغرافي سلبي للمدخلات الحسية، بل هو عملية “تخمين ذكي وتوليد نشط” لحقيقة العالم الخارجي، تنبثق من التوازن المستمر بين الدلائل الحسية الصاعدة والتوقعات المعرفية التنازلية.

8. الذاكرة المعرفية وتخزين المفاهيم في إطار PDP

8.1 الذاكرة الدلالية والتمثيل الفئوي للمفاهيم

في النماذج المعرفية الرمزية الكلاسيكية، كان يُنظر إلى الذاكرة الدلالية (Semantic Memory) بوصفها شبكة شجرية هرمية من العقد الرمزية الصريحة (مثل نموذج كويليان وكولينز)، حيث تُخزن المفاهيم كعقد مستقلة ترتبط فيما بينها بخطوط منطقية (مثل: الكناري ← نوع من ← الطيور ← يمتلك ← أجنحة). غير أن هذه النماذج عجزت عن تفسير سرعة الاستدلال التناظري والتعامل مع الكيانات الهامشية التي لا تنطبق عليها التعريفات الصارمة للفئات.

أعادت أبحاث PDP صياغة الذاكرة الدلالية كلياً من خلال مفهوم الفضاء المفاهيمي المشترك (Shared Conceptual Space). في نماذج ماكليلاند وتينينباوم وروغرز (Rogers & McClelland, 2004)، يُمثل المفهوم بنمط تنشيط موزع عبر مجموعة من الوحدات المعبرة عن الخصائص الحسية، الحركية، والوظيفية. وتُخزن المعرفة الفئوية في مصفوفة أوزان مشبكية واحدة تستوعب آلاف المفاهيم المتداخلة.

يترتب على هذا البنيان انبثاق خصائص معرفية محورية:

• انبثاق النماذج الأولية (Prototypes): لا تحتاج الشبكة لتخزين “المفهوم المثالي المجرد” للطائر؛ بل ينبثق النموذج الأولي تلقائياً كمركز ثقل إحصائي لجميع الطيور التي تدربت عليها الشبكة عبر التاريخ.
• المرونة في معالجة الاستثناءات: يستطيع النظام التعامل مع الكائنات غير النمطية (كالنعام أو البطريق كطيور لا تطير) عبر تعلم أوزان تمايز دقيقة تعزل الخصائص الفريدة دون تدمير التشابه البنيوي العام مع فئة الطيور.

8.2 الذاكرة العرضية ونماذج التشفير والاسترجاع التلقائي

تُعنى الذاكرة العرضية (Episodic Memory) بتشفير واستعادة الأحداث الشخصية المرتبطة بسياق زماني ومكاني محدد. في منظور المعالجة الموزعة المتوازية، لا يُمثل الحدث كـ “تسجيل فيديو مخزن في ملف”، بل يُشفر كحالة استقرار شبكية ديناميكية ناتجة عن تفاعل النمط الحسي للحدث مع النمط السياقي العام السائد في لحظة التجربة.

تفسر شبكات PDP ظواهر النسيان والتداخل المعرفي بطريقة فريدة:

• التداخل الرجعي والاستباقي (Retroactive and Proactive Interference): ينجم النسيان عن التعديل المستمر والتدريجي في مصفوفة الأوزان المشبكية نفسها؛ حيث يؤدي تعلم أحداث وتجارب جديدة إلى الكتابة الفوقية الطفيفة (Overwriting) على الأوزان القديمة المشتركة، مما يغير طوبولوجيا فضاء الاسترجاع.
• ظاهرة “على طرف اللسان” (Tip-of-the-Tongue Phenomenon): تحدث عندما تسترجع الشبكة معظم المتجهات الدلالية والسياقية للمفهوم (المعنى، الوظيفة، الفئة)، لكنها تفشل في تسوية القيود اللحظية اللازمة لتنشيط المتجه الصوتي اللفظي للكلمة نتيجة كبح تثبيطي مؤقت من مفاهيم مجاورة منافسة.

8.3 نموذج الأنظمة التكميلية للتعلم (CLS Framework)

واجهت شبكات PDP الكلاسيكية معضلة حاسوبية عويصة عُرفت بـ التداخل الكارثي أو النسيان الكارثي (Catastrophic Interference / Catastrophic Forgetting)؛ فعند محاولة تدريب شبكة عصبية مدربة مسبقاً على مجموعة أنماط جديدة كلياً بشكل مكثف وسريع، تؤدي خوارزمية تعديل الأوزان إلى مسح فوري وتام لجميع المعارف والذكريات القديمة المخزنة في المصفوفة.

لحل هذه المعضلة الجوهرية، صاغ جيمس ماكليلاند، وبروس ماكنوتون، وراندال أوريلي عام 1995 إطارهم النظري الرائد المنشور في Psychological Review: نظرية الأنظمة التكميلية للتعلم (Complementary Learning Systems – CLS Theory). افترضت النظرية أن الدماغ البيولوجي حل مشكلة النسيان الكارثي عبر تطور نظامين عصبيين حوسبيين متكاملين يعملان بتناغم وظيفي دقيق:

تتم عملية نقل وتثبيت المعرفة عبر ما يُعرف بـ التوحيد وإعادة التشغيل غير المتزامن (Replay and Consolidation)، وتحديداً أثناء فترات النوم والراحة؛ حيث يقوم الحصين بإعادة إطلاق أنماط الذكريات اليومية المشفرة بصورة متكررة وبطيئة نحو القشرة المخية الحديثة، مما يسمح للأخيرة بإدماج المعلومات الجديدة تدريجياً داخل مصفوفة أوزانها الموزعة دون تدمير البنى المعرفية المستقرة مسبقاً.

9. الأسس البيولوجية العصبية والمعمارية الدماغية لنموذج PDP

9.1 المطابقة بين بنيان الشبكات الاصطناعية والقشرة المخية

لم تكن نماذج المعالجة الموزعة المتوازية مجرد هياكل خوارزمية مجردة، بل صُممت منذ البداية لتكون مرآة حسابية تحاكي الخصائص التشريحية والفسيولوجية لـ القشرة المخية الحديثة (Neocortex). يُظهر التحليل الميكروسكوبي للقشرة المخية أنها منظمة في بنية صفائحية متعددة الطبقات (Laminar 6-layer architecture)، ترتبط فيما بينها بأعمدة قشرية ميكروية (Cortical Microcolumns) وتفرعات شجيرية مشبكية هائلة.

تتطابق مبادئ PDP مع المعمارية الدماغية في عدة ركائز بيولوجية أصيلة:

• كثافة الترابط المشبكي: تحتوي القشرة المخية على ما يقرب من 86 مليار عصبون، يمتلك كل منها ما بين 1,000 إلى 10,000 مشبك عصبي، مما يولد شبكة تضم مئات التريليونات من الوصلات الموازية التي تعمل في تناغم فائق.
• اللدونة المشبكية (Synaptic Plasticity): تتطابق آليات تعديل الأوزان في PDP مع الظواهر العصبية الحيوية المكتشفة مثل التقوية طويلة الأمد (Long-Term Potentiation – LTP) والتثبيط طويل الأمد (Long-Term Depression – LTD)، حيث تتغير الكفاءة الكيميائية والكهربائية للمشابك استجابة لأنماط النشاط المتكررة.
• التنظيم الهرمي ثنائي الاتجاه: كشفت الدراسات التشريحية للجهاز البصري (كالمسارات الممتدة من V1 عبر V2 و V4 إلى القشرة الصدغية السفلية IT) أن الوصلات التنازلية الراجعة (Feedback/Top-down projections) تفوق في كثافتها العددية الوصلات التصاعدية الصاعدة، وهو ما يجسده نموذج التنشيط التفاعلي لـ PDP.

9.2 الواقعية البيولوجية: الاتفاقات والافتراقات

على الرغم من النجاحات الباهرة لنماذج PDP، أثار علماء الأعصاب الحسابية نقاشات عميقة حول حدود الواقعية البيولوجية (Biological Plausibility) لهذه النماذج، مبرزين بعض الافتراقات الجوهرية بين الشبكات الاصطناعية والدماغ الحقيقي:

• معضلة نقل الأوزان في الانتشار الخلفي (Weight Transport Problem): تتطلب خوارزمية الانتشار الخلفي الكلاسيكية أن تستخدم الوصلات في التمرير العكسي نفس مصفوفة الأوزان المتناظرة تماماً المستخدمة في التمرير الأمامي، وهو ما يستحيل تنفيذه بيولوجياً في المشابك العصبية ذات الاتجاه الأوحد. (تم تجاوز هذا النقد حديثاً عبر نظريات مثل Feedback Alignment التي أثبتت إمكانية التعلم حتى مع وجود أوزان راجعة عشوائية).
• القيم المستمرة مقابل النبضات العصبية (Rate Coding vs. Spiking Neurons): تستخدم شبكات PDP قيماً عددية مستمرة ومتصلة لتمثيل معدل التنشيط، متجاهلة التوقيت الدقيق للنبضات الكهربائية الفردية (Action Potentials / Spikes) التي تلعب دوراً حاسماً في التشفير العصبي الحيوي.

دافع روميلهارت وماكليلاند عن موقفهما بالاستناد إلى تصنيف مستويات التحليل الثلاثة الشهير لعالم الرؤية ديفيد مار (David Marr):

1. المستوى الحسابي (Computational Level).
2. المستوى الخوارزمي / التمثيلي (Algorithmic/Representational Level).
3. المستوى التنفيذي / الفيزيائي (Implementational/Physical Level).

أكد رواد الـ PDP أن نماذجهم تتموضع في المستوى الخوارزمي والتمثيلي المستلهم عصبياً، حيث لا يُشترط استنساخ كافة التفاصيل الكيميائية والبيوفيزيائية الدقيقة للخلية الحية، بل يكفي استخلاص المبادئ الحسابية الكلية التي تحكم معالجة المعلومات في الأنظمة الموزعة.

9.3 التوافق مع علم الأعصاب الإدراكي المعاصر

مع التطور الهائل في تقنيات التصوير العصبي الوظيفي في أواخر التسعينيات والقرن الحادي والعشرين، تحولت نماذج PDP من مجرد فرضيات نظرية إلى أدوات تفسيرية لا غنى عنها في علم الأعصاب الإدراكي (Cognitive Neuroscience). وفرت النماذج الإطار الرياضي لفهم بيانات الرنين المغناطيسي الوظيفي (fMRI)، وتحديداً عند استخدام تقنيات تحليل الأنماط متعددة المتغيرات (Multi-Voxel Pattern Analysis – MVPA).

أظهرت دراسات الـ MVPA أن الدماغ البشري يمثل المفاهيم والصور كأنماط تنشيط موزعة عبر آلاف الفوكسلات (Voxels) في القشرة الصدغية السفلية (IT) والقشرة الجدارية، متطابقة طوبولوجياً مع التمثيلات المتجهية في الطبقات الخفية لشبكات PDP. كما ساهمت النزعة الاتصالية في فهم الديناميات المعقدة للشبكات العصبية واسعة النطاق في الدماغ، مثل شبكة الوضع الافتراضي (Default Mode Network – DMN) وشبكة الانتباه التنفيذي، مرسخة دور الاتصالية كأقوى جسر مفاهيمي يربط بين السلوك النفسي الظاهر والفيزيولوجيا العصبية الباطنة.

10. المناظرة الكبرى: النزعة الاتصالية مقابل النموذج الرمزي الكلاسيكي

10.1 نقد فودور وبيليشين للاتصالية (1988)

في عام 1988، نشر الفيلسوفان المعرفيان البارزان جيري فودور وزينون بيليشين (Jerry Fodor & Zenon Pylyshyn) ورقة نقدية بالغة القوة والشهرة في مجلة Cognition بعنوان: “Connectionism and cognitive architecture: A critical analysis”. مثلت هذه الورقة الهجوم الرمزي الأشرس على أسس المعالجة الموزعة المتوازية، حيث جادل المؤلفان بأن النزعة الاتصالية عاجزة هيكلياً عن تمثيل العمارة الحقيقية للفكر البشري.

ارتكز نقد فودور وبيليشين على ثلاث حجج مترابطة مستمدة من فرضية لغة الفكر (Language of Thought – LOT):

• الإنتاجية (Productivity): قدرة العقل البشري اللامحدودة على توليد وفهم عدد لا نهائي من الأفكار والجمل المعقدة باستخدام عدد محدود من العناصر الأساسية عبر قواعد تركيبية منتظمة.
• المنهجية والانتظام (Systematicity): القدرات المعرفية للبشر تأتي في حزم متكاملة ومنتظمة؛ فالشخص الذي يمتلك القدرة اللغوية على فهم جملة “جون يحب ماري” (John loves Mary) يمتلك بالضرورة البنية النحوية والمنطقية لفهم جملة “ماري تحب جون” (Mary loves John). وزعم الباحثان أن شبكات PDP، باعتبارها مجرد روابط إحصائية وارتباطية، تفتقر إلى البنية التركيبية التوليدية اللازمة لتفسير هذا التماثل الحتمي.
• التركيبية الصورية (Compositionality): يتحدد معنى العبارة المركبة من معاني أجزائها البنائية وقواعد دمجها الصوري، وهو ما اعتبره الناقدان غائباً في المتجهات الموزعة غير الخطية.

خلص فودور وبيليشين إلى نتيجة إبستيمولوجية حادة: إما أن تكون الاتصالية نموذجاً خاطئاً للإدراك، أو أنها لا تعدو كونها مجرد “تنفيذ عتادي مادي” (Mere Implementation) للنموذج الرمزي الكلاسيكي على المستوى الفيزيائي، وبالتالي فهي لا تقدم أي بديل نظري حقيقي لمستوى معالجة الرموز.

10.2 ردود روميلهارت، ماكليلاند، وعلماء الاتصالية

أثارت ورقة فودور وبيليشين ردوداً ملحمية من أقطاب الاتصالية وفلاسفتها، مثل روميلهارت، وماكليلاند، وبول سمولينسكي (Smolensky, 1988)، وويليام بكتل، وتيم فان غيلدر. فند علماء PDP حجة “التنفيذ العتادي الساذج”، موضحين أن النموذج الاتصالي ليس ترجمة حرفية لقواعد الرموز، بل يقدم وصفاً بديلاً وأدق للعمليات العقلية في البنية المجهرية للمعرفة (Microstructure of Cognition).

تضمنت حجج الاتصاليين دحوضاً مفحمة:

• التركيبية الوظيفية المنبثقة (Functional Compositionality): أثبت سمولينسكي عبر مفهوم “النماذج التوافقية الموزعة” وعمليات الجداء المتجهي الموتر (Tensor Products) أن الشبكات الاتصالية قادرة على تمثيل العلاقات التركيبية المعقدة داخل الفضاءات المتجهية دون الحاجة إلى رموز صلبة منفصلة. المتجهات المشفرة لجملة “جون يحب ماري” تحتوي بنيوياً على تمثيلات الأدوار الدلالية المنبثقة.
• المنهجية القائمة على التشابه الإحصائي: أظهرت تجارب الـ PDP أن الشبكات المدربة تُظهر منهجية حقيقية ومرنة تتفوق على المنطق الصوري؛ إذ تتعامل مع السياقات الاستثنائية بمرونة لا تتوفر للأنظمة الرمزية التي تعاني من الجمود عند مواجهة أي خرق طفيف للقواعد الصورية.
• نقد جمود “لغة الفكر”: هاجم الاتصاليون فرضية لغة الفكر، مؤكدين أن التفكير البشري نادراً ما يتبع المنطق الرمزي الصارم، بل يعتمد في جوهره على المقايسة، والتفكير التناظري، والمحاكمة التقريبية المستندة إلى النماذج الإدراكية المرنة والموزعة.

10.3 النماذج الهجينة والمحاولات التوفيقية

أفضت هذه المناظرة الفكرية العميقة إلى نضج إبستيمولوجي في تسعينيات القرن العشرين، تجسد في ظهور النماذج المعرفية الهجينة (Hybrid Cognitive Architectures) التي سعت إلى التوفيق والدمج الخلاق بين القوة التركيبية للأنظمة الرمزية والمرونة التكيفية لشبكات الـ PDP. من أبرز هذه الأطر:

• معمارية ACT-R (Adaptive Control of Thought-Rational): التي طورها جون أندرسون، حيث تدمج بين نظام إنتاجي رمزي عالي المستوى (Production Rules) للتحكم في الأهداف وحل المشكلات، ونظام فرعي اتصالي ينظم آليات تنشيط الذاكرة واحتساب الاحتمالات الإحصائية.
• معمارية CLARION: التي طورها رون صن، وتقوم على الفصل والربط المزدوج بين العمليات المعرفية الضمنية غير الواعية (تُنفذ بشبكات اتصالية موزعة) والعمليات الصريحة الواعية (تُنفذ بوحدات معالجة رمزية).

تكامل هذا التوجه التوفيقي مع النظريات النفسية الحديثة في المعالجة المزدوجة (Dual-Process Theories) التي اشتهرت عبر أعمال دانيال كانمان، حيث يمثل النظام 1 (System 1: التلقائي، السريع، الحدسي، المعتمد على السياق) العمارة الاتصالية التفاعلية لـ PDP، بينما يمثل النظام 2 (System 2: البطيء، التحليلي، التسلسلي، المنطقي) الآليات التداولية الرمزية.

11. التطورات المعاصرة وتأثير PDP على التعلم العميق والذكاء الاصطناعي

11.1 الجذور الاتصالية لثورة التعلم العميق (Deep Learning)

تُمثل ثورة التعلم العميق (Deep Learning) المعاصرة، التي غيرت وجه التكنولوجيا الحديثة، الامتداد الطبيعي والمباشر للمبادئ الحسابية والإبستيمولوجية التي صاغتها مجموعة أبحاث PDP عام 1986. إن الآباء الروحيين للتعلم العميق المعاصر، والحائزين على جائزة تورينغ لعام 2018: جيفري هينتون، يوشوا بنجيو، ويان ليكون، كانوا إما أعضاء فاعلين في مجموعة PDP الأصلية أو متأثرين بشكل مباشر بأطروحات روميلهارت وماكليلاند.

إن المعماريات العميقة الحديثة لم تكن قطيعة مع الـ PDP، بل كانت تتويجاً لها مدعوماً ببيانات ضخمة وقدرات حوسبة خارقة (GPUs):

• الشبكات العصبية الالتفافية (CNNs): التي طورها يان ليكون مستلهماً إياها من نموذج Neocognitron ومبادئ PDP للتنشيط التفاعلي ومشاركة الأوزان محلياً لمعالجة الصور.
• شبكات التغذية الراجعة الطويلة (LSTMs): التي طورت آليات تسوية القيود المتزامنة لمعالجة السلاسل الزمنية والذاكرة المؤقتة.
• معماريات المحولات (Transformers): التي تعتمد في جوهرها على آليات الانتباه الذاتي (Self-Attention)، وهي ليست سوى إعادة صياغة معاصرة وموسعة لمبادئ التنشيط التفاعلي المتبادل وتسوية القيود متعددة الأبعاد عبر فضاءات التضمين الموزع.

11.2 النماذج اللغوية الكبيرة (LLMs) كتحقيق عملي للنزعة الاتصالية

تقدم النماذج اللغوية الكبيرة الحديثة (Large Language Models – LLMs مثل GPT-4 و Claude و Gemini) الدليل الأكثر سطوعاً وحسماً على صحة رؤية روميلهارت وماكليلاند حول اللغة والمعرفة. تعتمد هذه النماذج كلياً على التضمينات الاتجاهية الموزعة (Distributed Vector Embeddings)، حيث تُشفر الكلمات والمفاهيم كمتجهات رقمية في فضاءات رياضية تتجاوز آلاف الأبعاد.

تتجلى المبادئ الاتصالية في هذه النماذج عبر الظواهر التالية:

• التعلم الإحصائي دون قواعد صلبة مبرمجة: تكتسب هذه النماذج النحو الصارم، والبلاغة، وقواعد المنطق، والقدرة البرمجية بمجرد التنبؤ الإحصائي بالكلمة التالية عبر تدريب الانتشار الخلفي على مليارات النصوص، محققة نبوءة نموذج الماضي لـ PDP ومثبتة أن السلوك اللغوي المعقد لا يتطلب قواعد توليدية فطرية صريحة.
• انبثاق القدرات الاستدلالية وحل المشكلات: تظهر النماذج قدرات مدهشة في الاستدلال متعدد الخطوات وحل المسائل التناظرية كخواص منبثقة (Emergent Abilities) عن الحجم الهائل للشبكة ومصفوفات الأوزان الموزعة.
• معضلة التفسير و”الصندوق الأسود” (Interpretability Challenge): تواجه هذه النماذج التحدي التاريخي نفسه الذي واجهته شبكات PDP؛ فنظراً لأن المعرفة موزعة عبر تريليونات المعلمات، يصبح من الصعب جداً استخراج “تفسير رمزي خطي” لكيفية اتخاذ النموذج لقرار معين، مما أدى لولادة حقل الميكانيكا التفسيرية (Mechanistic Interpretability) لتفكيك الفضاءات المتجهية.

11.3 الذكاء الاصطناعي القائم على الإلهام العصبي (Neuromorphic AI)

امتد تأثير نموذج المعالجة الموزعة المتوازية من البرمجيات إلى تصميم العتاد الفيزيائي والرقائق الحاسوبية. أدرك مهندسو الحوسبة أن معمارية فون نيومان الرقمية الكلاسيكية أصبحت تشكل عنق زجاجة حاسوبي وبيئي هائل يستهلك طاقات كهربائية خيالية لتنفيذ العمليات المصفوفية المتوازية للشبكات العصبية.

أدى ذلك إلى ولادة الحوسبة المستوحاة من الدماغ (Neuromorphic Computing)، وتصميم رقائق سيليكونية مثل رقاقة TrueNorth من IBM، ورقاقة Loihi من Intel، والدوائر المعتمدة على الميمريستورات (Memristors). تعمل هذه الرقائق على دمج الذاكرة والمعالجة في الموقع الفيزيائي نفسه داخل السيليكون، محاكية المشابك العصبية البيولوجية ومعمارية الـ PDP في إجراء الحسابات الموزعة المتوازية بتكلفة طاقية بالغة الضآلة، مما يقربنا خطوة إضافية نحو محاكاة الكفاءة الطاقية الإعجازية للدماغ البشري (الذي يعمل بقدرة تقارب 20 واط فقط).

12. الخاتمة والآفاق المستقبلية للنزعة الاتصالية في العلوم النفسية المعرفية

12.1 خلاصة الإسهامات العلمية لروميلهارت وماكليلاند

سطر ديفيد إي. روميلهارت وجيمس إل. ماكليلاند واحداً من أخلد الفصول في تاريخ العلوم الإنسانية والمعرفية. لم تقتصر إسهاماتهما على ابتكار خوارزميات رياضية، بل أحدثا تحولاً بارادايغمياً (Paradigm Shift) بالمفهوم الكوني لتوماس كون، حيث نسفا الفكرة الساذجة التي حصرت العقل في صورة حاسوب رقمي يتلاعب بالرموز الجامدة، واستبدلاها برؤية عميقة ترى العقل كنظام ديناميكي بيولوجي معقد، تتراقص فيه أنماط التنشيط عبر شبكات موزعة لتبدع الفكر، واللغة، والخيال.

قدّم إطار الـ PDP للعلوم النفسية المعرفية منهجية بحثية ثورية جعلت من المحاكاة الحاسوبية العصبية أداة مركزية لاختبار النظريات السلوكية بدقة كمية متناهية. لقد رسخ العالمان حقيقة أن السلوك الذكي ليس بحاجة إلى محرك مركزي أو “قزم معرفي” (Homunculus) يقود الدفة داخل الجمجمة، بل هو سيمفونية ذاتية التنظيم تنبثق من البنية الدقيقة للتفاعل الموزع والمتوازي.

12.2 التحديات المعرفية والأسئلة غير المحسومة

على الرغم من الانتصارات الكاسحة للنزعة الاتصالية، لا تزال هناك أسئلة معرفية كبرى وتحديات بنيوية تقف دون حل نهائي وتنتظر الأجيال القادمة من الباحثين:

• معضلة الوعي والخبرة الذاتية الظاهراتية (Qualia): كيف يمكن لمجرد إشارات تنشيط وانحدار تدرج عبر فضاءات متجهية أن تولد الشعور الذاتي الداخلي بالوعي، وتذوق حمرة الوردة، أو تجربة الألم والفرح؟ هل الوعي خاصية منبثقة حتمية لأي شبكة اتصالية معقدة، أم أن هناك حاجة لمبادئ فيزيائية جديدة تتجاوز المعالجة الحسابية؟
• التفكير السببي عالي المستوى والاستدلال المنطقي الصارم: لا تزال الشبكات الاتصالية تعاني أحياناً من الانخداع بالارتباطات الإحصائية السطحية (Spurious Correlations) وتفتقر إلى الفهم السببي العميق وتوليد البراهين الرياضية الصورية الصارمة بموثوقية مطلقة دون أخطاء هلوسة.
• التعلم اللحظي فائق السرعة من عينة واحدة (True One-Shot Learning): على الرغم من إنجازات نموذج CLS، لا يزال التعلم البشري يتفوق جذرياً في القدرة على استيعاب مفاهيم تجريدية كبرى وتعميمها من مثال واحد دون الحاجة لمليارات البيانات التدريبية.

12.3 الرؤية المستقبلية لدراسة العقل البشري

تتجه العلوم المعرفية المعاصرة نحو بناء نظرية موحدة وشاملة للإدراك تتجاوز ثنائيات الماضي وتدمج النزعة الاتصالية مع أطر فكرية رائدة تشمل:

• الإدراك المجسد والممتد (Embodied and Enactive Cognition): النظر إلى الشبكات العصبية ليس كأنظمة مغلقة تعالج مدخلات مجردة، بل كعقول متجسدة في أجساد فيزيائية تتفاعل ديناميكياً مع بيئتها المادية والاجتماعية عبر حركات وأفعال مستمرة.
• إطار المعالجة التنبؤية (Predictive Processing & Active Inference): الذي صاغه رواد مثل كارل فريستون وآندي كلارك، والذي يدمج مبادئ PDP التفاعلية في رؤية ترى الدماغ كـ “آلة تنبؤ بيزية” (Bayesian Prediction Engine) تسعى باستمرار لتقليل طاقة الخطأ التنبئي الحر بين توقعاتها التنازلية ومدخلاتها الحسية الصاعدة.

ستبقى المعالجة الموزعة المتوازية، التي بذر بذرتها الأولى روميلهارت وماكليلاند في عام 1986، المعين النظري والحاسوبي الأعظم الذي نستقي منه فهمنا لكيفية انبثاق معجزة الوعي والذكاء البشري من ركام المادة الصامتة في الدماغ، مرشدةً خطواتنا نحو فك أسرار العقل البشري وصناعة أرقى أشكال الذكاء الاصطناعي الواعي في المستقبل.

المراجع والمصادر الأكاديمية (References)

• Fodor, J. A., & Pylyshyn, Z. W. (1988). Connectionism and cognitive architecture: A critical analysis. Cognition, 28(1–2), 3–71. https://doi.org/10.1016/0010-0277(88)90031-5
• Hebb, D. O. (1949). The Organization of Behavior: A Neuropsychological Theory. John Wiley & Sons.
• Hopfield, J. J. (1982). Neural networks and physical systems with emergent collective computational abilities. Proceedings of the National Academy of Sciences, 79(8), 2554–2558. https://doi.org/10.1073/pnas.79.8.2554
• Marr, D. (1982). Vision: A Computational Investigation into the Human Representation and Processing of Visual Information. W. H. Freeman and Company.
• McClelland, J. L., McNaughton, B. L., & O’Reilly, R. C. (1995). Why there are complementary learning systems in the hippocampus and neocortex: Insights from the successes and failures of connectionist models of learning and memory. Psychological Review, 102(3), 419–457. https://doi.org/10.1037/0033-295X.102.3.419
• McClelland, J. L., & Rumelhart, D. E. (1981). An interactive activation model of context effects in letter perception: Part 1. An account of basic findings. Psychological Review, 88(5), 375–407. https://doi.org/10.1037/0033-295X.88.5.375
• McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. The Bulletin of Mathematical Biophysics, 5(4), 115–133. https://doi.org/10.1007/BF02478259
• Minsky, M., & Papert, S. A. (1969). Perceptrons: An Introduction to Computational Geometry. MIT Press.
• Pinker, S., & Prince, A. (1988). On language and connectionism: Analysis of a parallel distributed processing model of language acquisition. Cognition, 28(1–2), 73–193. https://doi.org/10.1016/0010-0277(88)90032-7
• Rogers, T. T., & McClelland, J. L. (2004). Semantic Cognition: A Parallel Distributed Processing Approach. MIT Press. https://doi.org/10.7551/mitpress/6154.001.0001
• Rosenblatt, F. (1958). The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386–408. https://doi.org/10.1037/h0042519
• Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533–536. https://doi.org/10.1038/323533a0
• Rumelhart, D. E., McClelland, J. L., & the PDP Research Group. (1986). Parallel Distributed Processing: Explorations in the Microstructure of Cognition (Vol. 1: Foundations). MIT Press. https://mitpress.mit.edu/9780262680530/parallel-distributed-processing/
• McClelland, J. L., Rumelhart, D. E., & the PDP Research Group. (1986). Parallel Distributed Processing: Explorations in the Microstructure of Cognition (Vol. 2: Psychological and Biological Models). MIT Press.
• Smolensky, P. (1988). On the proper treatment of connectionism. Behavioral and Brain Sciences, 11(1), 1–23. https://doi.org/10.1017/S0140525X00052432