Fodor与Pylyshyn的遗产：神经网络中仍无类人的系统性组合性
人工智能
2026-01-19 v3 机器学习
摘要
针对系统性组合性的强元学习能力正成为应对当今世界复杂多变任务的一项重要技能。然而，在提出用于对新环境进行鲁棒适应的模型时，必须避免对元学习系统的性能做出最终经不起推敲的无根据声明。尽管 Fodor 和 Pylyshyn 曾著名地断言，神经网络本质上缺乏这种能力，因为它们无法对组合表示或结构敏感操作进行建模，因此不是人类心智的可行模型，但 Lake 和 Baroni 最近提出元学习是实现组合性的一种途径。在这篇立场论文中，我们批判性地重新审视了这一声明，并强调了所提出的用于组合性的元学习框架的局限性。我们的分析表明，现代神经元学习系统只能在元学习设置的非常狭隘和严格的定义下（如果有的话）执行此类任务。因此我们声称，“Fodor与Pylyshyn的遗产”依然存在，且迄今为止，神经网络中尚未学习到类人的系统性组合性。
引用
@article{arxiv.2506.01820,
title = {Fodor and Pylyshyn's Legacy: Still No Human-like Systematic Compositionality in Neural Networks},
author = {Tim Woydt and Moritz Willig and Antonia Wüst and Lukas Helff and Wolfgang Stammer and Constantin A. Rothkopf and Kristian Kersting},
journal= {arXiv preprint arXiv:2506.01820},
year = {2026}
}