首先，我想有一个很基本的问题。在AI的开始，人们都非常看好该领域的进展，但还没有原来的方式。为什么它是如此的困难？如果你问的神经科学家了解大脑是如此的困难，他们给你非常理智不令人满意的答案，这样的大脑有几十亿个细胞，我们不能从所有这些记录，等等。
乔姆斯基：有东西的。如果你看一看科学的进步，科学是一个连续的种，但它们被分割成多个字段。最大的进步就是在科学学习最简单的系统。所以，说物理-最大的进步。但是的原因之一是，的物理学家有优势，有没有什么其他的科学。如果事情变得太复杂，他们把它交给别人。
像化学家？
乔姆斯基：如果一个分子过大，你给它的化学家。化学家，对他们来说，如果分子过大或系统变得太大，你给它的生物学家。如果它变得太大他们，他们给它的心理学家，和最后结束的文学批评家手中，等等。那么，，神经学家说是不完全虚假的。
不过，这可能是 - 在我看来它已被认为相当振振有词，虽然神经科学家不喜欢它 - 神经科学的过去几百年一直在错误的轨道。本书的一个很好的认知神经科学家，兰迪Gallistel和国王有一个相当新的争论 - 在我看来，振振有词 - 神经科学发展的一种着迷联想主义和相关意见的方式，人类和动物的工作。而且由于他们一直在寻找的东西，有联想心理学心理学的属性。
喜欢赫布可塑性？[ 编者按：A理论，归因于唐纳德·赫布，通过加强神经元之间的突触连接的环境刺激和对刺激的反应之间的关联可以编码。
乔姆斯基：嗯，就像加强突触连接。Gallistel已经被争论了多年，如果你想研究大脑正常，你应该开始，有点像马尔，问什么任务执行。因此，他最感兴趣的昆虫。所以，如果你想学习，蚂蚁说，神经病学，你问蚂蚁做什么呢？事实证明，蚂蚁做相当复杂的事情，比如整合路径，例如。如果你看看蜜蜂，蜜蜂的导航是非常复杂的计算，涉及到太阳的位置，等等等等。但在一般他说的是，如果你看一看在动物的认知，人类也一样，它的计算系统。因此，你要寻找的计算单位。想想一台图灵机，说，这是最简单的计算，你必须要找到单位具有的属性，如“读”，“写”和“地址”。这是最小计算单位，所以你得看在大脑中的那些。你永远不会找到他们，如果你在寻找加强突触连接或字段属性，等等。你一定要开始寻找什么的都有，什么是工作，你看，从Marr的最高水平。
右，但大多数神经科学家不坐下来和描述的输入和输出的问题，他们在学习。他们说，驱动鼠标的学习任务，并记录许多神经元可能，询问是否需要基因X的学习任务，等。这些都是他们的实验中生成的各类报表。
乔姆斯基：这是正确的..
在概念上是有缺陷的吗？
乔姆斯基：嗯，你知道，你可能会得到有用的信息。但实际上是一些计算，涉及计算单位，你不会找到他们的方式。这是一种在错误的灯柱，寻找，整理。这是一个辩论... 我不认为Gallistel的位置是非常广泛的神经科学家之间接受，但它不是一个令人难以置信的位置，它基本上在Marr的分析精神。因此，当你学习愿景，他说，你首先要问的视觉系统进行什么样的计算任务。然后你看一个算法，可能会进行这些计算，最后你寻找的那种，将使算法的工作机制。否则，你可能永远也找不到任何东西。有许多这样的例子，即使是在硬科学，但可以肯定的软科学研究。人们往往会学习你知道如何学习，我的意思是，这是很有意义的。你有一定的实验技术，有一定程度的理解，你试试把信封-这是正常的，我的意思是，它不是一个批评，但人们做什么，你可以做的。另一方面，这是值得思考的，无论你的目标是在正确的方向。它可能是，如果你把大致的马尔Gallistel的角度来看，其中个人而言，我很同情，你会以不同的方式工作，寻找不同类型的实验。
乔姆斯基：嗯，有问题要简单得多。喜欢在麻省理工学院，是一个跨学科的线虫线虫几十年来，据我了解，即使有这样的微乎其微的动物，如果你知道的接线图，我认为有800个神经元，或者什么...对，所以我认为在马尔的核心理念是，像你说的，找到合适的单位来描述问题，排序的权利“的抽象层次”如果你将。因此，如果我们采取一个具体的例子，被称为连接学，神经科学的一个新领域，其目的是要找到非常复杂的有机体的接线图，发现认为，人类大脑皮质，或鼠标皮质中的神经元的连通性。这种方法是由西德尼·布伦纳批评，在许多方面是[历史]该方法的创始人之一。这一领域的倡导者不会停下来问，如果接线图的抽象层次上是正确的 - 这也许不是，所以在那，你有什么看法？