“認知科學必然以這樣一個信念為基礎：那就是劃分一個單獨的稱之為‘表征層’的分析層是合理的。”[69]在人工智能早期階段，表征（representation）融於計算之中，這對於編程人員和專家係統的領域專家來說都是一件煩瑣的工作。係統程序一旦編好，要想修改就非常困難。並且，不能重複利用已有係統，這在很大程度上浪費了人力和資源，不利於人工智能理論與工程的發展。到了專家係統階段，知識庫和推理機的分離機製，使人工智能表征和計算以相對獨立的姿態在各自領域展開研究。這是人工智能發展史上的一次巨大進步。然而，基於形式係統的人工智能在模擬人類智能過程中，在表征問題上發展非常緩慢，遇到了難以逾越的鴻溝，所有的瓶頸問題最後都落在了理解自然語言的語義問題上。我們認為，基於分解（analysis）的方法是造成人工智能表征瓶頸的關鍵所在。因此，有必要從處理人工智能表征的思想方法入手，探索解決這一難題的可能途徑。
1.分解方法已經成為人工智能表征發展中的瓶頸
自1956年達特茅斯（Dartmouth）會議提出“人工智能”以來，作為人工智能核心技術之一的表征，其發展速度相當緩慢，至今尚未取得重大突破。這是一個值得深刻反思的問題。建立在形式係統之上的人工智能，在處理表征的方法問題上，通常認為“句子的意義由其語法（grammar）以及單詞的意義決定”[70]，而語法“用於製定如何由詞造句的原則”[71]。並且，受喬姆斯基的有限狀態語法（finite-state grammar）、“短語結構語法”（phrase structure grammar）以及“轉換生成語法”（transformational grammar）三個語法模式理論的深刻影響，將句子分解為層次結構的思想成為人工智能表征的主要方法之一。以上述思想為預設，人工智能在處理表征問題時主要采用句法分析（Syntax analysis）、語義分析（Semantic analysis）以及詞匯分析（Lexical analysis）等基於分解的方法。而這些分解方法實現的基礎是首先將句子分解為單詞，計算機才可以采取進一步的智能處理。可見，無論是哪個角度、哪個層麵的處理，人工智能表征所采取的方法都是基於分解思想的。從人工智能理論發展的曆程來看，分解是建立在形式係統之上的人工智能表征的必然選擇。然而，在發展到一定程度之後，分解方法的弊端逐步凸現。因此，思想方法的轉變成為下一步人工智能能否取得突破的關鍵所在。不過，新的方法必然要以分解方法為基礎，我們很難在形式係統上構建完全脫離分解思想的新的表征方法。由此，正確認識分解方法的思想本質成為新方法建立的前提。