Neurofilosofie nebo filosofie neurovědy je mezioborové studium neurovědy a filosofie, které zkoumá relevanci neurovědeckých studií k argumentům tradičně kategorizovaným jako filosofie mysli. Filosofie neurovědy se pokouší objasnit neurovědecké metody a výsledky pomocí koncepční přísnosti a metod filosofie vědy.
Zatímco otázka mozku-mysli je stále otevřená diskusi, z pohledu neurofilosofie je pochopení filozofických aplikací objevů neurověd přesto relevantní. I kdyby neurověda nakonec zjistila, že neexistuje příčinný vztah mezi mozkem a myslí, mysl by stále zůstávala epifenoménem mozku a jako taková neurověda by byla stále relevantní pro filosofii mysli. Na druhém konci spektra, pokud neurověda nakonec prokáže dokonalý překryv mezi mozkem a myšlenkovými jevy, neurověda by se stala nepostradatelnou pro studium mysli. Je zřejmé, že bez ohledu na stav debaty mozku-mysli je studium neurovědy relevantní pro filosofii.
Níže je uveden seznam konkrétních otázek důležitých pro Filosofii neurověd:
Nepřímost studia mysli a mozku
Mnohé z metod a technik, které jsou pro neurovědecký objev stěžejní, se opírají o předpoklady, které mohou omezit interpretaci dat. Filozofové neurovědy o takových předpokladech diskutovali při použití funkčního zobrazení magnetické rezonance, disociace v kognitivní neurosychologii, záznamu jedné jednotky a výpočetní neurovědy. Následují popisy mnoha současných kontroverzí a debat o metodách používaných v neurovědě.
Mnoho studií fMRI se silně opírá o předpoklad „lokalizace funkce“ (stejně jako funkční specializace). Lokalizace funkce znamená, že mnoho kognitivních funkcí může být lokalizováno do specifických oblastí mozku. Dobrý příklad funkční lokalizace pochází ze studií motorické kůry mozkové. Zdá se, že v motorické kůře mozkové existují různé skupiny buněk zodpovědných za ovládání různých skupin svalů. Mnoho filozofů neurovědy kritizuje fMRI za to, že se příliš spoléhá na tento předpoklad. Michael Anderson poukazuje na to, že metoda odčítání fMRI postrádá mnoho informací z mozku, které jsou důležité pro kognitivní procesy. Odčítání fMRI ukazuje pouze rozdíly mezi aktivací úkolu a aktivací kontroly, ale mnoho mozkových oblastí aktivovaných v kontrole jsou samozřejmě důležité i pro úkol.
Někteří filozofové zcela odmítají jakoukoliv představu o lokalizaci funkce, a proto se domnívají, že studie fMRI jsou hluboce pomýlené. Tito filozofové tvrdí, že zpracování mozku působí holisticky, že velké části mozku jsou zapojeny do zpracování většiny kognitivních úkolů (viz holismus v neurologii a sekce modularity níže). Jedním ze způsobů, jak pochopit jejich námitku proti myšlence lokalizace funkce, je experiment s opravářem rádia. V tomto myšlenkovém experimentu opravář rádia otevře rádio a vytrhne trubici. Rádio začne hlasitě pískat a opravář rádia prohlásí, že musel vytrhnout anti-pískající trubici. V rádiu ve skutečnosti žádná anti-pískající trubice není a je zřejmé, že opravář rádia zaměnil funkci s účinkem. Tato kritika byla původně zaměřena na logiku používanou v experimentech s neuropsychologickými lézemi na mozku, ale kritika je stále použitelná pro neurozobrazování. Tyto úvahy jsou podobné Van Ordenově a Paapově kritice cirkularity v neurozobrazovací logice. Podle nich neurozobrazovači předpokládají, že tam je jejich teorie kognitivní komponenty parcelace správná a že se tyto komponenty čistě dělí na výkresové moduly. Tyto předpoklady jsou nezbytné pro zdůvodnění jejich odvození lokalizace mozku. Logika je kruhová, jestliže výzkumník pak použije zdání aktivace oblasti mozku jako důkaz správnosti svých kognitivních teorií.
Jiným problematickým metodickým předpokladem v rámci výzkumu fMRI je použití reverzní inference Reverzní inference je situace, kdy se aktivace mozkové oblasti používá k odvození přítomnosti daného kognitivního procesu. Poldrack poukazuje na to, že síla této inference kriticky závisí na pravděpodobnosti, že daný úkol využívá daný kognitivní proces, a na pravděpodobnosti tohoto vzorce aktivace mozku vzhledem k danému kognitivnímu procesu. Jinými slovy, síla reverzní inference je založena na selektivitě použitého úkolu a také na selektivitě aktivace mozkové oblasti. Článek z roku 2011 publikovaný v NY Times byl silně kritizován za zneužití reverzní inference. Ve studii byly účastníkům ukázány fotografie jejich iPhonů a výzkumníci měřili aktivaci inzulínu. Výzkumy braly aktivaci inzulínu jako důkaz pocitů lásky a dospěly k závěru, že lidé své iPhony milují. Kritici rychle poukazovali na to, že inzulín není příliš selektivním kouskem mozkové kůry, a proto není přístupný reverzní inferenci.
Neuropsycholog Max Coltheart posunul problémy s reverzní dedukcí o krok dále a vyzval neurozobrazovače, aby uvedli jeden případ, kdy neurozobrazování informovalo psychologickou teorii Coltheart bere důkazní břemeno jako případ, kdy jsou zobrazovací data mozku v souladu s jednou teorií, ale v rozporu s jinou teorií. Rooskies tvrdí, že Coltheartova ultra kognitivní pozice činí jeho výzvu nevyhratelnou. Protože Coltheart tvrdí, že implementace kognitivního stavu nemá žádný vliv na funkci tohoto kognitivního stavu, pak není možné najít neurozobrazovací data, která by byla schopna komentovat psychologické teorie tak, jak to Coltheart požaduje. Neurozobrazovací data budou vždy odsunuta na nižší úroveň implementace a nebudou schopna selektivně určit tu či onu kognitivní teorii. V článku z roku 2006 Richard Henson navrhuje, že dopřednou dedukci lze použít k dedukci disociace funkce na psychologické úrovni. Navrhuje, že tyto druhy inferencí lze učinit, pokud dojde ke křížení aktivace mezi dvěma typy úkolů ve dvou mozkových oblastech a nedojde ke změně aktivace v oblasti vzájemné kontroly.
Poslední předpoklad, který stojí za zmínku, je předpoklad čistého vkládání do fMRI. Předpoklad čistého vkládání je předpoklad, že jeden kognitivní proces může být vložen do jiné sady kognitivních procesů, aniž by došlo k ovlivnění fungování zbytku. Pokud byste například chtěli najít oblast mozku s porozuměním čtení, mohli byste skenovat účastníky, zatímco jim bylo předloženo slovo a zatímco jim bylo předloženo jiné slovo (např. „Floob“). Pokud vyvodíte, že výsledný rozdíl v mozkovém vzorci představuje oblasti mozku zapojené do porozumění čtení, předpokládali jste, že tyto změny neodrážejí změny v obtížnosti úkolů nebo diferenciální nábor mezi úkoly. Termín čistého vkládání zavedl Donders jako kritiku metod reakčního času.
Nedávno začali výzkumníci používat novou funkční zobrazovací techniku zvanou klidová funkční konektivita MRI. Mozky subjektů jsou snímány, zatímco subjekt nečinně sedí ve skeneru. Při pohledu na přirozené fluktuace v tučném obrazci, zatímco subjekt je v klidu, mohou výzkumníci vidět, které oblasti mozku se v aktivaci společně liší. Mohou použít vzorce kovariance ke konstrukci map funkčně propojených oblastí mozku. Stojí za zmínku, že název „funkční konektivita“ je poněkud zavádějící, protože data naznačují pouze kovariaci. Přesto je to mocná metoda pro studium velkých sítí v celém mozku. Je třeba se zabývat několika důležitými metodologickými otázkami. Zaprvé existuje mnoho různých možných mapování mozku, které by mohly být použity k definování oblastí mozku pro síť. Výsledky by se mohly výrazně lišit v závislosti na zvolené oblasti mozku. Za druhé, jaké matematické techniky nejlépe charakterizují tyto mozkové oblasti?
Zajímavé oblasti mozku jsou poněkud omezeny velikostí voxelů. Rs-fcMRI používá voxely, které jsou o několik milimetrů krychlových kratší, takže oblasti mozku budou muset být definovány ve větším měřítku. Dvě ze statistických metod, které se běžně používají pro analýzu sítě, mohou pracovat v měřítku jednoho voxelu, ale metody teorie grafů jsou extrémně citlivé na způsob, jakým jsou uzly definovány. Oblasti mozku mohou být rozděleny podle jejich buněčné architektury, podle jejich konektivity, nebo podle fyziologických měřítek. Případně můžete zvolit teoreticky neutrální přístup a náhodně rozdělit kůru mozkovou na oddíly o velikosti, kterou si vyberete. Jak již bylo zmíněno, existuje několik přístupů k analýze sítě, jakmile jsou definovány oblasti vašeho mozku. Analýza založená na semenech začíná předem definovanou semennou oblastí a najde všechny oblasti, které jsou funkčně spojeny s touto oblastí. Wig a kol. upozorňují, že výsledná struktura sítě neposkytne žádné informace týkající se vzájemné propojenosti identifikovaných oblastí nebo vztahů těchto oblastí s jinými oblastmi než oblastí semen. Jiným přístupem je použít nezávislou analýzu komponent k vytvoření prostorově-časových map komponent a komponenty jsou tříděny podle komponent, které nesou zajímavé informace, a těch, které jsou způsobeny šumem. Wigs a kol. opět upozorňují, že vyvozování závěrů o funkčních komunitách mozkových oblastí je podle ICA obtížné. ICA má také problém s uložením ortogonality na data. Teorie grafů používá matici k charakterizaci kovariance mezi oblastmi, která je pak transformována do mapy sítě. Problém s analýzou teorie grafů je, že mapování sítě je silně ovlivněno a priori mozkovou oblastí a propojeností (uzly a hrany), takže výzkumník je ohrožen vybíráním oblastí a spojení podle svých vlastních teorií. Analýza teorie grafů je však nesmírně cenná, protože je to jediná metoda, která dává párové vztahy mezi uzly. ICA má navíc výhodu, že je poměrně principiální metodou. Zdá se, že použití obou metod bude důležité při odkrývání síťové konektivity mozku. Mumford a kol. doufali, že se těmto problémům vyhnou a použijí principiální přístup, který by mohl určit párové vztahy pomocí statistické techniky převzaté z analýzy sítí genové koexprese.
Disociace v kognitivní neuropsychologii
Mnoho teoretiků kritizuje kognitivní neuropsychologii za její závislost na dvojité disociaci. V jedné široce citované studii Joula a Plunkett použili modelový konektionistický systém, aby prokázali, že dvojitá disociace chování může nastat prostřednictvím náhodných lézí jednoho modulu. Vytvořili vícevrstvý konektionistický systém trénovaný na výslovnost slov. Opakovaně simulovali náhodné zničení uzlů a spojení v systému a zakreslili výsledný výkon na rozptylový graf. Výsledky ukázaly nedostatky v nepravidelné výslovnosti podstatného jména s ušetřenou pravidelnou výslovností slovesa v některých případech a nedostatky v pravidelné výslovnosti slovesa s ušetřenou nepravidelnou výslovností podstatného jména. Tyto výsledky naznačují, že jediný případ dvojité disociace je nedostatečný k tomu, aby ospravedlnil dedukci na více systémů.
Charta nabízí teoretický případ, kdy logika dvojí disociace může být chybná. Jestliže dva úkoly, úkol A a úkol B, používají téměř všechny stejné systémy, ale liší se každý o jeden vzájemně se vylučující modul, pak selektivní léze těchto dvou modulů by zřejmě naznačovala, že A a B používají různé systémy. Charta používá příklad někoho, kdo je alergický na arašídy, ale ne na krevety, a někoho, kdo je alergický na krevety a ne na arašídy. Tvrdí, že logika dvojí disociace vede k závěru, že arašídy a krevety jsou tráveny různými systémy. John Dunn nabízí další námitku proti dvojí disociaci. Tvrdí, že je snadné prokázat existenci skutečného deficitu, ale obtížné prokázat, že jiná funkce je skutečně ušetřena. Jak se bude hromadit více dat, hodnota vašich výsledků se bude sbíhat na velikosti efektu nula, ale vždy bude kladná hodnota větší než nula, která má větší statistickou sílu než nula. Proto není možné mít plnou jistotu, že daná dvojí disociace skutečně existuje.
Z jiného soudku, Alphonso Caramazza uvedl principiální důvod pro odmítnutí použití skupinových studií v kognitivní neuropsychologii. Studie pacientů s poškozeným mozkem mohou mít buď podobu jediné případové studie, ve které je chování jedince charakterizováno a použito jako důkaz, nebo skupinových studií, ve kterých je chování skupiny pacientů vykazujících stejný deficit charakterizováno a zprůměrováno. Aby mohl výzkumník ospravedlnit seskupení souboru údajů o pacientech dohromady, musí vědět, že skupina je homogenní, že jejich chování je ekvivalentní ve všech teoreticky smysluplných ohledech. U pacientů s poškozeným mozkem toho lze dosáhnout až dodatečně analýzou vzorců chování všech jedinců ve skupině. Podle Caramazzy je tedy jakákoli skupinová studie buď ekvivalentní souboru jednotlivých případových studií, nebo je teoreticky neopodstatněná. Newcombe a Marshall poukázali na to, že existují určité případy (jako příklad používají Geschwindův syndrom) a že skupinové studie mohou stále sloužit jako užitečná heuristika v kognitivních neuropsychologických studiích.
V neurovědě se běžně chápe, že informace jsou v mozku zakódovány podle vzorců výboje neuronů. Mnoho filozofických otázek kolem neurálního kódu souvisí s otázkami reprezentace a výpočtu, které jsou rozebrány níže. Existují další metodologické otázky včetně toho, zda neurony reprezentují informace prostřednictvím průměrné rychlosti výboje nebo zda existuje informace reprezentovaná časovou dynamikou. Existují podobné otázky o tom, zda neurony reprezentují informace jednotlivě nebo jako populace.
Výpočetní neurověda
Mnoho filozofických kontroverzí kolem výpočetní neurovědy zahrnuje roli simulace a modelování jako vysvětlení. Carl Craver byl obzvláště hlasitý ohledně takových interpretací. Jones a Love napsali obzvláště kritický článek zaměřený na Bayesovské behaviorální modelování, který neomezoval parametry modelování psychologickými nebo neurologickými úvahami
Eric Winsberg psal o roli počítačového modelování a simulace ve vědě obecně, ale jeho charakterizace je použitelná pro výpočetní neurovědu.
Výpočty a reprezentace v mozku
Počítačová teorie mysli je v neurovědě rozšířená od kognitivní revoluce v šedesátých letech. Tato část začne historickým přehledem výpočetní neurovědy a poté se bude zabývat různými protichůdnými teoriemi a kontroverzemi v rámci oboru.
Počítačová neurověda začala ve třicátých a čtyřicátých letech 20. století se dvěma skupinami výzkumníků. První skupinu tvořili Alan Turing, Alonzo Church a Otto Von Newman, kteří pracovali na vývoji výpočetních strojů a matematických základů počítačové vědy. Tato práce vyvrcholila teoretickým vývojem takzvaných Turingových strojů a Church-Turingovou tezí, která formalizovala matematický základ teorie vyčíslitelnosti. Druhá skupina se skládala z Warrena McChullocha a Waltera Pittse, kteří pracovali na vývoji prvních umělých neuronových sítí. McCulloch a Pitts byli první, kdo vyslovili hypotézu, že neurony by mohly být použity k implementaci logického kalkulu, který by mohl vysvětlit poznávání. Používali své neurony jako hračky k vývoji logických bran, které by mohly tvořit výpočty. Nicméně tento vývoj se nepodařilo prosadit v psychologických vědách a neurovědě až do poloviny padesátých a šedesátých let.
Behaviorismus ovládal psychologii až do 50. let, kdy nový vývoj v různých oborech převrátil behavioristickou teorii ve prospěch kognitivní teorie. Od počátku kognitivní revoluce hrála výpočetní teorie hlavní roli v teoretickém vývoji. Minskyho a McCarthyho práce v oblasti umělé inteligence, Newellovy a Simonovy počítačové simulace a Noamovo Chomského importování teorie informace do lingvistiky byly všechny silně závislé na výpočetních předpokladech. Začátkem 60. let Hilary Putnamová argumentovala ve prospěch strojového funkcionalismu, v němž mozek vytvářel Turingovy stroje. V tomto bodě byly výpočetní teorie pevně zakotveny v psychologii a neurovědě.
V polovině 80. let začala skupina výzkumníků používat vícevrstvé přenosové analogové neuronové sítě, které mohly být vycvičeny k provádění různých úkolů. Práce výzkumníků jako Sejnowski, Rosenberg, Rumelhart a McClelland byla označena jako konektionismus a tato disciplína od té doby pokračuje. Konektonistické myšlení přijali za své Paul a Patricia Churchlandovi, kteří pak vyvinuli svou „sémantiku stavového prostoru“ pomocí konceptů z konektionistické teorie. Konektionismus odsoudili také výzkumníci jako Fodor, Pylyshyn a Pinkner. O napětí mezi konektionisty a klasiky se diskutuje dodnes.
Jedním z důvodů, proč jsou výpočetní teorie přitažlivé, je to, že počítače mají schopnost manipulovat s reprezentacemi, aby poskytly smysluplný výstup. Digitální počítače používají řetězce 1s a 0s, aby reprezentovaly obsah, jako je tato stránka Wikipedie. Většina kognitivních vědců předpokládá, že naše mozky používají nějakou formu reprezentačního kódu, který je nesen v palebných vzorcích neuronů. Zdá se, že výpočetní účty nabízejí snadný způsob, jak vysvětlit, jak naše mozky nesou a manipulují s vjemy, myšlenkami, pocity a činy, které tvoří naši každodenní zkušenost. Zatímco většina teoretiků tvrdí, že reprezentace je důležitou součástí poznávání, přesná povaha této reprezentace je vysoce diskutovaná. Dva hlavní argumenty pocházejí od obhájců symbolických reprezentací a obhájců asociaciocionistických reprezentací.
Symbolické reprezentační účty byly proslule prosazovány Fodorem a Pinknerem. Symbolické znázornění znamená, že objekty jsou reprezentovány symboly a jsou zpracovávány pomocí manipulací řízených pravidly, které jsou pocitem konstitutivní struktury. Skutečnost, že symbolické znázornění je citlivé na strukturu reprezentací, je hlavní součástí jeho přitažlivosti. Fodor navrhl Jazyk myšlenkové hypotézy, ve kterém jsou mentální reprezentace manipulovány stejným způsobem, jakým je jazyk syntakticky manipulován za účelem vytvoření myšlenky. Podle Fodora jazyk myšlenkové hypotézy vysvětluje systematičnost a produktivitu viděnou jak v jazyce, tak v myšlení.
Asociativistické reprezentace jsou nejčastěji popisovány pomocí konektionistických systémů. V konektionistických systémech jsou reprezentace rozmístěny napříč všemi uzly a spojovacími váhami systému, a proto jsou označovány jako sub symbolické. Stojí za zmínku, že konektionistický systém je schopen implementovat symbolický systém. Existuje několik důležitých aspektů neuronových sítí, které naznačují, že distribuované paralelní zpracování poskytuje lepší základ pro kognitivní funkce než symbolické zpracování. Za prvé, inspirace pro tyto systémy pocházela ze samotného mozku, což naznačuje biologickou relevanci. Za druhé, tyto systémy jsou schopny ukládat obsahovou adresovatelnou paměť, což je mnohem efektivnější než vyhledávání paměti v symbolických systémech. Za třetí, neuronové sítě jsou odolné vůči poškození, zatímco i menší poškození může vyřadit symbolický systém. A konečně, měkká omezení a zobecnění při zpracování nových podnětů umožňují sítím chovat se flexibilněji než symbolické systémy.
Churchlandové popsali reprezentaci v konektonistickém systému z hlediska stavového prostoru. Obsah systému je reprezentován n-rozměrným vektorem, kde n= počet uzlů v systému a směr vektoru je určen aktivačním vzorcem uzlů. Fodor tento způsob reprezentace odmítl s odůvodněním, že dva různé konektonistické systémy nemohou mít stejný obsah. Další matematická analýza konektonistického systému spočívala v tom, že konektonistické systémy, které by mohly obsahovat podobný obsah, by mohly být graficky zmapovány tak, aby odhalily shluky uzlů, které byly důležité pro reprezentaci obsahu. Bohužel pro Churchlandy nebylo srovnání stavových vektorů přístupné tomuto typu analýzy. Nedávno Nicholas Shea nabídl vlastní účet pro obsah v konektonistických systémech, který využívá koncepty vyvinuté pomocí clusterové analýzy.
Výpočetní neurověda se hlásí k pozici, že mozek je nějaký druh počítače, ale co to znamená být počítačem? Definice výpočtu musí být dostatečně úzká, abychom omezili počet objektů, které lze nazývat počítači. Například by se mohlo zdát problematické mít definici dostatečně širokou, aby umožnila zapojení žaludků a meteorologických systémů do výpočtů. Je však také nutné mít definici dostatečně širokou, aby umožnila výpočet všem širokým variantám výpočetních systémů. Pokud by se například definice výpočtu omezila na syntaktickou manipulaci se symbolickými reprezentacemi, pak by většina konektionistických systémů nebyla schopna počítat. Rick Grush rozlišuje mezi výpočtem jako nástrojem pro simulaci a výpočtem jako teoretickým postojem v kognitivní neurovědě. Pro první případ platí, že cokoliv, co lze výpočetně modelovat, se počítá jako výpočet. V druhém případě je mozek výpočetní funkcí, která je v tomto ohledu odlišná od systémů, jako jsou dynamické systémy tekutin a oběžné dráhy planet. Výzvou pro každou výpočetní definici je udržet oba smysly odlišné.
Alternativně se někteří teoretici rozhodnou přijmout úzkou nebo širokou definici z teoretických důvodů. Pancomputationalismus je postoj, že vše lze říci k počítání. Tento názor kritizoval Piccinini s odůvodněním, že taková definice činí výpočet triviálním do té míry, že je oloupen o svou vysvětlující hodnotu.
Nejjednodušší definice výpočtů spočívá v tom, že systém lze označit za výpočetní, když lze výpočetní popis namapovat na fyzický popis. To je extrémně široká definice výpočtů a končí to souhlasem s jistou formou pancomputacionalismu. Putnam a Searle, kterým je tento názor často připisován, tvrdí, že výpočet je spojen s pozorovatelem. Jinými slovy, pokud chcete na systém pohlížet jako na výpočetní, pak můžete říci, že je výpočetní. Piccinini poukazuje na to, že podle tohoto názoru je nejen všechno výpočetní, ale také všechno je výpočetní v neurčitém počtu způsobů. Vzhledem k tomu, že je možné na daný systém aplikovat neurčitý počet výpočetních popisů, systém nakonec vypočítá neurčitý počet úkolů.
Nejčastějším pohledem na výpočet je sémantický účet výpočtu. Sémantické přístupy používají podobný pojem výpočtu, jako se mapování přibližuje s přidaným omezením, že systém musí manipulovat s reprezentacemi se sémantickým obsahem. Všimněte si z dřívější diskuse o reprezentaci, že jak Churchlandovy konektionistické systémy, tak Fodorovy symbolické systémy používají tento pojem výpočtu. Ve skutečnosti je Fodor proslule cerditován výrokem „Žádné výpočty bez reprezentace“. Výpočetní stavy mohou být individuovány externalizovaným apelem na obsah v širokém smyslu (tj. objekt ve vnějším světě) nebo internalistickým apelem na obsah v úzkém smyslu (obsah definovaný vlastnostmi systému). Pro fixaci obsahu reprezentace je často nutné apelovat na informace obsažené v systému.
Grush poskytuje kritiku sémantického účtu. Poukazuje na tento apel na informační obsah systému, aby demonstroval reprezentaci systémem. Používá svůj šálek kávy jako příklad systému, který obsahuje informace, jako je tepelná vodivost šálku kávy a doba od nalití kávy, ale je příliš obyčejný na to, aby počítal v nějakém robustním smyslu. Sémantičtí informatici se snaží uniknout této kritice apelem na evoluční historii systému. Tomu se říká biosémantický účet. Grush používá příklad svých nohou a říká, že tímto účtem by jeho nohy nevypočítávaly množství jídla, které snědly, protože jejich struktura nebyla evolučně vybrána pro tento účel. Grush odpovídá na apel na biosémantiku myšlenkovým experimentem. Představte si, že blesk někde udeří do bažiny a vytvoří přesnou kopii vás. Podle biosémantického účtu by tato bažina – vy nebyli schopni výpočtu, protože neexistuje žádná evoluční historie, kterou by bylo možné zdůvodnit přiřazení reprezentačního obsahu. Představa, že u dvou fyzicky identických struktur lze říci, že jedna je výpočetní, zatímco druhá ne, by měla být pro každého fyzika znepokojující.
Existují také syntaktické nebo strukturální účty pro výpočty. Tyto účty se nemusí spoléhat na reprezentaci. Nicméně je možné použít strukturu i reprezentaci jako omezení při výpočtovém mapování. Shagrir identifikuje několik filozofů neurovědy, kteří zastávají strukturální účty. Podle něj Fodor a Pylyshyn vyžadují nějaký druh syntaktického omezení pro jejich teorii výpočtů. To je v souladu s jejich odmítáním konektonistických systémů z důvodu systematičnosti. Také identifikuje Piccininiho jako strukturalistu, který cituje jeho práci z roku 2008: „generování výstupních řetězců číslic ze vstupních řetězců číslic v souladu s obecným pravidlem, které závisí na vlastnostech řetězců a (možná) na vnitřním stavu systému“. I když Piccinini nepochybně zastává v této práci strukturalistické názory, tvrdí, že mechanistické účty výpočtů se vyhýbají odkazu buď na syntaxi nebo reprezentaci. Je možné, že si Piccinini myslí, že existují rozdíly mezi syntaktickými a strukturálními účty výpočtů, které Shagrir nerespektuje.
Piccinini ve svém pohledu na mechanistické výpočty tvrdí, že funkční mechanismy zpracovávají vozidla způsobem citlivým na rozdíly mezi různými částmi vozidla, a lze tedy říci, že obecně počítají. Tvrdí, že tato vozidla jsou středně nezávislá, což znamená, že mapovací funkce bude stejná bez ohledu na fyzické provedení. Počítačové systémy mohou být rozlišeny na základě struktury vozidla a mechanistická perspektiva může vysvětlovat chyby ve výpočtech.
Teorie dynamických systémů se prezentuje jako alternativa k výpočetním vysvětlením poznávání. Tyto teorie jsou neochvějně anti-výpočetní a anti-reprezentační. Dynamické systémy jsou definovány jako systémy, které se mění v průběhu času v souladu s matematickou rovnicí. Teorie dynamických systémů tvrdí, že lidské poznávání je dynamický model ve stejném smyslu, výpočetní technik tvrdí, že lidská mysl je počítač. Obvyklá námitka vznesená v teorii dynamických systémů je, že dynamické systémy jsou vypočitatelné, a tudíž podmnožinou výpočetní techniky. Van Gelder rychle poukazuje na to, že je velký rozdíl mezi tím být počítačem a být vypočitatelný. Udělat definici výpočetní techniky dostatečně širokou, aby zahrnovala dynamické modely, by účinně zahrnovalo pancomputacionalismus.
Vysvětlení v neurovědě
Smith chce vědět, proč myčka nefunguje. Jones mu řekne, že světla v suterénu musí být zapnutá, než myčka začne fungovat. Smith nechápe souvislost mezi fungováním myčky a stavem světel v suterénu, a tak mu Jones vysvětlí, že myčka je napojena na světla v suterénu v sériovém okruhu. To je příklad mechanického vysvětlení. Aby Jones vysvětlil fenomén nefunkční myčky, musí se odvolat na nižší komponenty obvodového procesu, jako je vypínač a kabeláž. Jones se musí odvolat na organizaci těchto komponentů, tj. na sériovou organizaci obvodu. Jones se také musí odvolat na kauzální aspekt, vypínač zapnutý dokončí obvod, a tím umožní proudění energie do myčky. Poté, co Jones vysvětlí tyto aspekty mechanismu, je Smith schopen pochopit souvislost mezi myčkou a světly v suterénu. Tento příklad, i když nedokonalý, pomáhá ilustrovat mechanistické vysvětlení.
Mechanistické vysvětlení funguje tak, že se odvolává na kauzální strukturu nějakého systému nebo procesu. Pokouší se demonstrovat, jak spolu jednotlivé části a jejich činnosti kauzálně interagují, aby vysvětlily schopnosti daného jevu. Pochopení mechanismů, které vedou ke vzniku jevu, je podle mechanistického vysvětlení nezbytné k vysvětlení jevu. Existují čtyři důležité aspekty mechanismů: fenomenální, komponentní, kauzální a organizační aspekty. Fenomenální aspekt zahrnuje, že mechanismus musí něco dělat. Komponentiální aspekt zahrnuje potřebu, aby mechanismus mohl být rozdělen na jednotlivé části. Kauzální aspekt zahrnuje komponentní části mechanismu, které potřebují kauzálně interagovat mezi sebou. A konečně, organizační aspekt zahrnuje potřebu komponent prostorově a časově uspořádat správným způsobem, aby vznikl nějaký jev.
Současnou kauzálně-mechanistickou formu vysvětlení vyvinul Wesley C. Salmon. Salmon kladl důraz na ontický pohled na vysvětlení. ontický pohled obsahuje čtyři důležité argumenty. Zaprvé, kauzální struktury spojené s jevem explanandum tvoří základ objektivních vysvětlení. Zadruhé, vysvětlení tyto struktury popisují. Zatřetí, ontický smysl pro vysvětlení je zásadní pro všechny ostatní formy. Konečně, filozofický pokrok v teoriích vysvětlení bude charakterizovat normy vysvětlení. ontická koncepce umožňuje mechanistickým vysvětlením poukazovat na reálné jevy, i když vysvětlení není dostatečně přesné nebo obsahuje nepřesné informace. Carl Craver se odklání od Salmonova mechanistického pojetí kauzality. Salmon pohlíží na kauzalitu jako na výměnu konzervovaných veličin na křižovatkách světových čar. Craver pohlíží na kauzalitu z manipulationistického pohledu. Z této perspektivy kauzální relevance v mechanismu zahrnuje vidění změn v chování modulu X při zásahu do modulu Y. Tento pohled na kauzalitu je velmi přístupný vědeckým objevům, protože celým cílem experimentování je změna hodnot nezávislé proměnné a měření změn v závislé proměnné.
Zastánci teorie dynamických systémů tvrdí, že dynamické systémy nejsou přístupné mechanistickým vysvětlením. Tito teoretici měří vzorce chování a výsledky přizpůsobují matematické rovnici. Vysvětlující síla těchto výsledků vychází ze schopnosti modelu předpovídat budoucí vzorce chování, a tak se podobají pokrývajícím vysvětlením zákonů.
Mechaničtí filozofové kritizují prediktivistická vysvětlení na základě toho, že matematické modely nejsou uspokojivým vysvětlením, protože nemohou rozlišovat mezi tím, jak by systém mohl případně fungovat a jak systém skutečně funguje. Existuje mnoho různých fyzikálních systémů, které by mohly dát stejné behaviorální výsledky. Spoléháním na modely jako základ pro vysvětlení nebude teorie nikdy schopna identifikovat systém, který ve skutečnosti instancí matematických výsledků je.