连接学派（Connectionism），又称并行分布式处理（Parallel Distributed Processing, PDP），是认知科学和人工智能领域中的一个重要分支。它与传统的符号主义（Symbolism）形成了鲜明对比，代表着一种不同的认知建模方法。连接学派的核心理念，简单来说，就是认为认知过程并非基于对符号的操纵，而是产生于大量相互连接的处理单元之间复杂的交互作用。

这种交互作用并非预先设定的规则，而是通过经验驱动的学习过程逐渐形成的。这与符号主义假设认知系统像计算机一样，拥有预定义的规则和符号处理机制有着本质区别。连接学派强调大脑的神经网络结构是认知的基础，认知能力是通过模拟神经元之间的连接和活动来实现的。

更具体地说，连接学派有以下几个关键理念：

分布式表征：信息不是以单一符号的形式存储，而是分布在整个网络中的多个单元上。每个单元参与表示多种不同的概念，而每个概念又由多个单元的激活模式来共同表示。这种分布式表征方式具有高度的容错性，即使部分单元受损，整个网络仍然可以正常工作。它也使得网络能够处理模糊、不完整的信息，并且更容易泛化到新的情境。想象一下，如果只有一个神经元负责识别“猫”，一旦该神经元受损，就再也无法识别猫了。而分布式表征则避免了这种单点故障。

并行处理：连接网络中的大量处理单元可以同时进行计算，而不是像传统的串行计算机那样，一步一步地执行指令。这种并行性使得网络能够快速地处理复杂的信息，并且能够实时地对环境变化做出反应。大脑的神经元就是以高度并行的方式进行工作的，连接学派正是模拟了这种并行处理的模式。

学习规则：网络中的连接强度不是固定的，而是可以根据经验进行调整。连接学派提出了多种学习算法，例如反向传播算法、赫布规则等，这些算法可以使网络根据输入数据自动地调整连接权重，从而学习到输入数据中的模式和规律。学习的过程本质上就是调整神经元之间的连接强度，从而改变网络的行为。

涌现性质：复杂的认知能力不是由少数几个单元或规则决定的，而是从大量单元之间的简单交互中涌现出来的。这意味着，即使每个单元的行为非常简单，整个网络仍然可以表现出非常复杂的行为。就像蚂蚁 colony 的行为，单个蚂蚁的行为非常简单，但是整个 colony 却可以完成复杂的任务，例如建造复杂的巢穴、寻找食物等。

动态系统：连接网络可以被看作是一个动态系统，其状态随着时间的推移而不断变化。网络的行为不是由静态的规则决定的，而是由网络的当前状态以及输入数据共同决定的。这种动态性使得网络能够适应环境的变化，并且能够产生复杂的行为。

连接学派在认知科学和人工智能领域取得了显著的成就。例如，在模式识别、自然语言处理、机器人控制等领域，连接网络都展现出了强大的能力。尤其是深度学习的兴起，更是将连接学派推向了新的高峰。深度学习模型本质上就是一种复杂的连接网络，它通过多层非线性变换，可以学习到输入数据中的高度抽象的特征，从而实现各种复杂的任务。

连接学派也面临着一些挑战。例如，一些人认为连接网络缺乏可解释性，难以理解其内部的工作机制。此外，连接网络的学习过程通常需要大量的训练数据，这在一些应用场景中可能是一个问题。

尽管如此，连接学派仍然是认知科学和人工智能领域中最有影响力的理论之一。它为我们理解大脑的工作机制、构建智能系统提供了新的视角和方法。连接学派的核心理念强调了分布式表征、并行处理、学习规则、涌现性质和动态系统，这些理念不仅深刻地影响了认知科学和人工智能的发展，也对其他领域产生了重要的影响。