“认知科学必然以这样一个信念为基础：那就是划分一个单独的称之为‘表征层’的分析层是合理的。”[69]在人工智能早期阶段，表征（representation）融于计算之中，这对于编程人员和专家系统的领域专家来说都是一件烦琐的工作。系统程序一旦编好，要想修改就非常困难。并且，不能重复利用已有系统，这在很大程度上浪费了人力和资源，不利于人工智能理论与工程的发展。到了专家系统阶段，知识库和推理机的分离机制，使人工智能表征和计算以相对独立的姿态在各自领域展开研究。这是人工智能发展史上的一次巨大进步。然而，基于形式系统的人工智能在模拟人类智能过程中，在表征问题上发展非常缓慢，遇到了难以逾越的鸿沟，所有的瓶颈问题最后都落在了理解自然语言的语义问题上。我们认为，基于分解（analysis）的方法是造成人工智能表征瓶颈的关键所在。因此，有必要从处理人工智能表征的思想方法入手，探索解决这一难题的可能途径。
1.分解方法已经成为人工智能表征发展中的瓶颈
自1956年达特茅斯（Dartmouth）会议提出“人工智能”以来，作为人工智能核心技术之一的表征，其发展速度相当缓慢，至今尚未取得重大突破。这是一个值得深刻反思的问题。建立在形式系统之上的人工智能，在处理表征的方法问题上，通常认为“句子的意义由其语法（grammar）以及单词的意义决定”[70]，而语法“用于制定如何由词造句的原则”[71]。并且，受乔姆斯基的有限状态语法（finite-stategrammar）、“短语结构语法”（phrasestructuregrammar）以及“转换生成语法”（transformationalgrammar）三个语法模式理论的深刻影响，将句子分解为层次结构的思想成为人工智能表征的主要方法之一。以上述思想为预设，人工智能在处理表征问题时主要采用句法分析（Syntaxanalysis）、语义分析（Semanticanalysis）以及词汇分析（Lexicalanalysis）等基于分解的方法。而这些分解方法实现的基础是首先将句子分解为单词，计算机才可以采取进一步的智能处理。可见，无论是哪个角度、哪个层面的处理，人工智能表征所采取的方法都是基于分解思想的。从人工智能理论发展的历程来看，分解是建立在形式系统之上的人工智能表征的必然选择。然而，在发展到一定程度之后，分解方法的弊端逐步凸现。因此，思想方法的转变成为下一步人工智能能否取得突破的关键所在。不过，新的方法必然要以分解方法为基础，我们很难在形式系统上构建完全脱离分解思想的新的表征方法。由此，正确认识分解方法的思想本质成为新方法建立的前提。
第一，分解思想是造成人工智能表征各种瓶颈问题的理论根源
