Пусть имеется некий комплекс поведенческих актов, поведенческая функция, или поведение F, и для решения некоторой практической задачи требуется построить модель этого поведения. Исследователь, работающий на нейронном уровне, попытается найти нейронную структуру, ответственную за формирование F, изучить ее и построить модель этой структуры S. Функционирование модели S и должно воспроизводить поведение F. Недостатки схемы S—>F связаны с тем, что нейронный уровень описания слишком далек от поведенческого и построить модель S удается, как правило, только в тех случаях, когда функция F достаточно проста.
Исследователь, пользующийся приемами эвристического программирования, подойдет к задаче иным образом. Он исследует протоколы экспериментов с испытуемыми, реализующими поведение F, построит гипотезу о структуре их мыслительных операций и воплотит эту гипотезу в модели Р — модели процессов формирования поведения F. Уровень процессов ближе к уровню поведения, поэтому схема P—>F позволяет строить модели сравнительно сложных форм поведения. Но и здесь эта сложность ограничена способностью испытуемого описывать ход своих рассуждений и способностью исследователя корректно интерпретировать протоколы.
Недостатки обоих подходов и пытается преодолеть эвристическое моделирование. Пусть поведение F весьма сложно. Действия исследователя, работающего в области эвристического моделирования, будут строиться следующим образом. Прежде всего, он изучит нейронные механизмы, ответственные за формирование F. Из-за сложности F ему, скорее всего, не удастся локализовать отдельные нейронные структуры, ответственные за F, и построенная структура будет описывать лишь некоторые наиболее существенные свойства нейронного аппарата. При построении такой гипотезы будут широко использованы данные нейрофизиологии и физиологии мозга. Затем будет построена модель гипотезы S. Однако модель еще не будет пригодна для воссоздания F, она окажется лишь аппаратом для решения этой задачи.
Следующий этап работы связан с изучением процессов формирования F. Здесь исследователь, опираясь на методики эвристического программирования, попытается построить конструктивную гипотезу о структуре процессов. Однако сложность поведения F сделает построение такой гипотезы невозможным. (Если этого не случится, то для решения задачи использовать эвристическое моделирование вообще не нужно: возможностей эвристического программирования вполне достаточно.) Гипотеза, следовательно, будет построена не столько на основе экспериментальных исследований, сколько на базе данных тех разделов психологии, в компетенцию которых вход изучение форм поведения, характерных для F. В настоящее время психология является преимущественно качественной наукой. Поэтому и модель Р построенной гипотезы будет иметь качественный характер, т. е. модель Р будет концептуальной моделью.
Итак, теперь имеем ситуацию, в которой, с одной стороны, известно, что именно вложить в разрабатываемую модель F (это «что» 1 зафиксировано в модели Р), а с другой — известно, как именно строить модель F (это «как» представлено моделью S, составляющей аппарат моделирования). Очередной этап работы и состоит в том, что исследователь реализует Р с помощью S. Созданная модель представляет собой разновидность нейроноподобной сети и, как все такие сети, может быть реализована либо в виде компьютерной программы, либо в виде специализированного физического устройства. В последнем случае наиболее полно проявляются достоинства нейроноподобных сетей, связанные с их способностью осуществлять параллельные процессы переработки информации.
Созданная модель может быть подвергнута экспериментальному исследованию, в ходе которого она должна демонстрировать поведение, близкое к F. Однако, продвигаясь по цепочке 5—> P—>F, исследователь вынужден сделать целый ряд эвристических предположений. Поэтому можно обнаружить, что между поведением модели и желаемым поведением F имеются существенные различия. Анализируя их, исследователь корректирует исходные гипотезы, вносит соответствующие изменения в модели S и Р, вновь выделяет различия и в ходе таких последовательных приближений доводит модель до приемлемой по условиям задачи степени адекватности.