Episode 12: Artificial Intelligence vs Artificial General Intelligence
37:39 Share

<context>第12集：人工智能与人工通用智能 在上一集中，我们展示了根据物理法则，人工通用智能是可能的。本集是关于对人工通用智能感兴趣的计算机科学家之间的三部分小组讨论的第一部分。布鲁斯和卡米欧与丹尼斯·哈克塔尔、埃拉·霍普纳和塔查波尔·萨拉努拉克一起参与讨论，他们都对人工通用智能和卡尔·波普尔的认识论感兴趣，并相信波普尔的理论可以为发现人工通用智能提供启示。

<raw_text>0 好的，欢迎来到《任何理论》播客。今天我们将讨论人工通用智能，我们今天有很多嘉宾，所以让我们逐个介绍自己。卡米欧，你先来吧？当然，你是节目的常客。是的，我是节目的常客，我是卡米欧。我认识布鲁斯已经很多年了。我

我在盐湖城管理一家软件公司，尽管“人工智能”这个词在科技界被频繁提及，但我对实际的人工智能知之甚少。好的。那么，这将是一个很好的地方，至少可以理解人工智能与人工通用智能之间的区别。埃拉，为什么不给我们做个介绍呢？

嗨，我是埃拉·霍普纳。我是一名软件工程师。我在弗吉尼亚理工大学获得了计算机科学的学士学位。我对人工智能和人工通用智能的兴趣可以追溯到我记事以来。大约四五年前，我读了大卫·多伊奇的《无限的开始》。从那时起，我就对人工通用智能产生了某种痴迷。

我正在提出一些关于人工通用智能的批判性理性主义理论。这就是我对这个主题的兴趣是如何开始的，这也是我在过去几年中一直关注的主要话题之一。

谢谢。埃拉，你的理论叫什么名字？我目前称我的理论为CTP理论，这是一个首字母缩略词，现在并不真正代表任何东西，但这是我坚持的名称，因为我没有更好的选择。好的。所以是的，埃拉有自己的人工通用智能理论，她一直在积极努力解决问题并改进。因此，这也是我邀请她参加这个话题的原因之一。好的，丹尼斯，为什么不介绍一下自己？

是的，嗨。我叫丹尼斯。我是一名软件工程师，多年来一直对认识论和人工通用智能感兴趣。这一切始于2015年，我在听完大卫·多伊奇在山姆·哈里斯播客上的节目后，读了《无限的开始》。从那时起，我就对这个话题产生了浓厚的兴趣。好的，谢谢。丹尼斯有一本书叫《智能之窗》，这就是我知道他对人工通用智能着迷的原因，这也是我邀请他参加节目的原因。是的。

塔查波尔，为什么不介绍一下自己？当然。我是塔查波尔。我现在是TTIC的一名研究助理教授。但我很快会搬到密歇根州安娜堡，成为那里的助理教授。所以我从事

算法设计的研究，比如为大数据设计快速算法，类似这样的工作。但是...

但我对这种估计感兴趣，你怎么称呼它？这种波普尔式的... 认识论，对，认识论，是的。也是因为大卫·多伊奇的这本书。但之后，这种兴趣又因为丹尼斯而重新回到我身上。实际上，我听了他的播客，然后变得...

非常感兴趣。没错。这很好。我加入了你们这一群人，然后试图了解更多。好吧，这可能是布鲁斯的团体。

是的，四个线索。所以是的，可能听这个节目的很多人甚至不知道四个线索团体，但那是一个电子邮件组，现在也是一个博客，许多对这些主题感兴趣的人在这里交流。所以这是一个秘密社团。

好的，所以卡米欧，在我们开始节目之前，她希望我们第一个话题是人工智能与人工通用智能之间的区别。所以这实际上是一个需要明确的重要区别。有没有人想先谈谈这个话题，解释一下他们理解的区别是什么？顺便说一下，我对这个主题也有自己的看法，所以我也会分享我的看法。有人想先抓住这个主题吗？

我可以先讲个笑话吗？当然，来吧，卡米欧。也许不算是笑话。人工智能和机器学习之间有什么区别？

机器学习和人工智能之间的区别是，人工智能是你在PowerPoint演示文稿中的一个项目，而机器学习是实际上存在的东西。好的。那是我的笑话。那么，有人想先谈谈这个话题吗？

我可以先分享我的想法。所以，显然有几种不同的方式可以看待这个问题，但对我来说，最有意义的方式是，人工通用智能是一个能够创造任何人类能够在其头脑中创造的知识的程序。

而人工智能或狭义人工智能与通用人工智能相比，只是一个嵌入了一些人类创造的知识的程序。所以，你知道，像深度学习这样的机器学习算法当然是狭义人工智能。

这些算法有一些人类创造的关于数据中存在什么样模式的知识。人工智能的工作基本上是，利用计算资源以及嵌入其中的人类知识，以非常快速的方式找到数据中的模式。而人工通用智能，

将能够做任何人类能够做的事情。所以它不仅仅是分析数据集并为你找到某种模式。它将能够进行对话，并且，创造艺术，进行科学发现。它将是一个人，真正意义上的人。它将能够完成任何人类能够完成的心理任务。是的。我认为这很棒，埃拉。这是一个很好的描述。还有其他人想补充吗？

好的，我对这个话题的看法是，人工智能或狭义人工智能也有一个特征，那就是它有许多不同的版本和不同的应用。例如，你有语音识别AI，你有下棋的AI，你有由AI驱动的自动驾驶汽车，所有这些东西都无法做到其他东西能做到的事情。这表明这并不是一个真正的通用系统，因为人工通用智能可以做到所有这些事情，甚至更多。

所以这并不是说它不想做任何这些事情。这将取决于人工通用智能，而自动驾驶汽车只能被迫去开车。所以这是一个单独的问题。但狭义人工智能有非常狭窄的应用，并且不是通用的，这表明了这一点。这是一个表明我们并不是在谈论人工通用智能的特征。好的。谢谢。

实际上，我有一些经验法则来区分它们。这是相当粗略的，但我也想知道你们的看法。所以经验法则是，如果程序没有潜力创造你想要的任何目标，那么它就不是人工通用智能。哦，有趣。是的，我同意这一点。

是的，我认为这是正确的。任何目标都将是人类认知过程的一部分。我认为人工通用智能将能够做任何人类认知能够做的事情。所以我同意它们可以有任何人类可以拥有的目标。我同意，但我只是想指出，重点将放在人工通用智能的目标上，而不是人类的目标或创造人工通用智能的人的目标。你不会想要...

你不会强迫它走某条特定的道路，仅仅因为那是你想要的。对，没错。是的。那么让我来谈谈这个问题。我将尝试实际上使用机器学习理论本身来解释我所看到的人工通用智能与人工智能之间的区别。首先，人工智能是一个总括性术语。它包括像极小极大算法、搜索算法等东西，这些在任何意义上都没有做任何可以称之为学习的事情。

机器学习是人工智能的一个特定分支，其中机器似乎确实在学习某些东西。具体来说，它试图制定一个做某事的函数。通常这是一个人类自己不知道如何编写的函数。因此，它试图近似一个人类不知道如何编写的函数。这里显而易见的例子是

面部识别算法。如果我问即使是人类专家，编写一个能够识别我面孔的程序，他们也会很难做到这一点，因为他们没有一个好的理论来编写这样的算法。但他们确实知道如何编写一个可以做到这一点的机器学习算法，它通过我的面孔的例子和非我面孔的例子来学习区分它们。

所以这就是人工智能与机器学习之间的区别。现在，机器学习是人工智能中更大的名称。它有自己的理论，汤姆·米切尔对此进行了大量研究。我在攻读硕士学位时，必须阅读他的教科书，我的专业是机器学习。

他指出的事情之一是，所有机器学习算法都有一个称为归纳偏差的东西。这个“归纳”一词在这里非常重要。事实上，他甚至提供了一个证明，如果没有归纳偏差，就根本没有学习。算法不可能从示例中学习。

归纳偏差的一个例子可能是线性回归，你有一堆数据，然后你画一条线，试图拟合这条线。也许你在一个轴上有你要出售的房子的平方英尺数。在另一个轴上，你有一些关于位置的东西。你会使用这些特征或观察，甚至称之为观察，来得出一条线，然后你会使用这条线来进行预测。

那么，你真正做的事情，归纳偏差实际上是一个假设，或者是一个理论或解释，关于数据将是什么样子，数据的形状。所有机器学习基本上都是基于归纳偏差的。因此...

他们试图强行将机器学习与归纳结合在一起，但我们已经讨论过，归纳是卡米欧和我讨论过的糟糕认识论。这是一个糟糕的知识理论。

他们强行将机器学习与归纳结合在一起，而实际上他们开始的理论是无论归纳偏差是什么。这是整个基础。显然，如果你只有一个单一的理论在运作，你就不是一个通用学习者，对吧？你只会学习与任何归纳偏差非常特定的东西。

我认为这与塔查波尔关于目标的观点相符，真正的人工通用智能至少，可能还有更多内容，必须能够选择自己的理论，并能够从多个理论中学习，而不仅仅是由人类提供一个单一的理论，然后从中学习。更糟糕的是，它几乎总是关于数据的形状，这显然会限制你使用这种理论可以学习的内容。

所以我实际上同意这一点，甚至在理论研究中，人们称之为机器学习的主流事物，像人们研究的主要框架称为PAC学习，而PAC学习正是这样。它是一个理论，

研究以下内容：你从一组假设开始，这意味着某些理论已经固定，然后给定一组数据，如何在这组假设中选择，选择那个最能解释数据的假设。但

非常重要的一点是，这个假设是给你的。没有理论来解释如何首先得出这组假设，这在

理论研究中是缺失的，我认为。哦，是的，太好了。所以只是为了澄清一些术语，他在谈论假设空间。因此，每个机器学习算法除了具有归纳偏差外，还具有一个假设空间，即它可以学习的可能假设的空间。一些机器学习算法实际上具有无限的假设空间。因此，像是，

遗传编程在理论上具有无限的开放假设空间。但大多数机器学习算法具有非常有限的假设空间。它们只能在该空间内学习假设。然后它们所做的就是查看观察结果，查看特征，数据，并消除假设。

假设空间中的假设。你剩下的被称为版本空间。因此，他们试图在版本空间中缩小范围，以找出在该空间内解释数据的最佳假设。这是他们的方式，这是使用机器学习的术语。

我认为塔查波尔在这里完全正确。在大多数情况下，不仅你有一个归纳偏差，而且你在前面就被给定了你可以选择的假设集，这显然是人类创造力的注入。机器实际上并没有做太多的事情，对吧？是人类在做所有的重活。所以我认为这对今天所有的机器学习都是正确的，对吧？我的意思是，我们正在变得更好，让机器做越来越多的重活，但所有这些都是基于这个非常狭窄的归纳偏差和假设空间的概念，并将其缩小到特定的版本空间。

所以有趣的是，布鲁斯，你提到遗传编程是机器学习中为数不多的具有无限假设空间的子领域之一。我之前考虑过遗传编程，我只是想听听其他人的看法，在当代主流机器学习中，遗传编程可能是最接近实际人工通用智能的领域。我不认为，您知道，我会感到惊讶，如果它能够实现人工通用智能。我仍然认为机会不是很好。我认为在这个子领域中仍然存在很多归纳主义，但基本方法是假设演绎而不是归纳。

它是关于猜测然后缩小结果，盲目变异和选择性保留，而不是试图建立某种归纳方法。所以我只是好奇这里的其他人是否有同样的直觉，认为遗传编程可能比其他机器学习领域更接近我们需要做的事情。

是的，我有同样的直觉，或者实际上我会说这不仅仅是直觉，但我分享你在这里的想法，因为我发现遗传编程的前景令人鼓舞，因为它实际上是关于计算机程序的进化，而不仅仅是参数的进化，比如在遗传算法中。对。

这正是为什么假设空间是无限的，因为它可以表示，您知道，它是图灵完备的。它可以表示任何可计算的函数。对。我认为这是某种东西成为人工通用智能的必要条件，原则上它需要能够进化任何程序。对，同意。所以让我说，在现实中，所有机器学习程序实际上都是自然选择的各种形式。好的，所以一旦你知道如何将它们从

使它们听起来像归纳主义的措辞中解脱出来，就可以将它们全部视为自然选择。因此，我怀疑这就是为什么所有有效的机器学习算法都有效，因为它们都在进行某种形式的自然选择。但大多数情况下，它们只是在某种非常有限的假设空间中进行选择。遗传编程是特殊的，因为它是无限的。

然而，我认为我们都知道，在实践中，它实际上是相当有限的。我们在进行遗传编程的方式上缺少一些东西，这使得它能够实际搜索的空间太小了。就理论而言，它可以找到如何创建一个文字处理器，但在实践中，你永远不会期望那发生。我会小心。

在一般情况下谈论自然选择。我不认为你所说的是真的。我认为自然选择是复制者的非随机差异繁殖，这实际上是一种进化现象。因此，我不明白，除非你有一个具有复制者的系统，除非你在谈论一个进化算法或一个特定的进化程序，否则我不明白，例如，基于梯度下降机制的面部识别算法与自然选择有什么关系。是的，我想你可能会这么说，丹尼斯。实际上，当然这不是新达尔文主义，但

即使是梯度下降算法也在尝试许多变体，然后查看哪个实际上根据某种选择标准效果最好。

所以这就是我真正的意思。这绝对是一个非常狭隘的自然选择观点。我的意思是，从最广泛的意义上讲，我明白你的意思，如果我们在谈论非常宽松的定义。但问题是，对于梯度下降，没有复制发生。没有复制者。你说得对。

所以我觉得这很有问题，因为这可能会错过，没有恶意，但这可能会误导一些人，认为自然选择正在发生在面部识别算法中。是的，所以只是为了澄清术语，我认为，您知道，

丹尼斯是正确的，严格来说，它并不是自然选择，但布鲁斯你是对的，确实有一个核心的变异和选择的过程在发生，我认为这个过程是，最广泛的，能够创造知识的过程是，我经常使用这个短语，盲目变异和选择性保留。这是我借用自唐纳德·坎贝尔的短语，他是波普尔的当代人，写了很多关于

进化认识论的内容，盲目变异和选择性保留基本上意味着，你有一组对象，你对这些对象进行变异，然后以某种方式选择一部分对象。因此，新达尔文主义进化是该过程的一个实例，但它并不是该过程的唯一可想象的实例。因此，我认为你在这个术语中想要表达的是，某些，您知道，

一些或大多数机器学习算法涉及某种盲目变异和选择性保留的过程，自然选择也是该过程的一个实例，但它们，自然选择是另一种类型的实例。哦，不，我明白了。我明白你所做的区分。这很有道理。是的，这就是我真正的意思，埃拉。

所以只是为了总结一下，机器学习确实涉及盲目变异和选择性保留，但它并不真正涉及自然选择，这是我会说的。除非你理解自然选择这个术语等同于盲目变异。是的，我同意。是的，它并没有做像遗传编程那样的事情，这可能更接近，尽管

正如我们可能会讨论的，遗传编程可能也缺少一些重要的东西，与达尔文主义相比。只是为了反驳一下，我不确定我是否看到机器学习一般如何实现盲目变异。你能给个例子吗？

是的，所以梯度下降，实际上它所做的是，有许多下一步可以采取。所有这些都是你当前在算法中的位置的轻微变体。然后它有某种方法来衡量选择这些变体中的哪一个。好的。再一次，我认为这在某种程度上拉伸了...

变异的定义。对我来说，梯度下降似乎是，是的，有一个，它可以去的下一个点的池，但有一个真理标准或优化标准，它在机械上遵循。因此，我不会认为这是一种变异，但再一次，在最广泛的意义上，我认为埃拉总结得很好，在最广泛的意义上，你可以认为这是变异和选择。是的。

是的，因此在盲目变异选择性保留中，选择事物的方法非常重要。因此，在梯度下降的情况下，你选择的标准，你选择性保留变体的标准非常简单。它只是，选择哪个具有，您知道，最低能量或其他，您知道，最高效用。因此，它...

这确实是盲目变异和选择性保留。只是选择性保留部分非常简单。因此，它不会产生像新达尔文主义能够产生的东西，因为那里的选择标准要复杂得多。在我们失去卡米欧和一些观众之前。是的，这变得相当技术性。我应该快速解释一下我们在谈论什么。所以，是的。

基本上，如果你查看机器学习技术称为人工神经网络，对吧？你可能会一直听到这个，作为深度学习或任何当前的流行词。好吧，我已经通过了你个性化的机器学习课程。是的。

所以这个想法是，有一个非常，非常流行的机器学习技术叫做梯度下降，基本上你试图想象假设空间就像这样，想象一下到处都是山峰和山谷。然后你试图弄清楚如何到达一个山谷的底部或一个山峰的顶部，然后你希望无论你到达哪个山峰或山谷，取决于你是试图最小化还是最大化，得到的结果是一个足够好的预测器，你可以在现实生活中使用它。这实际上就是机器学习的工作原理，对于人工神经网络，但其他类型的机器学习也如此。

而这与新达尔文进化并没有太多相似之处，这就是知识在生物学中是如何产生的，对吧？因此，这将解释为什么我们使用梯度下降来做事情，这只是一种非常糟糕的方式，与生物学实际上所做的事情相比，生物学能够创造出适应许多不同环境的不同物种等等。

这可能是跳入下一个问题的好地方，因为我们一直在讨论这个问题，即跳向普遍性。我刚刚给出了一个例子。这是一个我们并不完全理解的问题，但

使用DNA的进化，以及我们目前拥有的任何过程，它可以创造出各种适应的物种，并且可以创造出狮子、鱼、海蜇和细菌，似乎在创造方面非常开放。而机器学习似乎在它能做的事情上极其狭窄，对吧？在它能够做的事情上。

因此，大卫·多伊奇提出的一个假设是，生物进化在某种程度上实现了普遍性的飞跃，尽管他没有定义这个飞跃是什么，因为他不确定。所以让我们具体谈谈普遍性和跳向普遍性。什么是普遍性？它与人工通用智能有什么关系？什么是跳向普遍性？有没有人想回答这个问题？

- 我想如果没有其他人想先发言，我可以先分享我的想法。所以基本上，普遍性是当你在某个领域工作时，该领域内有某些东西

只有某些类型的过程才能处理。跳向普遍性是当一个过程从只能处理某个小子集的对象，变为能够处理集合中的所有对象。通常，无限集合是使用该词的上下文。

这很重要，为什么这是值得研究的，而不仅仅是一些任意的，您知道，假设，因为每当有一个系统，您知道，可以有有限的范围或某种，您知道，有限的事情可以做与可以做的无限集合之间的变化。能够做无限事情的变化必须发生在一个无限的飞跃中。您知道，您必须在某个时刻做一件事情，导致无限的进步。

这就是跳向普遍性。它是，您知道，将系统从非普遍性移动到只有少数事情可以解释或用于的状态，转变为普遍性，意味着它可以封装一切。因此，普遍性的跳跃是进行这种转变的时刻，广义上讲。

谢谢。还有其他人想补充吗？是的，一个很好的例子是印刷机，古腾堡的发明。优秀。是的。所以基本上，人们在印刷书籍之前的方式是，他们要么手动抄写，这非常费力且缓慢且昂贵，要么他们设计了这些印刷板。

因此，对于书中的每一页，您将创建，我忘记是木制的还是金属的，但您将创建页面的镜像，然后您将其上墨，然后将其压在新页面上。这样做的问题是，它仅适用于您已创建印刷板的书籍。它非常僵化，无法定制。

因此，当古腾堡发明印刷机时，我实际上不知道他是否做到了。抱歉，他没有发明，他发明了一种特定的印刷机，由可移动的活字驱动。重点应该放在可移动的活字上，而不是印刷机。

因此，可移动的活字是可定制的，因为现在您已将印刷过程简化为该系统中普遍存在的最小单位，即字母。因为书籍都是由字母组成的，每个单词都是由字母组成的。因此，如果您只是重新排列字母，现在您可以打印任何书籍。为了说明埃拉所说的这个例子，基本上在可移动活字之前，您只有...

<context>第12集：人工智能与人工通用智能 在上一集中，我们展示了根据物理法则，人工通用智能是可能的。本集是关于对人工通用智能感兴趣的计算机科学家之间的三部分小组讨论的第一部分。布鲁斯和卡米奥与丹尼斯·哈克塔尔、埃拉·霍普纳和塔查波尔·萨拉努拉克一起参与讨论，他们都对人工通用智能和卡尔·波普尔的认识论感兴趣，并相信波普尔的理论可以为发现人工通用智能提供启示。

<raw_text>0 非常狭窄的印刷版应用于特定书籍，仅限于您已经制作了印刷版的书籍。如果您为《圣经》制作了印刷版，您就不能去印刷《无穷的开始》。您必须先为新书创建印刷版。

但使用活字印刷，您可以简单地重新排列字母。您不仅可以现在印刷《无穷的开始》，而且可以印刷任何书籍。您甚至可以印刷……活字印刷系统已经能够印刷尚未写成的书籍。所以这就是……

我不知道古腾堡是否真的追求那种普遍性。大卫·多伊奇谈到，许多最终成为普遍的发明并不是为了追求普遍性而创造的。这有点偶然。印刷机可能也是如此，或者说活字印刷机也是如此。古腾堡可能只是认为这更便宜，确实是，而且更快，这也是事实。但是

无论他是否是学者，他恰好创造了一种普遍的东西，而它在印刷任何可印刷书籍的领域是普遍的。您可以稍微缩小范围。您可以说，只有包含单词和字母的书籍。他无法印刷。您不能使用活动字母来印刷图像，比如说。但是在基于字母的印刷书籍的领域内，他现在可以印刷任何书籍。好的，谢谢。很好的例子。我认为这是一个每个人都能理解的例子。

现在，并不是所有人都参与了这个播客。卡米奥和我已经做了一段时间。之前发布的那一集实际上是关于计算普遍性的讨论。我在解释计算理论。因此，跳跃到普遍性与此相关

是您有某些类型的计算机，它们在可以创建的算法类型上是有限的。然后突然间，您有了图灵机，这是跳跃到普遍性，在那里突然间，每一个可能的算法，至少是经典物理法则允许的算法，现在都可以在那个图灵机上实现。没有其他机器可以运行图灵机无法运行的算法。

所以这就是我们如何将其与我们之前在这个播客中讨论的内容联系起来，即计算机的普遍性跳跃。但是，有人可以向我解释一下计算普遍性跳跃与算法普遍性之间的关系，以及模拟或虚拟现实的真正普遍性或类似的东西吗？有人对此有评论吗？我可以试试。好的。是的。

实际上，当我查看您在电子邮件中为这个播客提供的笔记时，我看到算法普遍性，我不太确定您所指的是什么，但我可以猜测，您可以告诉我我是否错了。我猜您在这里所指的实际上是，也许它与竞争普遍性是同一回事。我的意思是，算法只是可以在图灵机上运行的东西。是的。

当图灵机是一个通用图灵机时，它在计算上是普遍的，这意味着它可以运行任何其他图灵机也可以运行的任何算法。因此，这个通用图灵机与任何其他图灵机之间不再存在质的差异。是的。现在，要达到作为通用模拟器的意义，基本上您可以说，物理法则是可计算的。因为宇宙中发生的一切都遵循物理法则，这意味着宇宙中发生的一切也是可计算的。因此，宇宙中发生的任何过程，就像我喜欢说的，如果它在宇宙中的任何地方发生，您都可以在计算机上模拟它。大卫·多伊奇在他的一次采访中指出，模拟并不意味着它是假的或不真实的。它仍然意味着信息处理是相同的。因此，您可以，例如，在计算机上模拟

太阳系。它确实是太阳系的模拟。它大致上是太阳系，因为它的大小不同。您知道，可能有一些您没有考虑到的怪癖，但它可能是一个相当不错的近似。因此，您现在所做的就是在计算机上模拟了太阳系，这真的是一项了不起的成就，如果您想想的话。我喜欢这样认为。

因此，通用模拟仅意味着，您再次构建了一个模拟器，一个可以模拟所有其他模拟器可以模拟的任何东西的计算机。它还意味着它可以模拟宇宙中发生的任何事情，因为宇宙中发生的一切都受可计算的物理法则的支配。因此，计算与

模拟以及对宇宙中发生的任何事情的解释之间的这种深刻联系，我认为大卫·多伊奇在《现实的结构》中解释得非常好。

好的，谢谢。实际上，这正是我希望有人说的，丹尼斯。这比我能描述的要好。让我们稍微谈谈这个。我实际上确实认为这是人们往往会感到困惑的事情。抱歉，我可以说一件事吗？我确实想加一点盐，因为这并不是我的专长。当我说物理法则是可计算的，且一切都遵循物理法则，因此其他一切也是可计算的时，我

我知道这一点是因为我在大卫·多伊奇的书中读到过，但这并不是我的专长。我希望人们对此持保留态度。可能我错过了什么，或者大卫的意思是别的东西。哦，太好了。好的，公平的观点。

所以我注意到人们往往对模拟的定义感到困惑。因此，您解释得很好，但让我抛出一些我过去与人交谈时看到的困惑。我曾与一个朋友交谈，他说模拟与现实不同。然后他举了一个例子，虚拟椅子不是现实椅子。认为虚拟椅子是真实椅子是愚蠢的。我也听说过

作为一个例子，如果您在计算机内部模拟一个龙卷风，计算机内部的芯片不会被真实的龙卷风撕毁。在我看来，这种对模拟的看法可能有点误解了某些重要的东西。他们所说的并不是错的，但他们试图将不一定有意义的东西等同起来，对吧？所以，

道格拉斯·霍夫施塔特指出，当然，如果您在计算机中模拟一个龙卷风，它不会撕毁芯片。这是错误的涌现层次。但是如果您在模拟中模拟了建筑物与龙卷风，它会撕毁那些建筑物。因此，很容易对我们所说的模拟产生困惑。然后霍夫施塔特进一步指出。

他表示，智能的模拟就是智能，对吧，它们是同一回事，此时没有区别。如果您有一个模拟的智能去写一篇数学论文，那就是一篇数学论文，而不是一篇模拟的数学论文。因此，有些事情在区分模拟与现实时是有意义的，但还有其他事情则没有意义，模拟就是现实。

我认为，丹尼斯，这正是您所要表达的，模拟并不是假的。它们是存在的实际事物。这一点很重要。它们与我们理解世界的方式有很大关系。

没错。我认为在模拟方面可能会潜入一种工具主义，人们会说，它们只是有用的模型，但实际上并没有告诉我们任何关于现实的事情，我认为这是错误的。您可以通过龙卷风的具体例子来修正这一点。我认为您可以通过说，好的，计算机不会被它运行的龙卷风模拟撕毁，但您可以在同一台计算机上运行一个模拟龙卷风

摧毁计算机。对吧。然后它会再次工作。如果这是一个好的模拟，它会告诉您它是如何摧毁计算机的以及为什么。

《任何事物的理论》播客需要您的帮助。我们有一个小而忠实的听众，我们希望将这个播客的消息传播给其他人，以便其他人也能享受它。根据我们所知，我们是唯一一个涵盖大卫·多伊奇哲学的四个方面以及其他有趣主题的播客。如果您喜欢这个播客，请在Apple Podcasts上给我们一个五星评价。这通常可以在您的播客播放器内完成，或者您可以在Google上搜索《任何事物的理论》播客Apple或类似的东西。

一些播放器有自己的评分系统，在任何评分系统上给我们五星评价都会很有帮助。如果您喜欢某一集，请考虑在Twitter上提及我们或在Facebook或其他社交媒体上链接到我们，以帮助传播消息。

如果您有兴趣在经济上支持这个播客，我们有两种方式可以做到这一点。第一种是通过我们的播客主机网站Anchor。只需访问anchor.fm斜杠four-dash-strands，F-O-U-R-dash-S-T-R-A-N-D-S。那里有一个支持按钮，可以让您进行定期捐款。如果您想进行一次性捐款，请访问我们的博客，网址是fourstrands.org。那里有一个使用PayPal的捐款按钮。

谢谢。