Podcast Script (zh)
[0.120-8.479] SPEAKER_01: Wolfram Language是什么？我可以告诉你。 但它的本质很哲学、深刻，影响深远？ 我是说，工具，可以下载，可以玩。 它是什么？
[8.559-11.507] SPEAKER_01: 它怎么融入基础设施？ 和它交互有哪些方式？
[11.807-24.116] SPEAKER_02: 对。 所以，你可能听说过Wolfram Language两大产品， 一个是Mathematica，另一个是Wolfram Alpha。 Mathematica最初在1988年发布。 这个系统就是Wolfram Language的一个实例，
[24.196-26.250] SPEAKER_02: 用来做技术领域的计算。
[26.330-29.325] SPEAKER_02: 通常你输入一段计算语言， 然后完成计算。
[29.625-31.517] SPEAKER_01: 它有点符号化的感觉。
[31.817-33.848] SPEAKER_02: 对，它是种符号语言。
[34.148-41.729] SPEAKER_01: 它是一种符号语言。 所以，我不知道该怎么说， 但这让它的思考方式与我们很不一样， 和用Python这类语言编程不同。 对。
[42.029-51.166] SPEAKER_02: 关键在传统编程语言里， 编程语言的原料就是计算机做的事。 Wolfram语言说的是世界上的事物， 或者我们能想象、构建的东西。
[51.246-62.162] SPEAKER_02: 它一开始就要成为抽象语言。 例如，它的一个特性是符号语言， 意思是，你有X，直接输入X， Wolfram语言会说，哦，那是X。 它不会报错说未定义。
[62.242-71.680] SPEAKER_02: 计算机不知道它是什么。 现在X完全可以代表， 波士顿市是一个符号化的事物。 或者它可以代表， 航天器轨迹，也表示为符号。
[71.760-79.759] SPEAKER_02: 这种想法是，人能计算处理这些不同的， 这些世界中的事物，真的很强大。 那就是，我设计前身时，
[79.839-91.811] SPEAKER_02: 也就是Wolfram语言的前身，叫SMP， 那是我第一种语言，当时就想要这样的基础设施。 这用于计算，最基本不过。 物理学家找基本组成，得到的就是它。
[91.891-99.158] SPEAKER_02: 最终有了符号表达式变换规则的想法。 作为底层基础。 计算从这构建，Wolfram语言做的就是这个。
[99.238-106.041] SPEAKER_02: 实际操作中，它可以说是最高级的。 计算机语言，构建方向完全不同。 其他语言围绕一个核心语言。
[106.121-114.700] SPEAKER_02: 它基本围绕计算机本质操作。 人们也许会加库， 用于各种东西，但Wolfram语言想让本身 能覆盖世界上各种事物。
[114.780-122.001] SPEAKER_02: Wolfram语言有六千个内置函数。 涵盖各种，我随机选一个。 好玩，随机抽一个样本。 那么，
[122.081-124.426] SPEAKER_02: 随机抽十个，看看结果。
[124.506-126.514] SPEAKER_02: 哇，确实完全不同。
[126.814-128.125] SPEAKER_01: 对，都是函数。
[128.425-131.977] SPEAKER_02: 都是函数。布尔转换，用于不同布尔表达式间转换。
[132.277-141.414] SPEAKER_01: 对听众来说，Stephen，输入10，随机抽名字样本。 从所有功能里抽样，你说有多少？ 六千。 从六千个里抽十个，种类多，很有趣。
[141.714-148.401] SPEAKER_02: 对，我们有美元请求地址的内容。 与云世界交互、离散小波数据、球体等。
[148.701-151.127] SPEAKER_01: 还有图形化的，比如窗口可移动。
[151.427-168.020] SPEAKER_02: 对，窗口可移动，用户界面类的东西。 我想再选十个，因为觉得这有点…… 好，这里很多基础设施相关的东西，你看。 如果随机抽样，会有很多基础设施类东西。 如果你更深入去看…… 你展示的那些机器学习内容，也在功能池里？
[168.100-176.935] SPEAKER_02: 哦，对，图像识别就是其中一个功能。 你只需说，图像识别，我不确定，但总是好的。 比如当前图像，选一张，希望成功。
[177.235-180.346] SPEAKER_01: 点击当前图像，打开摄像头，拍了一张你的照片。
[180.646-186.648] SPEAKER_02: 拍了一张烂照片，不过我们说，图像识别，左括号，然后， 把那图片粘贴进去。
[186.948-189.780] SPEAKER_01: 图像识别在刚拍的图片上运行。
[190.080-193.551] SPEAKER_02: 哦，它说我像皮搋子，头后有个大东西。
[193.851-197.345] SPEAKER_01: 图像识别出最可能的物体，是皮搋子。
[197.645-211.254] SPEAKER_02: 好吧，有点尴尬，看它怎么处理。 看看前十个。 好吧，它认为有一个…… 它觉得不太可能是灵长类、人科或人类。 8%的概率。 没错，那是…… 57，是皮搋子。
[211.554-217.184] SPEAKER_01: 嗯，所以…… 希望它别让你怀疑人生。 8%，不该说百分比，但……
[217.484-221.535] SPEAKER_02: 不，没错，8%是人科。 再来一次，它居然没认出我。
[221.835-225.225] SPEAKER_01: 好了，试试这个，看结果。 重拍一张，多带点你的……
[225.525-235.080] SPEAKER_02: 对，多带点我自己。 而不是只有光头。 可以说是光头。 好，89%概率是人。 然后我就... 但这是图像识别的例子。 就其中之一。
[235.380-240.941] SPEAKER_01: 是六千个功能之一。 这是其中一部分。 就像语言的一部分。 核心语言部分，没错。
[241.241-246.128] SPEAKER_02: 比方说，找一下地理上最近的... 能找到什么？ 找最近的火山。 找十个...
[246.208-250.701] SPEAKER_02: 想知道它觉得这是哪儿。 试试找最近的十座火山，好吗？
[251.001-253.531] SPEAKER_01: 所以，地理上最近的十座火山。
[253.831-262.910] SPEAKER_02: 好，我们找找它们在哪。 现在可以... 有了火山列表，然后调用地理绘图， 希望... 哦，好的，就这样。 地图显示了那十座火山的位置。
[263.210-269.932] SPEAKER_01: 东海岸和中西部地区，还有… 嗯，不，我们还好，情况不算太糟。 是的，他们离我们不太近。
[270.232-283.144] SPEAKER_02: 我们可以测出他们有多远。 但是，你知道，实际上在语言中， 它知道世上所有火山， 它知道，你看，能算出最近的火山。 它知道所有地图之类的。 这彻底改变了对语言本质的看法。
[283.444-284.779] SPEAKER_01: 对，没错。
[285.079-290.048] SPEAKER_02: 这就是我说的，全方位的计算语言。 这也是我们一直努力的方向。
[290.348-302.645] SPEAKER_01: 如果你能简单说说，就是说这种… Wolfram语言和Wolfram Alpha一起，代表了 人工智能梦想的一种形态。 现在流行一股学习热潮， 一种理念，认为能从原始数据里提取
[302.725-310.851] SPEAKER_01: 不同层次的抽象，来理解… 比如，形成Wolfram语言操作的那种东西。 但我们离让学习系统形成那些还很远。 对。
[310.931-320.195] SPEAKER_01: 聊聊人工智能的历史背景？ 有一种你说的计算X。 80、90年代的专家系统 代表一种很特定的计算X。 是的。 对。
[320.275-327.113] SPEAKER_01: 有人认为那些尝试没成功。 对。 但后来Wolfram语言和Alpha成功了。 我的意思是…… 对，没错。
[327.413-339.385] SPEAKER_02: 我觉得那些做法太保守了。 对。 正是如此。 他们只盯着特定领域。 但光靠一个领域不行。 像自然语言理解，要做好就得有 广泛的世界知识很关键。 必须整体解决。
[339.465-351.179] SPEAKER_02: 如果你只想在这里做积木世界，那就这样吧，其实你并不... 其实，整件事比做一部分更容易。 我们想做的事，和人工智能学习有关系。
[351.259-360.999] SPEAKER_02: 回头看我们文明的知识发展史， 大概三百年前，人们觉得要搞清楚世界，靠推理和纯思考就行。 然后现代数学科学来了。
[361.079-370.634] SPEAKER_02: 我们学会了用方程快速推进。 现在也知道能用计算来做。 所以这是另一种方式。 那么，怎么编码知识和解决问题呢？一种方法是从零开始学。
[370.714-377.262] SPEAKER_02: 就是让神经网络自己搞懂一切。 但这否定了我们文明的已有成就，因为我们已经学了很多。
[377.342-384.946] SPEAKER_02: 我们调查了全球所有火山。 还发明了很多算法。 这些都是能做的事。 也是能用计算来编码的事。 这就是我们想做的。
[385.026-396.485] SPEAKER_02: 并不是说非要事事从零开始。 所以很大程度上，我们是在用可计算的形式捕捉世界知识。 可以说，我们主要是在用计算来捕捉世界的知识。
[396.565-406.340] SPEAKER_02: 现在有些计算机长期搞不定的，比如图像识别，可以加个很有用的模块。 就是那些东西。 是的。 很多事人很容易做，但计算机很难。
[406.420-411.122] SPEAKER_02: 符号化知识与图像识别结合，才真正有趣，能获得更多。
[411.202-414.208] SPEAKER_02: 可以用符号表示事物和图像模式。
[414.288-416.482] SPEAKER_02: 我认为这算是前进的一部分。
[416.782-417.594] SPEAKER_01: 是的。
[417.674-423.920] SPEAKER_01: 机器学习并非远未达到Wolfram语言的知识世界，但你已做了艰苦工作。
[424.000-430.664] SPEAKER_01: 这个世界。 现在机器学习可以作为工具探索那个世界。 是的。 你添加的在版本12里，我看演示太棒了。
[430.964-439.683] SPEAKER_02: 对，一旦可计算运行高效，还有界面问题，如何到达，如何自然语言分析？ 如何进行自然语言理解到达那里？
[439.763-442.398] SPEAKER_02: 如何从一大段文本提取实体？
[442.478-448.805] SPEAKER_02: 好例子是NLP、NLU循环，主要用非学习方法，如小算法、人工策划。
[449.105-454.468] SPEAKER_01: 关于人们输入查询并进行转换。 将自然语言理解定义为转换过程，非常优美。
[454.548-458.541] SPEAKER_01: 优美地将查询转成计算语言，既实用又清晰。
[458.841-465.609] SPEAKER_02: 对，对。 比如自然语言处理，从一大段文本里找出所有城市。 举个例子，我们用现代机器学习技术来做。
[465.689-473.293] SPEAKER_02: 有个循环：机器学习的NLP和更精确的自然语言理解互相改进。 这个循环同时改进了两者。
[473.593-487.156] SPEAKER_01: 对，你们有最先进的变换器模型。 还有BERT吧。 哦，对。 这挺酷的。 你把所有模型都集成起来了。 这就是大家的混合体。 我一直想听她讲这个。 坦率说，Wolfram语言没更受欢迎，挺意外的。
[487.456-491.043] SPEAKER_02: 这问题复杂，因为想法传播很慢。 我是这么想的。
[491.343-496.451] SPEAKER_01: 还有自我、个性这些因素。 想法的吸收跟个性、学生、社交网络有关。
[496.751-502.753] SPEAKER_02: 思想传播的方式很有意思。 Wolfram语言用户很多是高端的研发人员和聪明人。
[502.833-510.716] SPEAKER_02: 他们频繁使用Wolfram语言。 仔细看的话，其实有点搞笑。 深入一点说，人们会觉得我们只是在埋头做事。
[510.796-519.097] SPEAKER_02: 他们大多还不是Wolfram语言用户。 奇怪的是这种渗透不够快，毕竟高端市场我们一直很成功。 不过这只是部分原因。
[519.177-523.600] SPEAKER_02: 某种意义上是我自己的错，太重视产品技术，没做好商业推广。
[523.900-528.427] SPEAKER_01: 还有一个想法：开放一切或许能更受欢迎。 就像GitHub的模式。
[528.507-535.147] SPEAKER_01: 有趣的是，你讨论过这方法很多情况下行不通，当你在意知识完整性和质量时，就无法分散努力。
[535.447-539.034] SPEAKER_02: 对，这不是事物运作的本质。 你知道我的意思吗？
[539.114-545.383] SPEAKER_02: 我们做的事需要领导力和长期一致的愿景，既要做好酷的部分，也要做好枯燥的细节。
[545.683-553.868] SPEAKER_01: 那你怎样构建知识？ 因为那是最吸引人的。 那就是既枯燥又迷人。 嗯，就是构建知识，添加整合更多数据。
[554.168-566.198] SPEAKER_02: 是的。 我的意思是，那可能不是最重要的——比如让它在各种云环境中运行等等。 那都是很实际的东西，让界面流畅，操作只需几分之一毫秒。 那工作量很大。
[566.278-570.910] SPEAKER_02: 孤儿语言存在时间已超过一半，挺有意思。 所有计算机语言都存在过。
[570.990-574.635] SPEAKER_02: 计算机语言约六十年，孤儿语言三十三年。
[574.715-581.762] SPEAKER_02: 软件分发创新比语言结构创新更多。 我们一直在努力适应。 我们做到了，好消息。
[581.842-587.112] SPEAKER_02: 我有个私人公司，没有投资者，很自由。 我们有免费的Wolfram引擎给开发者。
[587.192-593.159] SPEAKER_02: Mathematica和Wolfram语言站点许可证覆盖主要大学。 对人们和大学都是免费的。 我们做了很多事。
[593.239-595.514] SPEAKER_02: Wolfram Alpha主网站是免费的。
[595.594-602.977] SPEAKER_02: Wolfram Alpha是什么？ 好的。 Wolfram Alpha用自然语言问答，生成报告。 比如波士顿人口除以纽约？
[603.057-610.800] SPEAKER_02: 和纽约比。 它处理词汇给出答案。 这已经存在了。 把词汇转成可计算的。 其实，就是进入Wolfram语言。
[611.100-620.643] SPEAKER_01: 进入Wolfram语言，再到计算语言，算出答案。 你觉得底层知识归Alpha还是Wolfram语言？ 什么是？ 我们就叫它Wolfram知识库。 知识库。
[620.943-626.388] SPEAKER_02: 几十年收集这么多信息，真是巨大努力。 而且每秒钟都有更多信息涌来。
[626.688-632.655] SPEAKER_01: 那你能先暂停一下吗？ 长期看，Wolfram语言是根本；短期看，知识库惊人。
[632.735-638.098] SPEAKER_01: 那知识库是怎么建立的？ 首先，你一开始就有勇气建通用知识库。 嗯哼。
[638.398-639.233] SPEAKER_00: 而且。
[639.533-643.085] SPEAKER_01: 你怎么从零建成这个惊人的知识库？
[643.385-647.413] SPEAKER_02: 嗯，确实有点吓人。 我从小就想做，不是没想过。
[647.713-651.579] SPEAKER_01: 但多数聪明梦想家最终会放弃这么难的工程。 对对。
[651.879-667.241] SPEAKER_02: 嗯，我就像是活出了自己的范式理论。 对对，嗯，我身上发生的，就像活出自己范式的理论。 基本上，我曾假设造Wolfram Alpha要先解决通用AI问题。 那是我之前的假设。 所以我一直想，我真不知道怎么做。
[667.321-677.340] SPEAKER_02: 所以我什么都没做。 我做新科学项目，探索计算宇宙，提出计算等价原理，说智能和纯计算没有界限。 所以我想，看，那就是了。
[677.420-693.479] SPEAKER_02: 我构建的范式，现在我得自食其果，一直想着做可计算知识的事。 让我真的去尝试做。 所以结果就是，如果我的范式对，那就应该可能。 但开始当然有点令人望而却步。
[693.559-707.876] SPEAKER_02: 我带早期团队去参考图书馆，看着它说，未来一年目标是造最好的机器和软件。 我们看着参考图书馆，我的基本陈述是，我们未来 一两年的目标是消化这里的一切，这似乎非常艰巨。
[707.956-717.081] SPEAKER_02: 但我清楚它是有限的，你可以走进去，这是事实。 进到参考图书馆，地方很大，全是参考书。 但它是有限的，不是图书馆的无限走廊。
[717.161-729.052] SPEAKER_02: 不是无限。但不，我的意思是，后来发生的事有点意思。 从方法论上讲，我没一开始就说，让我来个宏大的理论。 而是，我们先做这个领域，这个领域，这个领域。
[729.132-734.135] SPEAKER_02: 几百个领域，工作量巨大。我还发现自己挺幸运的。 我们的产品呢，
[734.215-742.934] SPEAKER_02: 全球很多专家都在用，这很有帮助，因为我们 能请教全球专家，征求他们的意见和 等等。我的原则是，如果没有专家来
[743.014-751.791] SPEAKER_02: 帮我们弄清楚怎么做，那就不对。因为目标是达到 对一切都有专家级知识。所以， 最终目标是，如果问题能基于常识回答，
[751.871-759.475] SPEAKER_02: 就自动回答。而现在呢， WolfMapher一开始用于Siri，现在用于Alexa。 人们逐渐理解这应该是能做到的。我是说，
[759.555-770.108] SPEAKER_02: 问答问题一直是核心AI问题之一，持续了 很长时间。我有段有趣经历。朋友马文·明斯基， 他是本地知名AI人物。记得WolfMapher快推出时，
[770.188-780.729] SPEAKER_02: 大概是发布前几周，我碰见马文，我说， 应该给你看看这个，问答系统。他当时就像， 好吧，输点东西。他说没问题。然后聊别的。 我说，不，马文，
[780.809-787.136] SPEAKER_02: 这次真的能用了。看，真能用了。他又输入几个 东西。大概十多个问题。我们记录了他输入的。
[787.436-792.486] SPEAKER_01: 有意思。他在测试空间里想什么？ 随机试各种，医学、化学、天文等等。
[792.786-801.481] SPEAKER_02: 化学、天文等。几分钟后，他… 他像说，你知道吗？我要做这个，重复多次。 我要做这个，重复多次。 管用了！这说明
[801.561-811.336] SPEAKER_02: AI的现状。人们试图解决大问题，反而 做出了有效的东西。老实说，我们有很多 不公平的优势。比如，我们搞了一堆孤儿语言，那是
[811.416-816.001] SPEAKER_02: 高级符号语言。我有实际经验 建大系统的经验。我够聪明，不会轻易放弃
[816.081-823.070] SPEAKER_02: 这种事很有趣。我参与过很多大项目，我会 说到自我，我也提乐观。我的意思是，如果有人
[823.150-827.039] SPEAKER_02: 这个项目要30年 很难说服我。我大概只能看到几年。
[827.119-845.000] SPEAKER_02: 几年内会有进展。通常确实如此。 但尾巴可能几十年。个人来说，挑战总是 你会有无穷尾巴的项目。问题是，这些尾巴 你会被淹死？还是继续前进？继续前进？ 是的，是的，是的。 对。对。嗯哼。 所以我觉得我不会跑偏，弥赛亚指导我干啥我就干啥。
[845.080-851.802] SPEAKER_02: 所有收尾工作都搞定。对我来说是个好玩的挑战，我正忙着呢。 刚起步搞物理基础理论，挺有意思的。
[851.882-859.486] SPEAKER_02: 挺好玩的，有点像打赌我能搞定，同时还得弄那些特活跃的事。 比如我用Awfront Language那些事。就是说，愿景——
[859.786-868.609] SPEAKER_01: 我刚又跟埃隆·马斯克聊了一次，你俩都有那股乐观劲儿，敢做别人觉得不可能的事，你说是自负也好天真也好，反正就这么解决了。
[868.909-879.508] SPEAKER_02: 嗯，我自己呢，越来越有信心，也越来越能判断哪些项目不疯。可另一个陷阱就是，做完大项目后，觉得以后再也不做小的了。
[879.588-885.776] SPEAKER_02: 那其实是个坑。 而且这些项目通常…… 这些项目到底多深多重要，完全不知道，其实很难摸透。
[886.076-891.846] SPEAKER_01: 您怎么看待构建Wolfram语言和Wolfram Alpha背后的大量知识库？互联网呢？
[891.926-896.755] SPEAKER_01: 比如维基百科那些大量文本，没变成可计算形式，您怎么看？
[896.835-904.195] SPEAKER_01: 展望未来二三十年甚至五十年，您想存储所有信息吗？像谷歌梦想所有信息可搜索可访问那样？
[904.275-909.685] SPEAKER_01: 但严格来说，那不包括理解信息。 对。 您是否希望所有知识…… 都能被表示……
[909.985-912.121] SPEAKER_02: 我希望。 我们正往那方向努力。
[912.421-915.927] SPEAKER_01: 这问题有多难？ 比方说，缩小差距。 你感觉怎么样？
[916.227-924.806] SPEAKER_02: 嗯，看场景。 就是说，如果是答世界常识，我们现在做得很好。 如果是像计算合同这样的领域。 能处理法律术语写的内容。
[924.886-931.271] SPEAKER_02: 甚至可能是规范，应该…… 自动驾驶汽车遇到各种情况该咋办？ 应该是什么，随便什么。
[931.351-938.340] SPEAKER_02: 用计算语言写，能表达世界事情。比如看到跑过的生物是生命树上的，就往那边转。 否则就别转。
[938.640-944.503] SPEAKER_01: 诸如此类的事。 涉及人类乱事，有伦理成分吗？ 这些能编码成可计算的知识吗？
[944.803-951.351] SPEAKER_02: 嗯，要实现更多自动化，就得快速编码伦理让计算机处理。 就是说，我最近参与了。
[951.431-958.768] SPEAKER_02: 我算是被迫卷入了互联网自动内容选择的事。 Facebook、Google、Twitter它们怎么排序推送内容？
[958.848-965.570] SPEAKER_02: 我们人类，什么该推送、屏蔽、提升排名，原则是什么，我意识到很多事。
[965.650-973.312] SPEAKER_02: 有意思的是，你在建AI伦理模块，判断这事儿震惊不震惊。 我绝不会给别人看。 这事儿有这么震撼吗？
[973.392-979.800] SPEAKER_02: 我知道，这种事不止一件。 如果只有一个AI伦理模块管所有事，对物种未来很糟。
[979.880-984.791] SPEAKER_02: 我意识到得把它拆开。 有趣的社会问题：怎么做到并拥有。
[984.871-988.516] SPEAKER_02: 内容选择针对个人更简单，不跨社会边界。
[988.816-993.309] SPEAKER_01: 听你描述，不同AI系统代表不同品牌，挺有意思。 对。 可以有。
[993.389-999.228] SPEAKER_01: 可以有不同意识形态的AI伦理系统，比如保守派、自由派等。 我来自苏联。
[999.308-1003.951] SPEAKER_01: 那种意识形态在苏联行不通。 大家都买了同一个伦理系统。 确实。
[1004.031-1011.728] SPEAKER_01: 同样，可以编码成计算知识，让我们在数字空间探索。 那太令人兴奋了。 你在用Wolfram语言实践这些吗？
[1012.028-1022.839] SPEAKER_02: 是的是的。 Wolfram 语言最能表达“做什么”的计算契约。 还有更多工作要做。 实际中，比如判断新闻是否可信？ 那是什么意思？ 或者，你会怎么选？
[1022.919-1030.024] SPEAKER_02: 我觉得问题在于怎么处理，有点复杂，因为我在想找物理基本理论这样的大项目。 好，这是第一项，对吧？
[1030.104-1037.128] SPEAKER_02: 第二项，解决人工智能问题。 伦理问题，比如如何排名内容，决定大家看什么。 这也算第二项。
[1037.428-1042.675] SPEAKER_01: 对，都是大项目。 而我觉得 你觉得哪个更重要，现实本质？ 还是？
[1042.975-1049.940] SPEAKER_02: 看问谁。 这是其中之一。 就像，排名是什么，对吧？ 这是排名系统。 就像，你用谁的模块排名，而我觉得——
[1050.240-1058.657] SPEAKER_01: 多个模块是个很吸引人的想法。 对人类来说，在没有明确正确答案的世界里，可能有不同系统，怎么说呢？ 我是说，
[1058.957-1061.046] SPEAKER_02: 是不同的价值体系，
[1061.346-1062.797] SPEAKER_01: 不同的价值体系。
[1063.097-1070.086] SPEAKER_02: 其实我并不算真正关心政治。 但在极权主义中，似乎就有这种系统。 对。 对。 就是这样。
[1070.166-1074.078] SPEAKER_02: 就像市场体系，每个人可以选择这个系统。 另一个人选另一个系统。
[1074.158-1081.843] SPEAKER_02: 自动化内容选择不简单，但可能是AI伦理里最容易的，因为各人可自选。 而且不同人的选择互相影响不大。 好的。
[1081.923-1085.289] SPEAKER_02: 处理其他社会事务时，比如中央银行政策该怎样？
[1085.589-1088.595] SPEAKER_01: 或者医疗体系。 这些都是集中化的。 是的。
[1088.895-1099.393] SPEAKER_02: 对。 医疗保健也一样，每个人在一定程度上可以为自己选择。 但问题是，还有别的事跟公共卫生有关。 这个例子不是那样的，它没法让人自己选。
[1099.473-1104.384] SPEAKER_02: 这可能会强加给别人。 然后就变了。 更特别的是政治哲学，当然还有央行系统。
[1104.684-1109.629] SPEAKER_01: 所以有人会争辩说，我们得转向数字货币，还有比特币和
[1109.929-1121.190] SPEAKER_02: 账本这些，对，我们在这方面参与很多，这也是 计算合约的部分动机，你知道，就是那种 自动执行的智能合约，嗯，计算合约的概念
[1121.270-1131.393] SPEAKER_02: 是说，把合约所有条件用计算形式表达出来， 这样原则上就能自动执行了。 嗯，我觉得这肯定是未来方向，你知道，法律合约
[1131.473-1141.887] SPEAKER_02: 用英语或法律术语写成的，大家还得争论 发生了什么，嗯，肯定不是，我们有更简化的流程 如果全用计算形式表达，电脑就能决定怎么做。
[1141.967-1153.066] SPEAKER_02: 讽刺的是，你知道，早在17世纪，莱布尼茨就说过 一模一样的话，但他当时的技术巅峰是个黄铜的 四功能机械计算器，其实根本没用过，嗯
[1153.146-1164.047] SPEAKER_02: 你知道，他那个想法早了300年，但现在挺现实的。 我觉得，而且你知道 那这比从语言中得到的难多少？ 符号话语语言几乎能表达一切。
[1164.127-1171.963] SPEAKER_02: 以计算符号形式，我觉得完全可行。 也许我太乐观了，但我觉得这是个… 几年内就能有相当完善的版本，允许
[1172.043-1174.318] SPEAKER_02: 人们编码法律相关的事物。
[1174.618-1177.984] SPEAKER_01: 行为等等。符号话语语言，你能定义一下？
[1178.284-1185.412] SPEAKER_02: 它的范围呢？我们在对话，这是自然语言。能不能 精确计算形式表达对话中可操作部分。
[1185.712-1193.850] SPEAKER_01: 这样计算机就能执行，不仅是合同，还包括一些 我们认为的 基本常识，甚至人类生活的基本概念。我是说像
[1194.150-1207.376] SPEAKER_02: 我饿了，想吃点东西，对，那是某种 Wolf语言中还没有表示，比如我说我在吃 蓝莓、覆盆子等，我吃了很多，我们知道 关于这些水果、植物和营养成分的所有信息
[1207.456-1210.741] SPEAKER_02: 但“我想吃它们”还没涵盖，而且你需要
[1211.041-1214.767] SPEAKER_01: 这样才能有完整的符号话语语言，能进行自然
[1215.067-1224.610] SPEAKER_02: 语言对话，对，能够表达那些，比如如果 是一份法律合同，一方希望拥有这个那个，那就是你 知道是啥，比如想吃覆盆子，但又不是那味儿。
[1224.910-1231.736] SPEAKER_01: 这梦独一无二，你说存在几世纪，但也是最近的。 梦想巡回，搞个巡回测试，对，所以。
[1231.816-1235.507] SPEAKER_01: 你觉得呢？那是创造特殊事物的终极测试？因为
[1235.807-1247.825] SPEAKER_02: 我们说不清楚，我的看法是，如果测试是像人一样走路说话。 嗯，只是像人说话，但答案还算是个测试。 如果你问这是不是智能测试，人们已经附上了狼。
[1247.905-1257.587] SPEAKER_02: malphyard api，chernяг测试机器人，立刻失败，因为只需 问五个问题，都是冷门古怪的知识。 它直接说出来，你说那不是人类吧？它是一个
[1257.887-1270.672] SPEAKER_01: 不同的东西，目标不同，但现在我会说不是。 我会说它其实不是不同的东西。 本质上的分歧，我认为实际上不是本质分歧，那是 实际上，Wolfram Alpha确实是。
[1270.752-1274.455] SPEAKER_01: Wolfram语言，我认为确实在解决 图灵测试的意图。
[1274.755-1290.106] SPEAKER_02: 也许是意图。 对，也许是意图。 其实还挺有趣的。 艾伦·图灵曾试图解决。 他琢磨过，把大英百科 想办法让它变得可计算 他还估过要多少工作量 实际上，我得说 他比现实悲观一些 我们做得更高效
[1290.406-1292.437] SPEAKER_01: 但对他来说，这很艰巨
[1292.737-1298.797] SPEAKER_02: 对，没错 他也是这么想的 我是说，我们完成得更高效 因为我们有他没有的多层自动化
[1298.877-1301.466] SPEAKER_02: 抽象层的积累很难想象
[1301.766-1306.050] SPEAKER_01: 这真的很难想象 但在他看来，这几乎不可能
[1306.350-1309.937] SPEAKER_02: 嗯，他觉得很难 他想，如果再活五十年
[1310.237-1314.381] SPEAKER_00: 他也许就能完成 我不知道 我不知道
[1314.681-1315.795] SPEAKER_01: 我不知道