万字追问：你以为的理解真的是理解吗？重新理解理解的四个层次

对谈嘉宾

Henk de Regt

拉德堡德大学科学院社会科学研究所自然科学教授

拉德堡德大学科学院社会科学研究所自然科学哲学全职教授。 其专业领域为一般科学哲学、物理学基础以及近代物理学史。 他的研究领域围绕“理解”这一主题展开，试图通过哲学分析和历史案例研究，研究科学理解的本质。

主持人

Paul Middlebrooks

卡内基梅隆大学的特聘助理研究员

卡内基梅隆大学的特聘助理研究员，同时是播客“Brain Inspired”的主持人。他主要研究运动皮层和基底神经节神经群体活动如何在自由行为的小鼠中支持自然行为，致力于揭示神经活动与复杂行为之间的关系。

你真的“理解”什么是理解吗？

在日常生活中，我们常把“突然想通了”的灵光一现，或是对某个高频专业词汇的眼熟，当作是理解的达成。但在科学哲学领域，这种主观的灯泡时刻往往只是一种认知错觉；而另一种极端，认为“掌握的事实越多，理解就越深”，同样偏离了理解的本质。

亨克·德·雷特（Henk de Regt）可以说是当今专门研究“理解”的顶尖学者，他的著作《理解科学理解》已成为该领域的经典。亨克提出了一种实用主义理解观：理解不是你知道多少绝对真理，而是你能否使用它。宣称理解某一事物，要求你能基于相关理论给出解释，甚至无需计算就能做出定性预测。

在本次万字深度对话中，我们将跟随亨克的视角，“理解”拆解为层层递进的4个层次：

层次一：主观感受层。 剥开灵光一现与熟悉感的伪装，直面日常认知中极易陷入的伪理解与自欺欺人。

层次二：科学实践层。 从实用技能出发，探讨为什么连错误的理论，依然能作为强大的工具为我们贡献真正的理解。

层次三：抽象降维层。揭示人类如何通过“理想化”的模型与“隐喻”的折叠，对复杂的现实世界进行降维与把握。

层次四：机器层。 当理解不再依赖碳基生命的主体意识，我们能否用一套行为主义的评测基准，去衡量人工智能的理解水平？

理解理论的起源——

从“灵光一现”到科学哲学的核心

保罗：你在2017年出版了《理解科学理解》这本书。在此之前，你已经就“理解的哲学”这一主题研究多年，也发表过其他著作。在我看来，自那以后，你基本是把自己这套“理解”理论，广泛应用到了各类问题与现象当中。我的这个判断对吗？你涉猎的议题很多，但都贯穿了你对“理解”的哲学定义。我理解得没错吧？

亨克・德・雷特：确实是这样。书写完并出版之后，我回头看才发现这一点。有段时间我甚至想：“好了，我已经受够‘理解’这个话题了，研究太久了。”但这种想法并没持续多久。

首先，我不断收到相关演讲邀请；之后这本书又获得了拉卡托斯奖，邀请和曝光度就更多了。我自然一直对这个主题保持兴趣，一方面也持续参与后续讨论，因为“理解”在科学哲学中已经成为一个热门议题。

那段时间前后也有更多相关著作出版，出现了不少新讨论，尤其是关于：理解是否依赖事实？理解与实在论之间的关系是什么？我们是否只能通过正确、如实描述现实的理论才能理解自然？这些问题在我书出版后成为重要争论，而书中对此只做了简短讨论。

保罗：你肯定早就预料到会这样。一旦在哲学里打开一个缺口，相关的一切问题都会被牵动。它几乎能触及所有可能的议题。我对哲学的一点纠结是：它到最后往往会变成语义之争，可以无休止地辩论下去。而我喜欢你这套 “理解”理论的一点，就在于它带有实用主义色彩，这点我们后面会谈到。

亨克・德・雷特：你说得对。它确实触及大量问题，是一个非常基础的议题，既关系到科学哲学中的传统问题，也可以更广泛地应用到与科学、乃至科学与社会相关的其他问题上。这也是我在出书之后想要走的路线——也就是你一开始问的：把我的观点应用到新的问题上。我当时（现在也依然）感兴趣的一个方向，就是“公众科学理解”这一概念。整本书都在讨论：专家科学家如何理解自然与世界，他们又如何进行交流。

而我们同样需要把“理解”传递给更广泛的公众。“公众科学理解”这个概念里本身就带有 “理解”一词。它到底是什么？要如何实现？如何起作用？这是我出书之后想做的方向之一。这多少有点巧合：2018年，也就是七年前，我在阿姆斯特丹的哲学系工作了很长时间之后，看到了一个教职招聘——同样是自然科学哲学方向，但在我现在所在的奈梅亨大学理学院。

这个职位隶属于社会科学研究所，是理学院的一部分，里面既有科学哲学家，也有社会学家等社科研究者，更侧重研究科学与社会之间的互动。这一点本身就吸引了我。我申请了这份工作，他们也认可我的思路与申请。之后我进入了一个新环境，也能更多地关注这些议题。

保罗：或许我们可以先从整体上概述一下你的 “理解”理论，以及它在当前科学哲学中的定位，然后再结合你后续的具体研究展开细节。在很长一段时间里，这个领域的核心都是科学解释。我并不掌握完整的学术史，我们都是站在巨人的肩膀上。

但在我看来，你当时像是独自在一个小岛上研究“理解”——一个比“解释”更进一步的概念。当年做这方面研究的人是不是很少？你是孤军奋战吗？为什么会走上这条路？

亨克・德・雷特：现在回想起来确实很有意思。我大概是在世纪之交，也就是2000年左右开始做这方面研究的。这倒未必有什么特殊巧合，开个玩笑而已。对我个人而言，这项研究的灵感来自我90年代的博士工作。我当时研究的不是“理解”，而是科学发现，以及一线科学家的哲学观点对他们工作的影响。我主要研究的是物理学家——我本身就是物理学出身，拥有物理学硕士学位。

我研究过麦克斯韦、玻尔兹曼、薛定谔、尼尔斯・玻尔等著名物理学家。其中薛定谔是特别有意思的人物，他的观点极具魅力，受教育背景非常广泛，对哲学等诸多领域都有兴趣。他的传记很值得一读。

保罗：哦，他的传记是吗？正好，我刚和丹・尼科尔森（Dan Nicholson）录了一期节目——他刚出版了一本小书，重新探讨薛定谔的《生命是什么？》。他对科学有一套过程式的视角。他的核心观点是，现代生物学家、神经科学家，以及我们所有人之所以会持有这种明确的机械论解释观，认为这才是好的解释，根源都可以追溯到薛定谔。我很推荐你去看这本书。如果你对薛定谔感兴趣，一定要读读丹的这本书。但你可能原本更感兴趣的是量子物理部分。

亨克・德・雷特：并不会。那是他后来的工作了，是在1940年代。我刚才说的是他1920年代的研究：当时他对量子理论不满，提出了替代的波动力学。他非常强调理解与理论的可理解性。他认为量子理论是不可理解的。他相信理论应该是可可视化的，只有在脑海中能形成图像，形成关于原子样貌与结构的时空图景时，才算真正获得理解。而科学与物理学的目标，就是提供这样的理解。这在当时很难做到 ——

我研读了他与泡利、海森堡、玻尔等人的讨论，并把这些材料用在博士论文里，用来分析背后不同的哲学预设与观念。在我完成论文后，其实是我的一位导师建议：“后续的博士后课题，你可以专注研究薛定谔和他关于可理解性的观点。”我的研究就是从这里开始的。这真的是一个巧合，是从之前的工作自然延伸出来的。之后我才慢慢……没错，在那之后的几年里，我开始尝试构建一套更一般的理解理论。

一开始，我确实感觉自己不是唯一一个做这个的，但要说服其他人，比如论文审稿人，让他们相信这是个有意思的话题，非常困难。当时的科学哲学似乎还没准备好接受这个主题。

保罗：那个时候，学界满是关于解释哲学的各种争论。按你的说法，是不是大家觉得“理解”这个问题没那么重要？传统上，我们可以把对“理解”的看法分为三类。第一类是主观感受，也就是理解的感觉，我想这是普通人对理解的看法。第二类是把理解等同于事实知识：知道得越多，理解就越深。第三类就是你的理论，我们需要把它和前两类放在一起对比说明。

你觉得当时人们是不是执着于这样一种想法：“理解没法被严肃研究，因为它只是我们的主观感觉，就是那个灵光一现的‘啊，我懂了’时刻？”是不是这类反对声音？

亨克・德・雷特：一点没错。你说得完全正确。你刚才的划分方式，我现在讲课或教学时也会这么用。也就是两种观点：要么理解只是感觉，要么只是知识。而我想要表达、想要论证的是：理解比这两者都更多。之后我从技能等角度展开了这套理论。最初，研究解释的传统科学哲学家把理解仅仅看作是解释带来的心理副产品，一种愉悦的感受。就像大众印象里科学家头顶突然亮起灯泡：“啊！找到了！我懂了。”

保罗：是像亨普尔（Hempel）那批人吗？

亨克・德・雷特：正是。亨普尔是最具代表性的人物。他开启了解释的讨论，提出了影响深远的覆盖律模型，对解释结构进行逻辑分析。这套理论在1950到60年代占据主导，甚至可以说被普遍接受。之后出现了一些批评，也有了替代方案，尤其是因果解释。但所有这些哲学家依然沿袭亨普尔的思路：“这些解释或许会带给我们理解，但那更多是主观感受。”这对他们来说并不重要。

保罗：也就是把它当成一个副产品。

亚历克斯：就是副产品。它对哲学分析而言无关紧要，对理论辩护也没有意义。

保罗：哦，对，因为它只是个副产品。那这些“守门人”到底是谁？你得点名啊。我说到亨普尔的时候，脑子里都能浮现出他写信给编辑：“这篇没法发，价值不够。”

亨克・德・雷特：亨普尔应该是1997年去世的。我还记得在研究早期，我自己准备得也不够充分，观点也没那么成熟，做报告时甚至收到过非常尖锐的反对意见。尤其是那些执着于逻辑分析的学者，他们觉得“理解”这个概念太模糊，没法用纯粹的逻辑方式分析。

保罗：但实用主义呢？抱歉打断一下。我想说的是，哲学里其实有很深厚的实用主义传统。我猜你早期可能还没把理论扎根在这一传统里，毕竟当时还比较年轻。我感觉实用主义正在回归，说实话，也多亏了你这样的学者。

亨克・德・雷特：这抬举我了。不过在相关讨论里，实用主义确实在回归，而且是在很多领域。比如菲利普・基切尔（Philip Kitcher）在这方面做了很多工作；和我研究更接近的，还有剑桥的张夏硕（Hasok Chang）。现在可以说随处可见。还想补充一点：现在回头看，25 年前，我确实觉得自己在探索一条很多人认为是死路、或者没意义的路。但后来发现，我并不是一个人。当时其实有不少人都在思考类似问题，算是一种时代趋势吧。

不仅在科学哲学领域，尤其在知识论领域也是如此。我当时对知识论的进展不太了解，但后来两个领域靠得越来越近。比如哈佛大学的凯瑟琳・埃尔金（Catherine Elgin），就试图在知识论和科学哲学之间搭建桥梁。事实证明，差不多同一时期，知识论学者也在讨论理解，至少开始重视这个问题。

保罗：那你对理解的定义到底是什么？我知道你可能已经解释烦了。但我前面铺垫了那么多历史视角，区分了那种主观的“懂了”的感觉，而你的理论不是这个。本质上，你的理解观接近行为主义。这一点我们后面聊人工智能体如何能拥有理解时也会涉及。就基于我刚才说的，你的理论算不算彻头彻尾的行为主义？你可以先回答：在科学的语境下，理解到底是什么。

亨克・德・雷特：我先把范围限定在科学理解上，这一点很重要。

保罗：为什么？

亨克・德・雷特：因为理解有很多种。而我的理论框架，是建立在“用理论解释现象”这一基础上的。我不会主张这套定义适用于所有类型的理解。前面提到的20世纪20年代量子力学之争，正是我灵感的来源，也是我这套观点的起点。事实上，我还受到了海森堡在不确定性关系论文中对“理解”的定义的启发，后来这成为我判断理论可理解性的标准，用来检验一个理论对科学家而言是否可理解。

它的核心思想是：科学家想要理解现象，就需要构建能够解释现象的模型。模型介于理论与现象之间，用理论对现象做出理想化描述，让理论可以被应用。顺便一提，这个思路我借鉴了南希・卡特赖特（Nancy Cartwright）和玛丽・摩根（Mary Morgan）等哲学家的观点——他们讨论的是建模，而非理解，但构建这类模型本身就带来了理解。

我的核心论点是：要构建这样的模型、获得对现象的理解，就必须拥有可理解的理论。理论始终在后台，需要被应用到模型与现象上，而这个理论必须对科学家来说是可理解的。这听起来像是一句废话，但这恰恰是薛定谔与海森堡争论的焦点：量子理论到底可不可理解？薛定谔认为不可理解，因为它无法被可视化。

如何判断“理解”？

可理解性的历史、工具与形而上学

保罗：因为全是矩阵，是这个原因吗？

亨克・德・雷特：正是。海森堡等人最初的理论完全是数学化的，高度抽象，全是矩阵等形式化工具。而薛定谔持有这样一种哲学立场：我们必须通过可视化才能实现理解，甚至可以说，可视化本身就是人类理解的形式。我把这一点改造成了更偏向实用主义的表述：可视化是理解的工具。如果一个理论可以被可视化，对很多人来说，就更容易使用它。可视化是把理论应用到模型、开展研究、提出新想法的工具。

“可理解性”与理论的可使用性相关，这成为我理论的核心，也是它属于实用主义进路的原因。同时，它显然也是语境化的：因为它依赖具体情境。对不同科学家、不同人而言，有效的工具并不相同，这取决于他们拥有的技能、背景知识等。些就是我理解理论的核心观点，我也结合科学史对其进行了完善。

我是通过考察科学史、考察物理学史上哪些理论被认为可理解、哪些不可理解，才得出这套观点的。我的博士论文本身也是科学哲学史。这种历史进路一直吸引着我。我认为，回顾历史能让我们对科学有更深入的认识，尤其能看到其中的变化与语境差异，而这正是我希望用我的标准与通用理论所捕捉的内容。

这里几乎从一开始就存在一种张力：一方面，我试图提出一种普遍、通用的观点；另一方面，我又要承认其中存在差异，不同学科、不同历史时期的标准各不相同。

保罗：而这种差异性本身，就是普遍观点的一部分。当你回到历史文献中，需要去推断什么是可理解的。我的问题是：你是怎么做到的？你必须从字里行间去解读，人们是如何描述理论、现象与解释，从而判断——对某位科学家而言，基于他的技能，他是否认为某个理论可理解。你是怎么判断的？

亨克・德・雷特：你是说通过具体历史案例？这当然并不容易。首先，你可以从科学家之间的争论入手，比如薛定谔与海森堡的那段争论。幸运的是，过去的科学家更愿意在论文中加入哲学思考甚至个人评论。比如薛定谔的论文里就有一条脚注，他直接抱怨甚至指责海森堡提出的理论完全不可理解。

保罗：哈哈，确实。

亨克・德・雷特：这很有意思。类似的例子还有不少，比如我书里有一章专门讨论牛顿与惠更斯关于引力理论的争论。在他们的书信和往来文献里，也能找到大量这类直接表述。

保罗：说白了就是有人明说：“我完全看不懂你在说什么。”

亨克・德・雷特：正是如此。当然，从一开始就要格外谨慎。比如惠更斯用法语写作，薛定谔用德语，他们使用某些术语时，必须仔细辨析其真实含义。

但你提到的可能是另一个更关键的问题：既然理论和技能有关，我们可以读到科学家对自己或他人理论的评价，但要判断他们到底具备或不具备哪些技能，就没那么简单了。

保罗：没错，这一点要怎么判断？如果是牛顿，那他肯定具备相当水平的技能，至少是数学技能，才能写出《原理》。

亨克・德・雷特：牛顿和惠更斯之间的较量就是个很有意思的案例。牛顿当然拥有发展其理论所需的全部技能，他在1687年发表了《原理》。惠更斯比他年长一些，他对此不满，并批评牛顿的引力理论。惠更斯同样具备相应技能，数学上他完全能读懂牛顿的工作。但惠更斯明确表示，牛顿的理论是不可理解的。

我不知道他法语原文具体用了什么词，但大意就是“无法领会、无法把握”。这就说明，惠更斯所说的“不可理解”是另一回事——不是他不会用这个理论，而是他无法接受世界是这个样子的。这是一种形而上学层面的不可理解。

正是这个案例启发我做出区分：形而上学可理解性与科学可理解性。我认为两者可以相互作用、存在重叠。惠更斯在形而上学上非常保守，他是笛卡尔主义者，不愿放弃机械论的宇宙图景，而引力并不符合这幅图景。你可以说这是一种教条，但他的笛卡尔式形而上学同时也被他当作理解的工具，并以此做出成果，比如波动理论，这些都是非常重要的成就。形而上学与科学就是以这种方式相互影响。

保罗：物理学家常常因为自己的形而上学执念去批评别人的理论。而被批评的人常用的一种辩护就是：批评者根本不懂我的理论，他们的批评就站不住脚。这里的区别在哪？批评在理解中扮演什么角色？

我是想说，在科学里有同行评审。如果审稿人不懂你的理论，对你而言它不具备可理解性；或者他们抱有某种形而上学执念，认为“这不可能，因为我信奉机械论，而你根本不谈机制”，于是从本体论、形而上学的立场提出反对——

按你的说法，这就是形而上学可理解性的问题。他们可能连理论细节都没真正理解。我就是突然想到：批评真的太容易了，我经常有这种感觉，创造却难得多。

亨克・德・雷特：你关于批评的观点很重要，而且把它和我的理论联系起来也很有意思。我自己并没有明确讨论过这一点，但我想起一篇论文，你应该也看过，因为你之前问过的视角主义和神经科学中的不同视角，就出自那篇文章。这其实不是我独自完成的研究，是我的博士生琳达・霍兰（Linda Holland）做的工作。我们和神经科学家本杰明・杜卡德（Benjamin Dukard）一起合作发表了论文。这个案例里，存在以霍奇金–赫胥黎模型为代表的、占主导地位的生物电范式。

保罗：对，就是霍奇金–赫胥黎的动作电位理论。

亨克・德・雷特：就是动作电位。但这个范式无法解释热膨胀、热与力学相关的一些现象。近年来出现了另一种热力学范式。琳达那篇文章的核心观点是：如果我们从理解的视角、而不是从真理与实在论的视角去看待这些不同框架——不去问哪个才是真理，而是把它们看作能够提升我们对整个系统解释性理解的不同视角——就会发现：那些支持热力学视角的学者，能够对传统进路提出有效批评，指出其中的某些预设问题。具体细节我就不展开了。

保罗：我刚读过那篇文章，可以直接说。霍奇金和赫胥黎在解释离子电导如何产生动作电位时，有一个前提假设：细胞膜电容是恒定的。而来自热力学和统计力学视角的学者指出：大多数人根本没意识到这只是一个假设。如果从膜的热力学性质来看，尤其是神经信号沿膜传播时，膜会随离子流动发生膨胀等变化，电容很可能是变化的。

这就是对霍奇金–赫胥黎理论的直接批评。这一点对我冲击特别大，因为霍奇金–赫胥黎模型是神经科学的基础，是我们入门就学的、堪称典范的经典成果。但看了你们的论文，我才知道还有神经信号传播的热力学解释，我当时就想：天呐，一切都还可以被质疑，没有什么是绝对安全的。

亨克・德・雷特：没有什么是绝对安全的，这就是科学。

保罗：这就是科学，太棒了。

亨克・德・雷特：这也和批评有关。你提到批评时，我还想到一点：一方面，如果仅仅因为某个理论和你接受的形而上学冲突就去批评它，这在某种意义上是教条主义。比如你是决定论者，就排斥量子物理。

在引力的例子里，惠更斯就是这么做的，可惜了。他当时年纪也大了，或许可以理解。这种批评不是建设性的。但另一方面，基于不同视角对理解与可理解性的争论，可以催生出富有成效的批评，就像刚才动作电位的例子，以及更普遍的其他案例。

我想到恩斯特・马赫（Ernst Mach）的一段论述，我在书里也提到过。马赫是19世纪实证主义科学哲学家。他也是在讨论引力相关的历史时提出：他作为极端实证主义者，只相信事实、可观测现象，理论只是工具，不用管真假；科学不负责解释，只负责预测和测量。他在一本书里回顾了牛顿与相关可理解性争论，然后说：这些争论都没意义，应该抛弃。

某个理论在某个时期显得不可理解，比如牛顿时代的超距作用引力，人们习惯之后，就会接受并认为它可理解。可理解性不过是习惯使然，仅此而已。我们不应该用可理解性支持或反对理论，只是习惯问题。

在某种意义上，我同意历史上确实存在这种变化：17世纪不被接受的超距作用，后来慢慢被接受。但可理解性还有更积极、更具建设性的一面：对可理解性的讨论，可以成为相互批评的基础，也可以激发创新。惠更斯的形而上学既有保守的一面，也有积极的一面，它同样可以带来启发。对可理解性的看法，不只是一种事后的被动反应，比如那种“我懂了”的感觉；它同时是积极、主动地引导科学研究的力量。

保罗：这几乎就是熟悉度理论：习惯了、熟悉了，就接受了。

亨克・德・雷特：这是马克斯・玻恩（Max Born）的观点。

保罗：这种看法相当消极。

AI能理解吗？——

从哲学僵尸到行为主义评测基准

保罗：我一直有个想法：有些新概念刚出现时，你必须去学习，它们非常陌生、让人不适、很不直观。但久而久之，比如在论文里反复看到同一个术语——我举个神经科学里的例子，比如流形（manifold）。第一次看到时完全不懂，但仅仅因为反复接触，你会觉得更熟悉了。可从某种意义上说，你可能是在欺骗自己以为理解了，其实只是看习惯了这个词，慢慢脑补出一幅图景，但你根本没法确定自己是不是真的懂。最后你会怀疑：我真的理解这个概念吗？然后才发现，很多东西其实并没有真正理解。这种熟悉感带来的伪理解让我很在意。

亨克・德・雷特：确实如此。但在我看来，理解一个概念，关键在于能否使用它。如果你只是在文本里反复看到这个词，开头稍微解释过，然后你觉得“我见多了，我懂了”，但实际上什么也做不了，那你依然没有理解。通常来说，不管是好书还是好课，在你反复接触一个术语的过程中，你也会同时学会在脑子里用它做事：用它推理、用它分析……尽管有时很难明确说清到底是什么。

你举这个例子时，我想到自己作为物理学出身的背景。虽然很久没啃前沿物理，只看科学史，但听到相关报告时，我依然对基本概念有直观把握。可当我听生物或神经科学时，思维方式完全不同，很多概念没有反复接触过，就很难真正抓住。比如生物学里的通路（pathway），我一度始终没明白它到底指什么。流形在数学里也有，应该是相关的。

保罗：流形来自动力系统理论。在哲学里，表征（representation）也是个大头。我们似乎可以讨论一千年。每个人对表征的理解都不同，但只要他们能在自己的研究框架里使用这个词、帮自己把握研究对象，这就算一种理解，哪怕视角不同。可以这么理解吗？

亨克・德・雷特：可以。

保罗：再说回熟悉感。某种意义上，反复看到同一个词，你确实会获得一点点理解。这也让我想到，你的研究里提到：理解不是全有或全无的现象，而是一个梯度，可以有不同程度的部分理解。我想确保我们聊到你最近的工作：开发一套用来评估人工智能体理解能力的测试。

我之前用过“行为主义”这个词，因为你的理解观在某种意义上就是行为主义：它不关心内部有没有心理表征，不关心实现方式、内部机制，只关心实用层面——只要它能展示出使用信息所需的技能，能完成相应操作，就可以认为它具备理解。在这个意义上，宣称某个AI具备理解是完全没问题的。

你最近就在做一件事：开发一套可操作的测试，用来评估人工智能体的理解水平，并且这套测试要和人类理解的评估保持一致，同样的测试既能用于人，也能用于AI，也可以作为AI理解程度的基准。跟我多聊聊这部分。显然AI在你学术生涯里爆发式发展，这是你做这项研究的原因吗？具体在做什么？

亨克・德・雷特：这是我目前研究中很重要的一部分。因为行政事务和教学，我能用于研究的时间比以前少，但我仍在推进，而且是和别人合作完成的。

几年前，我们理学院希望鼓励跨学科合作，我就和一位物理学家、一位计算机科学家开始合作，拿到了启动资金，做机器学习与AI系统中的理解问题，项目就是这么开始的。我们招了一位博士后，克里斯汀・巴尔曼（Kristian Barman），他是我们所有论文的第一作者，目前已经发了三篇，他做了大量工作。

保罗：他是哲学家还是科学家？

亨克・德・雷特：他是哲学家，现在去了根特大学，任科学哲学方向的研究员。他的博士论文写的就是机制解释。

他同时懂AI、也感兴趣，所以我们招了他。这个课题现在占了他研究的很大一部分，他仍在和我们合作。这种合作研究有趣也有挑战，因为大家视角不同，尤其在哲学里很容易出现分歧，但我们取得了不错的成果。

至于我为什么会做这个——在这个项目开始之前，我在做关于理解的报告时，偶尔就会被问到：那计算机呢？科学家也用计算机，如果计算机生成一个解释，它是不是带来了理解？

这和数学里的计算机辅助证明很像：证明太复杂，人类无法全盘掌握，但某个猜想被证明了，却没有一个数学家能通览整个证明。它还能带给我们“为什么这个猜想为真/为假”的理解吗？当然，那时候还没有这波AI热潮。

保罗：这和图灵测试不一样。图灵测试是看计算机能否做出满足“我们认为它在思考”的行为，而不是计算机真的会不会思考。自图灵以来，机器能否思考就一直是个悬而未决的问题。你之前被问到这类问题也很正常。

亨克・德・雷特：没错。约翰・塞尔不久前去世了，就是提出中文屋思想实验的哲学家。很巧，我几周前刚读到他1984年的一本小书，40年前的讲稿。他在里面讨论心灵与机器，机器能否思考，并解释中文屋论证。我重读时的感受是：40多年过去了，我们还在纠结同一个问题。计算机科学和AI当然有巨大进步，AI在50年代就诞生了。

保罗：他当时说的是符号主义AI。

亨克・德・雷特：对，完全不同。他当时就认为，未来技术会极大进步，但句法和语义之间的鸿沟、与理解之间的鸿沟，永远无法弥合。

保罗：因为要有意义，才有理解。

亨克・德・雷特：这就是关键。直到今天，这依然是个核心问题。我认为在当下关于大语言模型的讨论里也是如此：它们是真的理解，还是只是在鹦鹉学舌、预测下一个词？我必须承认，我自己也不完全确定，对此持保留态度。

但在我们的论文和这个基准评测项目里，我们确实采用了行为主义的思路。我们尝试建立这套评测标准，只看系统的能力表现，比如能否回答反事实问题，以及各类可以被看作理解度量的问题。

但我仍然犹豫，不愿说这就是真正的理解。在这个意义上——你刚才把我的方法称作行为主义——

保罗：它可以被解释为行为，和行为主义有相似之处。

亨克・德・雷特：没错，确实如此。

当然，我原本的理论里，也明确包含了这样一个核心观点——无论是科学家，还是任何一个认知主体，要实现理解，都必须拥有一套可理解的理论。你要知道，我当初写书、做相关研究的时候，压根就没考虑过AI这个领域。我满脑子想的都是人类科学家，尤其是从科学史的角度去审视他们：我不把科学家看作是某种纯粹的理性系统，而是把他们当作真实的历史行动者——他们身处特定的历史语境之中，和普通人一样，有着各种各样的认知局限，诸如此类。

这种对人类科学家的关注，也是我们整个研究项目的大背景。我们延续了科学史学家、或许还有科学社会学家们的研究传统，想要证明的是：科学是一项人类的事业，在某种意义上，它完完全全是属人的。而这一点，几乎从定义上就排除了“机器理解”存在的可能——因为人们会自然而然地认为：“只有人类才有大脑、有心灵，才能进行表征活动；或许我们可以把理论看作是一种心理表征，而只有拥有这种心理表征的人类，才有可能拥有真正的理解。”

当然，这也不是绝对的，或许事情并非必然如此，但至少人类是一定能够拥有真正的理解的。我也说不好，或许我当初的想法有些天真，或许是我那时候根本没考虑过行为主义，也没想过要在心灵哲学或认知科学的某个阵营里站队。但当我们开始认真思考“机器理解”这个问题，开始探讨人工智能系统是否也有可能拥有理解能力时，我们尝试采用了这样一种研究思路：我们确实是通过不同层级的指标来衡量理解水平的，而这些层级，正好对应着系统能够回答的不同类型的问题。

紧接着，我们在论文中明确提出并论证了这一思路，还直接将其称为“行为主义路径”。我们的核心观点很简单：“如果这就是衡量理解能力的有效方式，那我们凭什么要去区分回答问题的是计算机还是人类呢？”

我猜想，约翰・塞尔要是还在的话，肯定不会赞同我们这种想法。但我们就是这么推进这项研究的。就我个人而言，我虽然是这个研究团队的一员，但我私下里并不确定，这种研究思路是否完全契合我最初的理论——因为在这个过程中，我们舍弃了我自己理论里一个相当关键的要素，也就是“理解必须依赖理论”这一核心观点。当然，这一点也正是我们后续可以深入研究的方向，目前很多人工智能领域的哲学家也正在围绕这个问题展开研究。

事实上，我目前还在和一位德国的科学哲学家弗洛里安・博格（Florian Boge）合作，他在人工智能领域做了大量的研究工作，还主持着一个大型项目，手下有不少博士生和博士后。他目前正在深入探讨的问题包括：拥有深度神经网络的人工智能系统，是否真的在进行表征活动？我们能否判断它们是否拥有概念？比如，他提出过这样一种观点：“或许人工智能系统并没有真正意义上的概念，但它们拥有某种我们可以赋予其意义的东西，这种东西就相当于‘功能性概念代理’——也就是说，它虽然不是真正的概念，却能起到和概念一样的作用。”

保罗：问题在于，理论层面是否也可以这样：AI也能拥有可理解的理论？

亨克・德・雷特：没错。我提到这一点，是因为这正是下一步研究方向：我们能否找到、或论证AI系统在某种意义上也拥有理论。

保罗：你最终或许不必放弃“理论”这一条件。

亨克・德・雷特：也许最终确实不用。你怎么看？你本身是认知神经科学家。大脑和神经网络的类比 —— 我们组里有些人，比如克里斯蒂安，态度更直接，就是把大脑比作…… 当然，神经网络和深度学习的初衷，就是类比大脑，认为大脑也是这么工作的。

如果人类大脑可以理解、可以表征、拥有理论，那AI里的深度神经网络或许也可以。我们并不知道AI里这些“理论”存在于哪里，就像我们也不完全清楚理论在人类大脑里是怎么编码的。我在这方面算是外行，了解不多。

保罗：这是一个哲学问题。要说 “我这样一个有机体，拥有一个对我而言可理解的理论”，你首先要厘清这句话到底是什么意思。直接说 “一个系统拥有一个可理解的理论”，本身就很奇怪。 在这个意义上，我用 “紧缩” 这个词应该是对的：你的理解理论是一种紧缩式解释。

我觉得自己至今仍然放不下理解中的主观层面：比如，我要判断“我是否拥有一个对我可理解的理论”，这本身是一种主观判断。在这个意义上，它是主观的。

我还是放不下那种古老的、心灵层面的东西，也不会把它赋予机器。有机体的理解是某种更崇高的东西；但如果接受紧缩版解释，把理解归给机器就完全没问题，只是它没那么“特殊”了，含义和我直觉里的理解不一样，不知道你能不能明白这种感觉。

亨克・德・雷特：我能明白。这是一种可行的思路。

保罗：举个例子，查默斯的哲学僵尸。大卫・查默斯的僵尸可以拥有理解，因为它不依赖意识、不依赖主观性。但如果我们做个调查，先解释什么是哲学僵尸，再问：这个僵尸真的理解它要过来…… 比如过来“吃你”吗？它真的理解自己需要营养之类的吗？还是它只是像机器一样行动？

我们甚至能提出“它只是像机器一样运作、没有理解”这种区分，就已经暴露了我们日常语言里对“理解”的直觉用法。我很惊讶你也会犹豫，不愿轻易把理解归给机器。但在你的理论里，这是完全可能的，只是“理解”会带上一层不一样的色彩。

亨克・德・雷特：是的。我这种犹豫，也来自之前说的：当我研究科学理解、写书和论文时，我脑子里的图景是——从事科学的是人类。要理解科学是什么、科学理解是什么，就必须看真实实践，而不是坐在扶手椅里做理性建构，搞一套形式上正确、却和现实无关的系统。

现实中的科学，是人类在实验室里做实验、在桌前计算、思考、创造。

保罗：是行动。

亨克・德・雷特：对，是行动。在这个意义上，我过去、现在依然会犹豫，也很难直接说：“这些都可以被计算机取代。”

保罗：那么，其他关于机器理解的理论有哪些，你的理论又和它们有什么不同？我直接明确说吧，目前有三类问题被用来评估机器的理解能力。第一类是是什么问题（what questions），用来检验机器能否获取用于做出解释的有效信息。第二类是为什么问题（why questions），看机器或人工智能体能否对相关现象构建解释。第三类是反事实问题（counterfactual），源自伍德沃德（Woodward）的因果解释理论：假如情况发生变化，会怎样？能否定性地解释，如果某个条件以特定方式改变，现象会出现何种不同、会发生什么？

这三类问题被用来评估机器的理解。当然，之后还要对这些问题的答案进行评判，这可能又是另一个问题了，因为答案并不是数学题，没有一个问题的答案会是简单的“42”。

亨克・德・雷特：没错，这只是我们的基本框架。

保罗：你是否会和其他理论产生争论？毕竟人们很关心机器的能力与本领，尤其是在这波AI热潮之后。我知道你在写相关内容时会参考其他理解理论，也稍微提到过图灵，那么有没有其他理论是你不认同的，或者对于你所采用的这种处理方式有自己想法的论述吗？

亨克・德・雷特：首先，在出发点和哲学预设上，我认为会有很多哲学家直接表示反对，因为他们主张不能把理解归属于机器。这是最主要的分歧。

保罗：是形而上学意义上不可理解的那种分歧吗？

亨克・德・雷特：是的。在这个意义上，我们的立场已经算是有些非主流。而开发评测基准的想法——目前虽然算不上传统，但已经有很多针对机器语言理解等各类理解的基准。我们只是在此基础上，尝试专门为科学理解，尤其是物理学领域，建立一套基准，因为这是我们团队最熟悉、希望聚焦的领域。

我们有一篇尚未发表、但已放在预印本平台的后续论文，是和几位硕士生一起完成的。我们在《心灵与机器》（Minds and Machines）已发表论文的基础上，更详细地阐明了可以提出哪些问题，并对问题进行分类。我们搭建了一个网站，计划邀请专家对问题的答案进行评判。我们希望邀请人们提交问题、给出答案，逐步构建一个问答集，最终形成这套基准。

有些问题确实最简单的方式就是像你说的，用一个能直接给出数字的计算，或者只有一个正确答案的选择题。这种方式当然好用、容易实施，但我们也希望纳入更多开放式问题，或是系统需要完成的其他任务与问题，这部分难度更高。事实上，我们目前仍在构建这套基准。

理解的实用主义本质——

错误理论、理想化与抽象的价值

保罗：在传统机器学习里，评测基准占据主导地位，但通常都是用准确率百分比来衡量。只有在答案非黑即白、非常清晰的时候才适用，比如选择题之类的。但这里存在古德哈特定律的问题：一旦你设定了目标，这个基准就会失效，变成一个很差的衡量指标。因为大家所有努力都会集中在通过测试上，而不是真正提升你想评估的能力。做研究时也必须考虑这些问题。

你现在试图把理解给操作化，这可能是你之前没想过的——用这种方式去量化理解。我记得在你之前的书里，其实并没有真正谈论如何量化理解，更多是在奠定理解这个概念的概念基础，对吗？

亨克・德・雷特：没错。正如你刚才提到的，这可以追溯到我最初那本书。我确实承认理解是有程度之分的，在这个意义上它是可以测量的。最开始研究这个问题时，书里也体现了这一点，我并没有展开细说，甚至在表述上更接近“要么理解，要么不理解”的二分法。但在研究过程中我逐渐意识到，从科学史来看，理解显然是分程度的。

举个有点颠覆性的例子，这个观点不在书里，而是我后来另一篇论文中提出的。我研究过化学革命，也就是从燃素说过渡到拉瓦锡的氧化学说，现代化学由此开端。18世纪的燃素说现在已经被遗忘，我问过一些化学专业的学生，他们甚至都不知道燃素是什么。

保罗：这样啊。

亨克・德・雷特：哲学家们会说，燃素说是典型的错误理论，燃素根本不存在，所以这个理论不可能带来任何理解。

保罗：而你认为：它可以。

亨克・德・雷特：没错，确实如此。至少在18世纪的语境下，它能够带来理解，甚至在今天也能给我们一定的理解。这部分观点可能比较有争议。当然，我也承认，拉瓦锡的氧化学说比燃素说能带来更多的理解。这就意味着我们必须对理解进行比较，也就意味着理解存在程度差异，因此需要一种衡量方式。

不过我本人并不喜欢过于形式化的哲学进路，可能也不是我的专长，所以我从来没有自己尝试去建立量化方法，但已经有其他学者在做相关工作，比如关于理解程度的论文等。

保罗：所以你是有点被动地被拉进这条智能体理解的研究路线里的？

亨克・德・雷特：你是指AI这个方向吗？

保罗：对。

亨克・德・雷特：完全不是。我是真的想弄明白，想去思考、去探索这个问题。在我意识到其中存在张力之后，也并不想先验地直接否定 “AI系统或机器可以拥有理解” 这一可能。在某个时刻我意识到：我依然没有确切答案。但或许更重要的是，我们在机器理解这个项目上最初想回答的问题——“机器能理解吗？机器能思考吗？”——可能本身就没那么有趣。

更有意义的问题其实是：我们人类科学家该如何与机器合作？AI系统能为科学做些什么？你可以把它们只当成工具，也可以把它们当作合作者、当作可以交流互动的主体。在这种视角下，它们是否真正拥有理解，也许就没那么重要了。就像你之前说的：“真正拥有”到底是什么意思？

此时，行为层面就变得更重要：机器的输出是什么？对我们人类而言是否可理解？我们如何一起推进科学理解？诸如此类。

保罗：我想大家心底里还是习惯把“合作者”等同于人类。在期刊俱乐部或是其他学术场合，我和其他人互动、交流想法、互相批评，来回碰撞。而现在人们把AI当作工具使用时，经常会感叹：“哇，这个我没想到。”然后就会忍不住想：机器内部到底发生了什么？于是一夜之间，就有人开始把意识归给机器。

但在你的理论里，理解是紧缩的，偏向行为主义，所以我们可以说某个东西拥有理解，却不用认为它能感受痛苦。关掉它的时候也不会有心理负担。可如果它有意识，关掉它就会让人不安，对吧？

亨克・德・雷特：是的。

保罗：在这个意义上，接受“理解并非只是人类的专属”，其实是可以接受的。

亨克・德・雷特：你是把理解和意识这些东西区分开了？

保罗：不不，我并没有刻意区分。

亨克・德・雷特：我现在的立场，可能正在转向更乐观、或者说更少犹豫的方向。现在我们有了ChatGPT，显然每个人都在用，我自己偶尔也会用。人们和它互动的方式，就像在和另一个人说话一样。ChatGPT总是很客气，你也会礼貌地说 “请告诉我……”“谢谢” 等等。有人会说这很荒唐，但一旦建立起这种互动，人们就会自然而然地把感受、意识之类的东西归给和自己互动的系统。

然后你就会问：区别到底在哪？我现在和你对话，看着屏幕，我当然相信远处房间里有一个真实的你，一个有大脑、思想、和我一样有意识的人。但这也涉及他心问题。怀疑论者甚至可以质疑这一点。那么，怀疑你的意识与理解，和怀疑机器的意识与理解，最终差别在哪？

保罗：出于某种原因，我们很在意生命与非生命的区别。我不想因为关掉一台机器而感到内疚，我也确实不会——但是。

亨克・德・雷特：是啊。我可以把“你”（指机器）关掉，但你（真人）还在。我相信就算我拔掉插头，你本人也还好好的。

保罗：没错。你看，你和我就不存在这个问题。你这是把我“点燃”了啊，亨克。

我想回到刚才你简短提到、但我们还没细聊的一个观点：理论可以是错的，但依然能增进理解。即便事实搞错了，也依然可以对理解有贡献。这很像乔治・博克斯（George P. Box）的那句名言：“所有模型都是错的，但有些是有用的。”在你的理论里，即便一个东西在事实上不正确，它依然可以贡献理解。

但现在的大多数大语言模型，从人工智能这边来看，它们出错的方式往往是琐碎、无意义的，这些错误对推进理解没有任何实用性帮助。也许是因为它们并不基于一套可理解的理论来输出内容，只是基于海量文本、做统计性的下一个词预测，这一过程不需要任何可理解的理论。

所以它们犯的错，不是那种“我懂你的理论来源，虽然结论错了但思路有价值”的错，更像是低级错误，比如把红色说成蓝色之类的，对吧？

亨克・德・雷特：是的。

保罗：我的问题是：我不知道你们目前做了多少评估，但如果AI只是以这种琐碎的方式出错，因而无法贡献理解，那你是不是会认为：真正的区别，在于它们能否以“有用的方式”出错或提出批判性看法？

亨克・德・雷特：是的。我非常喜欢你这个问题，因为这是我还没有思考过的角度。我还没有把 “模型可以错误但有用” 的讨论和机器理解联系起来。我之后会继续沿着这个思路想。

因为确实，关于事实性的争论——我称之为 “理解是否依赖事实”——核心问题就是：理论必须为真或近似为真，才能带来理解吗？

在这场争论里，我站在非事实主义这边。我认为理论出错完全没问题。燃素说显然是错的，但所有理论都是错的。牛顿理论也显然是错的，我们依然能用它来理解。关键在于表征和模型的用处，而不只是真值或精确度。高度理想化的模型，只要可用，依然非常有用。

但在机器理解的讨论里，我还没见过有人从这个角度切入。所以我觉得你的建议非常有原创性，也希望是有价值的。大语言模型犯的错，不是表征意义上的错误，它们甚至可能根本没有表征，只是在预测时出一些奇怪的错误。

比如我想到一些例子：它们连简单的算术都算不对，或者给出前后不一致的答案。我记得最近看到一个例子：问它“nineteen”这个单词有多少个字母，它一开始答对了，大概是8个。然后问它“你确定吗”，它反而改错了，就是这种错误。

保罗：好吧，其实人类也会干这种事。这点也许没错。系统在输出、在预测中出错，这类错误，在我看来，对应到人类的科学理解中，就像是科学家基于某个模型或理论做出的预测出现了偏差。比如牛顿理论，可以成功预测行星轨道和大量现象，但到了19世纪，就出现了水星轨道的异常。

亨克・德・雷特：就是水星进动问题。

保罗：没错，后来爱因斯坦的理论给出了正确解释。你可以说，这是一种输出上的错误，但它恰恰推动了理论的修正。这种错误本身是理论带来的结果，也揭示了理论的问题。但在机器身上——很多时候我们完全找不到它出错的原因，就是毫无来由地错了。

亨克・德・雷特：是的。现在已经有一大批人在专门研究这个问题。

保罗：对，涉及模式识别、底层机制等等。如果能把这两类错误拿来对比，会非常有意思。

亨克・德・雷特：顺着这个思路，我们其实又绕回了之前的问题：神经网络或机器，到底有没有表征。

保罗：这和人类的错误是两回事，对吧？

亨克・德・雷特：你必须分析这些错误的来源。你刚才的观点就是，这是不同类型的错误，没错吧？

保罗：没错。我想再往前推一步。我们刚才说到，所有模型都是错的，因为模型都是理想化的。理想化必然会忽略细节、进行抽象。

我想把这个和理解联系起来：既然模型存在抽象程度的梯度，那理解是不是也有对应的抽象梯度？抽象和理解之间是什么关系？我不需要知道电脑里所有原子的状态，才能描述它怎么工作，我可以在不同抽象层次上描述它。

抽象程度和理解的本质之间有没有关系？你有没有思考或写过这方面内容？如果我在你书里漏掉了，不好意思。

亨克・德・雷特：我没有专门写过这个问题，但我确实写过理想化。理想化和抽象相关，但并不完全一样。理想化本身也是一种抽象，因为你会撇开特定细节、省略细节。在这个意义上，理想化是一种抽象。

按照我的理论，理想化能够促进理解、帮助理解，因为它提升了可理解性。如果你用极其精细的方式去描述一个系统——

保罗：能不能举一个能提升理解的理想化例子？一下子能想到的那种。

亨克・德・雷特：我书里有一章专门讲19世纪气体动理论的模型。比如原子模型：最开始把分子或原子当作质点，或者简单的小球，只考虑质量、运动、位置、速度等。这就是一种抽象，而真实的分子远比这复杂。

再比如太阳系模型：即使是实物模型，把行星做成大小不同的完美球体，沿椭圆轨道绕太阳运动，这也是抽象，因为真实行星复杂得多。但这是非常成功的抽象，因为太阳系在宇宙中相对孤立，几乎可以完美用牛顿定律描述而不受干扰。行星上的山川湖海、我们在地球上生活这些细节，对于太阳系尺度的运动来说全都无关紧要。把这些细节去掉，就是抽象。

你刚才问到的梯度或层级，这里有一句爱因斯坦的名言，我记不太清原文，大概意思是：科学家要让事情尽可能简单，但不能过于简单。你也可能过度理想化，省略掉太多关键东西。在我的理论里，关键在于理想化的实用价值：对我们而言，使用这些简单模型更容易预测系统行为。

保罗：这一点能不能直接对应到理解的实用价值上？

亨克・德・雷特：我会说，这就是理解的实用主义本质。

保罗：我在想的是抽象是有层次的。既然理解存在梯度，那是不是也存在不同层次的理解？梯度只是“多与少”，但抽象层次上，你可以在不同层级看到涌现性质。我的问题大概就是：理解现象本身，是否也存在类似的涌现性质？

亨克・德・雷特：层次化的理解。你是说，更高层次的理解会有某种东西涌现出来。

保罗：也不一定非要说是理解本身的涌现性质，而是类似的结构：抽象程度越高，你就越能浓缩解释，不用追踪气体里每一个分子，而是直接描述分子的统计性质，这很有用；研究太阳系时，不用管山脉和真实地形，直接把地球当成球体。这些都是有用的涌现性质，可以用简洁的语言有效描述。

而理论本身就有不同的抽象与理想化层次，我只是想知道，理解能不能和这些抽象层次干净地对应起来。我也不确定这个问题本身够不够清晰。

亨克・德・雷特：问题很清楚，我只是不确定该怎么回答。我还不确定，这和我之前说的理解的程度——比如燃素说比氧化学说理解程度更低——是不是一回事。你这个提法，其实是在说理解存在不同维度，对吧？

保罗：啊，对，这个词好。

亨克・德・雷特：也许关键就在这里。

保罗：对，用“维度”就很合适。这也是我一直想问你的，很高兴你提出来了。

隐喻、公众理解与AI合作的未来

亨克・德・雷特：到目前为止，我还是坚持理解有程度差异，但并不是从一种理解变成另一种完全不同的理解。我其实在公众科学理解的相关讨论中思考并写过这一点。我们之前简单提过，你也可以对比：物理学等领域的专家科学家，对现象拥有或高或低的理解，但那是科学理解，和他们的数学技能等各种能力相关。

而我们说的公众科学理解，是面向没有专业技能的普通大众的。

你可能会想说：这是不同类型的理解，不是从外行到专家的连续梯度，而是本质不同。但我目前更倾向于后者：二者只是程度不同，并非本质不同。它们的相似之处在于，技能都很重要，只是技能类型不同。

真正的外行/公众理解，不只是记住一堆事实。传统测量方式就是做问卷调查，地球年龄多大之类的，像知识问答一样，看你知道多少。但真正的理解不止于此，它还包括推理能力，以及把握整体图景的能力，而不只是零散事实。所以在我看来，这并不是完全不同的理解。

说到这里，我和一个硕士生合作过一篇关于隐喻的论文。我们的结论是：隐喻不仅出现在科普作品里，也出现在专业科学文献中，作用略有不同，但隐喻无处不在。

保罗：而且出现频率差不多，对吧？

亨克・德・雷特：完全正确，只是用法不一样，可以是封闭的，也可以是开放的。比如最开始作为交流隐喻的概念，后来发展出信使 RNA、翻译等术语，现在都成了专业概念，虽然源头仍是隐喻。我们的结论是：对公众使用隐喻，是因为能和日常生活经验联系起来，让他们听懂故事，这是促进公众理解的工具。

保罗：道理是这样的：当你用隐喻向外行解释时，他们可以借此形成直观想象——因为他们没有对应的专业概念，必须把陌生事物和熟悉事物联系起来，才能抓住你想表达的核心意思。而我想让你接着说说，隐喻在专家之间是怎么被使用和理解的，对吧？

亨克・德・雷特：是的。在这一点上用法确实不同，但重要的是：即使对专家科学家而言，隐喻在科学发现过程中也可以充当理解的工具，能够让理论变得可理解。比如说，可视化对公众理解来说是非常有用的工具，数学则不是。有句很有名的说法：科普书里每多一个公式，读者就会少一半。

这可能是真的。但我对科学理解的研究表明，对大多数科学家来说，可视化同样是重要工具。比如费曼，他是极富数学洞察力的顶尖物理学家，但他同样拥有视觉化思维，他的视觉化想象能力带来了极强的创造力。

保罗：不过我得说，可视化并不是必需的，因为有些人——我忘了专业术语——并不是所有人都用视觉意象思考，对吧？

亨克・德・雷特：它不是必需的，这正是我的观点。我同意。薛定谔认为可视化是必需的，我不这么认为。但我们同时也能看到，很多科学家，就像很多普通人一样，会使用可视化，也偏爱可视化。

再说到神经科学、生命科学里的机制解释争论，机制解释也是和可视化绑定在一起的，对吧？基本想法就是：如果你有一张机制的示意图，就能对系统有整体把握，从而获得更深的理解。

保罗：对，是这样。我更愿意把它看作是因果如何运作的故事。你看那些巨大的连线图，节点用线连起来，那就是一种机制化的描述，对吧？

亨克・德・雷特：是的。

保罗：我想说的是，在你那篇关于隐喻使用的论文里，专家在科学领域内部使用隐喻时，它会变成你们所说的封闭隐喻：它不再是把研究对象和喻体联系起来，而是封闭了这种外部联系，因为隐喻本身已经变成了专业术语，直接等同于你要理解的现象。

这里会出现意义的错位。阿尔弗雷德・诺斯・怀特黑德（Alfred North Whitehead）把这种情况称为误置具体性谬误——如果你把隐喻当真，忘记它只是个隐喻，就会出现这种问题。这在很多科学家身上都存在：他们忘了自己是在用隐喻理解对象，反而觉得隐喻就是对象本身，就是现象本身，但实际上它永远只是隐喻。

总之，区别就在这里：在科学使用中，隐喻变成封闭隐喻，并对理解起到重要作用；而面向大众科普时用的是开放隐喻，喻体和要表达的概念之间始终存在来回对照。但在科学领域内部，隐喻已经封闭，它直接就是要表达的概念。我这个描述准确吗？

亨克・德・雷特：非常准确，总结得特别好。我还要补充一点：开放隐喻与封闭隐喻的区分并不是我们提出的，我们是借鉴了苏珊娜・克努森（Susanne Knudsen）的一篇论文，她最早提出了这个划分。我们在研究中也验证了这一点，并把它和理解联系起来。

你总结得非常到位，这也让我重新思考：或许我们确实可以认为，专家使用隐喻和公众使用隐喻之间，存在某种根本性差异。在这个意义上，我们之前讨论的理解的维度、种类、层次，也可以用这一点来区分。

对谈链接见：

https://www.thetransmitter.org/brain-inspired/does-ai-understand-what-it-produces-henk-de-regt-explores-how-we-might-assess-understanding-in-machines-and-humans/

关于追问nextquestion

天桥脑科学研究院旗下科学媒体，旨在以科学追问为纽带，深入探究人工智能与人类智能相互融合与促进，不断探索科学的边界。欢迎评论区留言，或后台留言“社群”即可加入社群与我们互动。您也可以在后台提问，我们将基于追问知识库为你做出智能回复哦~

关于天桥脑科学研究院

天桥脑科学研究院（Tianqiao and Chrissy Chen Institute）是由陈天桥、雒芊芊夫妇出资10亿美元创建的世界最大私人脑科学研究机构之一，围绕全球化、跨学科和青年科学家三大重点，支持脑科学研究，造福人类。

Chen Institute与华山医院、上海市精神卫生中心设立了应用神经技术前沿实验室、人工智能与精神健康前沿实验室；与加州理工学院合作成立了加州理工天桥神经科学研究院。

Chen Institute建成了支持脑科学和人工智能领域研究的生态系统，项目遍布欧美、亚洲和大洋洲，包括、、、科研型临床医生奖励计划、、科普视频媒体「大圆镜」等。