本文内容来源于《第四次革命》一书，本书作者是信息哲学领军人，牛津大学哲学与伦理信息教授，牛津大学互联网研究院主任，谷歌首席咨询顾问卢西亚诺·弗洛里迪。
人工智能研究试图再生人类智能行为的结果，并创造出与人类智能行为相当的智能。当兴趣点聚集于再生智能行为时，人工智能作为工程学的分支获得了令人惊叹的成功。如今，人类越来越依赖于同人工智能相关的应用(智能技术)来完成众多任务，如果只靠独立的或精简的人类智能，这些任务或许根本无法完成。再生人工智能在前所未有的众多领域常常会超越和取代人类智能。丹麦计算机学家艾兹格·迪科斯彻的著名评论——“机器是否能思考，与潜水艇是否能游泳的问题很像”，暗示的就是再生人工智能共享的应用方法。下次你坐飞机时，如果再遇到颠簸的降落，记住这可能是人类飞行员在操作飞机，而不是计算机。
然而，当兴趣点聚焦于产生智能时，多产人工智能作为认知科学的分支却令人失望。它不仅没能超越人类智能，甚至没能加入竞争圈。如今，机器智能还停留在烤面包的程度，而且我们对于如何改进这一点毫无线索。当你的计算机屏幕上跳出“找不到打印机”的警示时，你可能会稍感不快，但并不会惊讶，虽然有问题的打印机就放在计算机旁边。2011年，IBM能回答用自然语言所提出问题的超级计算机Watson战胜人类对手赢得益智类问题游戏节目《危险边缘》这一事实，只是展示了人造智能可以很聪明，但却没有智能。数据挖掘者并不需要智能来获得成功。
人工智能的两个“灵魂”(工程学和认知学)在智力优势、学术权力和财政资源上常常相互竞争。一部分原因是它们拥有共同的由来和同一个智能传承：同样的诞生事件(1956年达特茅斯夏季人工智能研讨会)和同一个“父亲”(艾伦·图灵，包括他的计算机及其计算局限，以及他著名的图灵测试)。那些旨在用来检验模拟的来源是否已经被生成，或者只是匹配或超越了此类智能来源的行为或表现的模拟，似乎并没有什么用。
人工智能的两个“灵魂”的名字很多，而且并不总是一致。有时候是弱人工智能与强人工智能，或是好的老式人工智能与新的/新式人工智能，它们能被用来描述两个“灵魂”的差异。我更喜欢用造成更少误解的轻人工智能与强人工智能之间的差别来描述。两者目标和结局的不同导致了无休无止的，但大多毫无意义的诽谤。人工智能的辩护者着力于再生、工程学人工智能的强大结果，这正是弱人工智能或轻人工智能的目标;而人工智能的诽谤者着力于多产、认知人工智能的弱产出，这是强人工智能的目标。许多毫无意义的对特异事件的推测(有一天人工智能会超越人类智能的理论边界)，其根源都在于这种误解。
如今，模拟仿真和功能主义不能混为一谈，因为同样的功能(剪草坪、洗盘子、下象棋)由不同的物理系统来完成。仿真与结果是联系在一起的：经由完全不同的策略和过程，互相模仿的智能体会得到同样的结果(草坪剪好了、盘子洗干净了、游戏赢了)。结果并不由过程所决定。这种对结果的强调在技术上颇为引人入胜且非常成功;它是信息与通信技术在我们的社会中不断扩张的见证。不过，它的哲学内涵却让人昏昏欲睡，总结起来也不过是“错综复杂”。这会成为我们对人工智能哲学的兴趣终结点吗?我认为完全不会，至少有两个主要原因。
第一，通过尝试绕过语义门槛并从硬件和句法中“挤出”一些信息过程，人工智能开辟了大量而广阔的研究领域。这些领域在观念上挑战着人工智能自身的权利，同时它们也是与人工智能的潜在内涵和应用相关的有趣观念。这些创新一部分被称为新人工智能，比如安置好的机器人、神经网络、多智能体系统、贝叶斯系统、机器学习、细胞自动机、人工生活系统，以及很多不同的专门逻辑等。一旦你接触到这些领域，许多观念问题和科学问题看起来就不再一样。
第二也是最重要的一点是，为了避开之前提到的分歧(工程学VS.认知学、仿真VS.模拟)，我们必须意识到，人工智能不能被简化为“自然科学”或者“文化科学”，因为它是一门“人工科学”。这也正是诺贝尔经济学奖得主赫伯特·西蒙的观点。人工智能既不追求通往世界的描述性方法，也不追求规范性的途径。它致力于探究在我们所生活的世界上建立和嵌入人造智能并与之进行成功交互的限制。换句话说，它旨在记录世界，因为这样的人造智能是一些新的逻辑数学代码，也就是伽利略的有关大自然的数学书中所说的新文本。这种记录世界的过程是我们在第2章中所说的构建信息圈的一部分，它对我们更好地理解世界正在发生的变化非常重要。
