ROUTE TIMELINE · 9 NODES
行为表现与操作性路线
什么表现可以支持智能判定，操作性检验与解释之间有什么距离？
问题何时发生转折？
点按图中的节点，进入问题、方法与原文定位。手机可横向滑动查看大图。
沿节点阅读问题、方法与证据
筛选作用于下方节点清单；上方图始终显示完整路线。点击图中的节点会恢复完整清单并跳转。
行为资料能否独立成为心理学的研究对象？
- 问题
- 研究行为的价值是否必须先由意识解释来证明？
- 方法与核心变化
- 将预测与控制行为设为研究目标，通过可操纵刺激、习惯与反应建立实验问题。
- 限制
- 统一方法的主张不等于已经证明物种间机制相同，也没有在本文建立智能总分。文中的历史人群称呼不转化为本站分类或能力结论。
- 接下来的问题
- 什么证据能够区分行为预测成功与对心理过程的充分解释？
前提、原文定位与阅读范围
前提：这是作者提出的研究纲领；对象、方法与成功标准共同改变，并非通用智能测试。
以下是原批次记录的主张类型；“原文报告”与独立复现分别登记。
作者把心理学目标放在行为的预测与控制，并认为内省不是必要方法；动物行为资料无须先被翻译为人的意识内容才有研究价值。
定位：开篇第1段及行为资料独立价值讨论；Summary 2–3 · watson-1913
视觉辨别的例子要求区分波长与强度等实际控制变量；记忆例子关注学习速度、错误、曲线与保持。
定位：正文vision例子与随后的memory段落 · watson-1913
作者承认当时的行为方法还不能覆盖想象、判断等所有复杂过程，并承认其纲领仍有弱点。
定位：正文复杂行为讨论及结论前两段 · watson-1913
Psychology as the Behaviorist Views It ↗
John B. Watson
版本：Psychological Review 20, 158–177；York University原文转录。
已读：网页正文开篇至Summary第5点；脚注1–6及7开头。以段落主题定位，网页未逐段显示原刊页码。 (指定片段)
未读／未核验：脚注7末段及原刊排版未完整核对；提到的动物或人类实验未独立复现。
按所列网页原文范围审校；未核对全部原刊扫描图或独立复现其经验例子。
改变研究立场能否取消原来的心理学问题？
- 问题
- 行为研究完成后，经验与意识问题是否因此被解决？
- 方法与核心变化
- 区分研究对象的立场、观察资料和理论解释，追问行为资料是研究终点还是其他现象的迹象。
- 限制
- 这是方法与逻辑批评，不是内省法优越性的实验验证；研究者关于科学与技术的划分也属于其立场。
- 接下来的问题
- 若行为被视作能力的证据，能力构念与观察结果之间需要哪些额外论证？
前提、原文定位与阅读范围
前提：回应同时针对Watson两篇1913文章；脚注2区分A、B文，不能把所有批评归到一篇。
以下是原批次记录的主张类型；“原文报告”与独立复现分别登记。
Titchener认为改变观察立场产生新的研究方面，并不在逻辑上排除内省心理学的问题。
定位：印刷6页 · titchener-1914
他区分可观察结果与解释框架，反对用预先假定所必然导出的结果当作该假定的独立证明。
定位：印刷12页；脚注26 · titchener-1914
末段提出行为研究与心理学可以相互依赖；脚注36同时赞同不能严格给出心理现象的客观判据，不能把此文简化成反对所有行为实验。
定位：印刷15–17页及脚注36 · titchener-1914
On Psychology as the Behaviorist Views It ↗
Edward Bradford Titchener
版本：Proceedings of the American Philosophical Society 53, 1–17；York University转录保留页码及脚注。
已读：印刷1–9、12–17页相关正文；脚注2、26、30–36及所列引用。重点研究对象、假设与证据、行为学与心理学关系。 (指定片段)
未读／未核验：10–11页反驳意象的细节未完整读；Watson第二篇Image and Affection in Behavior未独立阅读全文。
按所列网页原文范围审校；未核对全部原刊扫描图或独立复现其经验例子。
以模仿游戏重述机器思考问题
- 问题
- 怎样把“机器能否思考”改写为可讨论、可实施的比较？
- 方法与核心变化
- 限制交流通道，以问答中的辨认表现重述问题；同时提出比较孩子程序及其教育过程。
- 限制
- 该文没有给出已验证的通用能力量尺。行为判别协议、学习机制设想和作者预测承担不同的证据角色；原文关于超感知的历史判断不被本站采用为事实。
- 接下来的问题
- 怎样区分拟人对话表现、特定任务熟练程度和获得新技能的能力？
前提、原文定位与阅读范围
前提：协议限定为文字交流和数字计算机；假定足够存储、速度和适当程序；人的外形与动作能力不在该协议内。
以下是原批次记录的主张类型；“原文报告”与独立复现分别登记。
用机器替代模仿游戏中的A来重述原问题；文字通道排除外形和声音，同时承认机器可能以不同于人的方式思考。
定位：§1–3，PDF 1–3 · turing-1950
五分钟询问后平均判断者正确辨认不超过70%的说法是作者面向未来的信念，不是当年测得的通过率。
定位：§6开头，PDF 8 · turing-1950
把初始结构、教育和其他经验区分开来；建议反复比较孩子程序的学习过程，也讨论推理步骤选择与速度。
定位：§7，PDF 19–22 · turing-1950
Computing Machinery and Intelligence ↗
Alan M. Turing
版本：1950年论文的22页教学转录；页首误写Mind 49，正式卷号为59（LIX），433–460。转录§5注明一张表被省略；不用于表格或逐字校勘。
已读：PDF 1–3、6–8、17–22：§1–3、§5及§6开头、§6(9)与§7。 (指定片段)
未读／未核验：§4及§6多数反对意见未完整审读；未逐字核对期刊扫描；不把未来预测当实验结果。
只核对所列原文范围；作者实验未计为本站复现。
中文房间：表现足以证明理解吗？
- 问题
- 回答与母语者无法区分，是否足以推出系统理解了内容？
- 方法与核心变化
- Searle以执行形式规则却不懂中文的思想实验质疑强AI的充分性主张，并讨论系统、机器人等答复；Hofstadter反驳其层次与复杂度直觉。
- 限制
- 这是有明确反驳的哲学论证，不是证实机器不可能理解的实验。评论也没有给出经验上已验证的理解测验；不能据此裁定任何现代模型是否有心智。
- 接下来的问题
- 若行为证据不足以唯一决定解释，还需要哪些机制、干预或跨情境证据？
前提、原文定位与阅读范围
前提：思想实验设定了规则程序和理想输入输出能力；系统边界、理解的含义与可实现规模本身属于争议。
以下是原批次记录的主张类型；“原文报告”与独立复现分别登记。
Searle区分作为研究工具的弱AI与声称正确程序本身构成心智解释的强AI；论证针对后者。
定位：417–418，PDF 1–2 · searle-1980
系统答复把理解归给人、规则和资料组成的整体；Searle通过内化全部规则的设想回应，并明确质疑图灵测试的充分性。
定位：419，PDF 3 · searle-1980
Searle并不否认人工机器原则上能够思考；他否认仅凭形式程序就充分获得意向性。
定位：422–424，PDF 6–8 · searle-1980
Hofstadter认为从有限故事问答跳到完整图灵测试改变了复杂度，并质疑用低层执行者的直觉否定高层系统性质。
定位：433–434，PDF 17–18 · hofstadter-1980
Minds, brains, and programs ↗
John R. Searle
版本：BBS 3:417–457合刊扫描，42页；目标文章417–424，后含评论与答复。
已读：目标文章417–424（PDF 1–8），含六类答复、结论和注释。 (指定片段)
未读／未核验：其余评论与作者答复未系统通读；Hofstadter评论另设阅读记录。
只核对所列原文范围；作者实验未计为本站复现。
Reductionism and religion（对Searle的评论） ↗
Douglas R. Hofstadter
版本：同一期BBS开放评论，印刷433–434；与目标文章共用PDF载体。
已读：433页Hofstadter标题起至434页Libet标题前（PDF 17–18）。 (指定片段)
未读／未核验：未把评论中的数量级估计当实测运行成本；未审读全部往返答复。
只核对所列原文范围；作者实验未计为本站复现。
智能是否只有一种定义？
- 问题
- 不同研究者所说的智能究竟包括哪些能力或目标？
- 方法与核心变化
- 汇集集体、心理学和AI研究者的定义，并讨论能否提取共同特征。
- 限制
- 作者倾向统一定义是研究立场，不由定义汇编直接证明；未逐条回读被引原典。
- 接下来的问题
- 哪些差异来自目标、主体、资源与评价范围？
前提、原文定位与阅读范围
前提：汇编来源的选取、译述与原定义语境均影响比较；不同词汇未必语义等价。
以下是原批次记录的主张类型；“原文报告”与独立复现分别登记。
作者按集体、心理学和AI研究者分类整理70余条定义，承认列表不可能完整。
定位：PDF 1摘要、PDF 2 §1–2 · legg-definitions-2007
作者认为许多定义共享特征，并提出一般统一定义可能，但也指出难以客观地判定哪一项定义唯一正确。
定位：PDF 2 §1；PDF 9 §5 · legg-definitions-2007
A Collection of Definitions of Intelligence ↗
Shane Legg · Marcus Hutter
版本：arXiv:0706.3639v1，2007-06-25。
已读：PDF 2–3 §1–2；PDF 7–9 §4–5；比较集体、心理学与AI定义的组织方式及作者统一定义的立场。 (指定片段)
未读／未核验：未逐一回读70余条定义的原始文献；汇编不等于学科共识。
仅据所列原文选段登记作者主张；未独立复现实验、统计拟合或证明。
跨环境的通用智能度量
- 问题
- 怎样将不同环境的目标达成汇总成一个形式指标？
- 方法与核心变化
- 对可计算、收益总和有界的环境，以2^-K权重累加代理的预期收益。
- 限制
- 不是现成的通用排行榜；复杂环境不等于困难任务，本文22页明确区分二者。
- 接下来的问题
- 有限任务抽样、先验和预算怎样改变实际排序？
前提、原文定位与阅读范围
前提：环境含目标机制；参考机决定复杂度，时间偏好进入收益设置。
以下是原批次记录的主张类型；“原文报告”与独立复现分别登记。
度量采用收益总和不超过1的环境，并依描述复杂度加权，而非对所有任务均匀平均。
定位：§3.2–3.3，19–23 · legg-hutter-2007
作者明确区分不可计算的定义与有限样本实际测验；参考机改变会影响复杂度常数。
定位：23、27–28、39 · legg-hutter-2007
对查表和中文房间的回应采取功能立场，不以实现效率或不可观测理解单独否定高分。
定位：§5.2，42 · legg-hutter-2007
Universal Intelligence: A Definition of Machine Intelligence ↗
Shane Legg · Marcus Hutter
版本：作者站49页稿，封面December 2007；本文页码按该PDF。
已读：17–23、27–28、39–42：交互、收益有界、定义、性质与常见批评；23页公式像素核对。 (指定片段)
未读／未核验：未逐条审读全部历史综述、AIXI最优性证明与批评回应尾部；未实现通用测验。
只核对所列原文范围；作者实验未计为本站复现。
把技能成绩与技能获取效率分开
- 问题
- 高分来自获取新技能的能力，还是已注入的知识与经验？
- 方法与核心变化
- 以任务范围、先验、经验和泛化难度刻画技能获取效率；ARC用少量示例规定新任务，并要求生成完整输出。
- 限制
- ARC是特定范围和先验下的候选测试；高分不能自行证明未利用泄漏、额外经验或隐含工程先验。第二轮记录中的效度问题继续保留。
- 接下来的问题
- 怎样给训练资料、开发者选择与推理预算记账，并检查新任务上的技能增长？
前提、原文定位与阅读范围
前提：固定任务与响应的计算框架；可比较的先验与经验、开发者未知的测试任务是评价前提，而不是分数自动保证的事实。
以下是原批次记录的主张类型；“原文报告”与独立复现分别登记。
提出智能作为给定范围内相对先验、经验和泛化难度的技能获取效率；明确不把它称为唯一正确的定义。
定位：§II.2.1，PDF 27–28 · chollet-2019
历史ARC协议要求任务所有测试例输出完全正确，每例允许3次尝试；按成功任务比例计分，依赖开发者未见评价题的条件。
定位：§III.1.1，PDF 46–47 · chollet-2019
文章明确列出人类式先验，并承认先天先验的精确集合尚不确定；这一设计主张并非已验证的人机公平性。
定位：PDF 27；§III.1.2，PDF 47–48 · chollet-2019
On the Measure of Intelligence ↗
François Chollet
版本：arXiv:1911.01547v2，2019-11-25；PDF题页仍标November 5。第二轮PDF指纹延续，历史ARC协议，不代表后续版本。
已读：第二轮记录已读导言、27–28、46–47、53–54；本批复核PDF 1、27–28、46–48。 (指定片段)
未读／未核验：形式化定义的完整推导与全部ARC先验未逐项审读；未独立验证人的成绩、先验公平性或开发者未见测试题的条件。
只核对所列原文范围；作者实验未计为本站复现。
有限重复次数下的评价不确定性
- 问题
- 少量随机运行得到的领先分数，能否稳定支持算法优劣判断？
- 方法与核心变化
- 同时报告按任务分层重采样的区间、跨任务与运行的表现分布、稳健聚合；核对训练末端得分与训练期间最大得分等协议差别。
- 限制
- 该文解决指定基准与协议中的统计报告问题，不证明任务集合代表通用智能。本站未复现作者对具体算法的排序结论。
- 接下来的问题
- 任务采样的不确定性、运行的不确定性和构念遗漏，如何分别报告？
前提、原文定位与阅读范围
前提：需声明任务集合、归一化参考、独立运行和统计目标；有限样本bootstrap也可能覆盖不足。
以下是原批次记录的主张类型；“原文报告”与独立复现分别登记。
少量运行与随机条件使汇总分数具有统计不确定性；同一随机种子也未必控制GPU等全部非确定性。
定位：§1–2，PDF 1–3及脚注3 · agarwal-2021
按任务分别重采样运行估计聚合统计量的区间；作者在少于足够运行时仍观察到覆盖不足，不能把bootstrap当保证。
定位：§4.1和图6说明，PDF 5–6 · agarwal-2021
IQM汇总合并运行分数的中间50%；表现分布补充单一指标，并指出取训练中最大成绩与最终成绩会造成协议不可比。
定位：PDF 5；§4.2–4.3，PDF 6–7 · agarwal-2021
Deep Reinforcement Learning at the Edge of the Statistical Precipice ↗
Rishabh Agarwal · Max Schwarzer · Pablo Samuel Castro · Aaron Courville · Marc G. Bellemare
版本：NeurIPS 2021主文PDF，17页；不是对rliable当前软件版本的评测。
已读：PDF 1–3、5–7：问题与形式化、协议变化、§4分层bootstrap、表现分布与IQM定义。 (指定片段)
未读／未核验：PDF 4的完整实验设定、后续跨基准分析与补充材料未完整审读；未重跑作者RL实验或验证覆盖率数值。
只核对所列原文范围；作者实验未计为本站复现。
HELM：场景与多指标共同构成评价
- 问题
- 如何展示不同用途下的表现取舍，并明确没有测到什么？
- 方法与核心变化
- 先定义场景与指标分类，再选择可执行子集；统一提示等适配条件，用场景×指标矩阵显示表现。
- 限制
- 多指标覆盖不是智能的完备定义。本文节点不报告当下模型排名；更换提示、样本、用途权重或训练数据条件都需要重新解释。
- 接下来的问题
- 用何种用途依据选择场景与指标权重，同时保留未知与不确定性？
前提、原文定位与阅读范围
前提：历史版本聚焦英语；指标是有争议构念的特定操作化；相同评测提示并不意味着训练资源和先前曝光相同。
以下是原批次记录的主张类型；“原文报告”与独立复现分别登记。
v1实现16个核心场景与7类指标，覆盖112种组合中的98种；同时明确分类空间中尚未覆盖的部分。
定位：§1.1，PDF 5–6 · liang-2022-v1
统一评测适配方法有助比较，但不能消除不同训练预算、数据曝光和提示适配性的影响。
定位：§1.1 Caveats，PDF 8–9 · liang-2022-v1
作者承认缺少统一效度与信度证据；3个示例选择种子与最多1000个评价实例的设置可能限制比较显著性，矩阵也不能自然给出唯一总排名。
定位：§11.1–11.3，PDF 88–89 · liang-2022-v1
Holistic Evaluation of Language Models ↗
Percy Liang · Rishi Bommasani · Tony Lee · 及共同作者
版本：arXiv:2211.09110v1，2022；163页。只描述该历史版本，不使用实时榜单。
已读：PDF 5–9（分类、多指标、标准化及条件）；88–89（§11结果、实现与聚合局限）。 (指定片段)
未读／未核验：完整指标实现、各模型结果、§11.3后续、附录污染证据与统计分析未逐项复核。
只核对所列原文范围；作者实验未计为本站复现。
已登记的关系
以下关系来自既有批次，仅列两端都在本路线中的记录。编辑性比较不表示已经证实历史影响。
直接批评 · e-watson-1913 → e-titchener-1914
Titchener直接讨论Watson的行为主义纲领；同时回应另一篇Image and Affection in Behavior，因此节点记录区分两篇的指涉。
类型：direct-critique · 状态：source-supported · 定位：印刷2–6页及脚注2；12、15–17页 · 来源：titchener-1914 · round-three-b
直接批评 · e-turing-1950 → e-searle-1980
Searle直接质疑测试表现对理解的充分性；不是证明图灵整套研究计划无效。
类型：direct-critique · 状态：source-supported · 定位：419、423；明确讨论Turing test · 来源：searle-1980 · round-three-b
概念比较 · e-watson-1913 → e-turing-1950
两者都重视公开可观察的表现，但对象、目的和协议不同；此边仅为本站比较，不主张思想继承。
类型：conceptual-comparison · 状态：editorial-inference · 定位：Watson开篇与Summary；Turing §1–3 · 来源：watson-1913、turing-1950 · round-three-b
概念比较 · e-turing-1950 → e-chollet-2019
比较教育经历与技能获取问题；此边不主张两种形式化等同或直接继承。
类型：conceptual-comparison · 状态：editorial-inference · 定位：Turing §7；Chollet §II.2.1 · 来源：turing-1950、chollet-2019 · round-three-b
方法比较 · e-agarwal-2021 → e-helm-2022
两者共同提示样本、运行和协议条件；任务与评测对象不同，不直接合并分数。
类型：method-comparison · 状态：editorial-inference · 定位：Agarwal §4；HELM §11.2 · 来源：agarwal-2021、liang-2022-v1 · round-three-b
直接回应 · e-searle-1980 → e-legg-hutter-2007
明确回应Searle；以功能表现为指标，未据此证明或否定理解。
类型：direct-response · 状态：source-supported · 定位：42，Chinese room回应 · 来源：legg-hutter-2007 · round-three-b
概念比较 · e-legg-hutter-2007 → e-chollet-2019
对照跨环境成绩与技能获取效率；这是本站问题比较。
类型：conceptual-comparison · 状态：editorial-inference · 定位：Legg–Hutter §3；Chollet §II.3 · 来源：legg-hutter-2007、chollet-2019 · round-three-b
概念比较 · e-legg-definitions-2007 → e-legg-hutter-2007
同一作者汇编与形式定义放在一起比较；汇编本身不证明该形式定义唯一或普遍公认。
类型：conceptual-comparison · 状态：editorial-inference · 定位：Legg–Hutter PDF 2 §1，PDF 8 §4 · 来源：legg-definitions-2007 · round-six
未覆盖与下一步
- 未读取Block 1981全文及Hernández-Orallo–Dowe 2010交互测验正文；本批跨任务问题由ARC与HELM覆盖。
- 不追踪2022之后的排行榜与最新协议；HELM只按2022 v1，ARC只按2019 v2记录。
第一轮未映射候选与各来源的未读部分仍需继续审校；本页不代表这条路线的全部历史。