--- title: "心智、大脑与人工世界 · 模拟 · 模拟假说" url: https://simulation-hypothesis.com/zh/simulations/minds-computation description: "神经元、大脑、人工生命，以及机器在其中学习的模拟世界。 这是人们实际运行的模拟分类体系的一部分。" license: https://creativecommons.org/licenses/by/4.0/ credit: "Ross Allan Dahl，模拟假说（simulation-hypothesis.com）" --- [模拟](https://simulation-hypothesis.com/zh/simulations)第 11 个领域，共 18 个 # 心智、大脑与人工世界 神经元、大脑、人工生命，以及机器在其中学习的模拟世界。 对大脑的模拟，以及为人工主体建造、供其生活和学习的世界。在某个有限的意义上，模拟假说在这里已经成真：我们建造了其中有学习主体的模拟世界。 ## 大脑 ### 详细的神经元模型 把单个神经元当作带离子通道的分叉电缆，遵循霍奇金和赫胥黎的模型。 它回答的问题: 这个神经元的形状如何改变它所计算的内容？ 略去了： 单个神经元的精细化学仍然被简化成寥寥几种电流。 运行于：约 10^12 FLOPS 粗略 笔记本电脑，对一个神经元实时运行 自： 1952 Huxley 在机械计算器上手工积分霍奇金-赫胥黎方程，每个动作电位大约要三周；后来才由计算机接手 [来源](https://www.physoc.org/about-us/history-archives/historicalhighlights/hodgkin-and-huxleys-modelling-of-the-action-potential/) 在模拟树中: [手算的霍奇金–赫胥黎模型](https://simulation-hypothesis.com/zh/trees/simulations?n=min-hh) [微分方程](https://simulation-hypothesis.com/zh/simulations/methods#m-equations)精度下限：细胞 ### 大尺度脑回路 数百万个脉冲神经元连成类似一小块皮层的回路。 它回答的问题: 我们能否仅凭连线就重现脑节律和反应？ 略去了： 连线往往是统计意义上的，而不是这种动物实际测得的连接。 运行于：约 10^15 FLOPS 粗略 大学集群，一块皮层小区域数小时 自： 2006 到 2006 年，早期对皮层柱的大规模模拟 在模拟树中: [新皮层微回路](https://simulation-hypothesis.com/zh/trees/simulations?n=min-markram) [微分方程](https://simulation-hypothesis.com/zh/simulations/methods#m-equations)[网络模型](https://simulation-hypothesis.com/zh/simulations/methods#m-network)精度下限：细胞 ### 全脑网络模型 把脑区当作由实测连线相连的节点，用扫描数据拟合。 它回答的问题: 一个区域受损，如何改变整个大脑的活动？ 略去了： 各区域被当作单个点，漏掉了其内部的所有细节。 运行于：约 10^14 FLOPS 粗略 大学集群，每个模拟情景数分钟 自： 2008 到 2008 年，早期用弥散 MRI 连线拟合的全脑网络模型 模型： [人类](https://simulation-hypothesis.com/zh/entities/human) [网络模型](https://simulation-hypothesis.com/zh/simulations/methods#m-network)[微分方程](https://simulation-hypothesis.com/zh/simulations/methods#m-equations)精度下限：种群 ### 模拟的小型生物 一种微小动物完整的神经系统，比如线虫的 302 个神经元，连接到虚拟培养皿中的模拟身体上。 它回答的问题: 仅凭接线图就足以产生这种行为吗？ 略去了： 光有连线图仍然不能完全解释这种动物的行为。 运行于：约 10^12 FLOPS 粗略 笔记本电脑，对整个神经系统实时运行 自： 1997 到 1997 年，建立在线虫 1986 年连接组图谱之上的早期模拟 在模拟树中: [OpenWorm](https://simulation-hypothesis.com/zh/trees/simulations?n=min-openworm) [微分方程](https://simulation-hypothesis.com/zh/simulations/methods#m-equations)[实时](https://simulation-hypothesis.com/zh/simulations/methods#m-real-time)精度下限：细胞 ### 类脑硬件模拟 芯片用电路直接在硬件上实现神经元和突触的行为，而不是在软件里一步步计算方程。 它回答的问题: 神经形态硬件能否用少得多的功耗，计算大脑所能计算的同样的东西？ 略去了： 真实的神经元化学要丰富得多，远非一个模仿其脉冲的回路所能比拟。 运行于：约 10^13 FLOPS 粗略 神经形态研究芯片，实时 自： 1989 Carver Mead 早期的硅神经元和视网膜电路 [实时](https://simulation-hypothesis.com/zh/simulations/methods#m-real-time)[微分方程](https://simulation-hypothesis.com/zh/simulations/methods#m-equations)精度下限：细胞 ### 脑部疾病与癫痫发作的扩散 异常的电活动或错误折叠的蛋白质在模拟的脑网络中扩散，比如癫痫或痴呆。 它回答的问题: 癫痫发作从哪里开始，会扩散多远？ 略去了： 每个真实大脑的疾病路径都不一样；模型显示的是一种模式，而不是对某位患者的预测。 运行于：约 10^13 FLOPS 粗略 医院或大学的集群，每个患者模型数分钟 自： 1997 到 1997 年，早期的癫痫在脑内扩散的网络模型 [网络模型](https://simulation-hypothesis.com/zh/simulations/methods#m-network)[微分方程](https://simulation-hypothesis.com/zh/simulations/methods#m-equations)精度下限：种群 ### 受连接组约束的全脑模型 神经模拟采用昆虫大脑完整的实测连线，配上简单的神经元模型，预测刺激如何产生行为。 它回答的问题: 仅凭连线，能否预测大脑如何把感觉变成行动？ 略去了： 突触强度和神经元动力学是根据简单规则假定的。 运行于：约 10^12 FLOPS 粗略 约 13 万个神经元的脉冲网络 自： 2024 A Drosophila computational brain model reveals sensorimotor processing (2024) [来源](https://doi.org/10.1038/s41586-024-07763-9) [网络模型](https://simulation-hypothesis.com/zh/simulations/methods#m-network)[微分方程](https://simulation-hypothesis.com/zh/simulations/methods#m-equations)精度下限：细胞 ### 神经质量与场模型 把一群神经元化简为一两个平均活动变量，给出整个脑区的节律和波。 它回答的问题: 兴奋与抑制能在种群之间产生怎样的集体节律？ 略去了： 单个神经元消失在平均值里。 运行于：约 10^9 FLOPS 粗略 笔记本电脑，数秒 自： 1972 到 1972 年，Wilson and Cowan, Excitatory and inhibitory interactions in localized populations of model neurons [来源](https://doi.org/10.1016/s0006-3495%2872%2986068-5) [微分方程](https://simulation-hypothesis.com/zh/simulations/methods#m-equations)[连续场](https://simulation-hypothesis.com/zh/simulations/methods#m-continuum)精度下限：细胞 ### 功能性脉冲脑模型 一个由脉冲模型神经元组成的网络，用来完成回忆、计数和临摹手写数字等认知任务。 它回答的问题: 由神经元构成的模型，能否完成大脑所能处理的任务？ 略去了： 它的任务集很小，接线是设计出来的，而不是测量得到的。 运行于：约 10^15 FLOPS 粗略 大学集群，数小时 自： 2012 到 2012 年，Eliasmith and others, A large-scale model of the functioning brain (Spaun) [来源](https://doi.org/10.1126/science.1225266) [网络模型](https://simulation-hypothesis.com/zh/simulations/methods#m-network)[微分方程](https://simulation-hypothesis.com/zh/simulations/methods#m-equations)精度下限：细胞 ### 吸引子记忆网络 一个由简单单元组成的网络，连接把模式存成稳定状态，于是一个不完整的线索会稳定下来，恢复出完整的记忆。 它回答的问题: 网络怎样才能从一个片段回忆起完整的记忆？ 略去了： 容量很小，而真实的神经元要复杂得多。 运行于：约 10^8 FLOPS 粗略 笔记本电脑，数秒 自： 1982 到 1982 年，Hopfield, Neural networks and physical systems with emergent collective computational abilities [来源](https://en.wikipedia.org/wiki/Hopfield%5Fnetwork) [网络模型](https://simulation-hypothesis.com/zh/simulations/methods#m-network)[微分方程](https://simulation-hypothesis.com/zh/simulations/methods#m-equations)精度下限：细胞 ### 基于连接组的昆虫大脑模型 根据测得的连线图，模拟整只果蝇的大脑，每个神经元和突触都取自重建结果。 它回答的问题: 一旦知道了每个连接，仅凭连线会产生什么行为？ 略去了： 突触强度和神经元化学性质是推断出来的，而不是测量出来的。 运行于：约 10^14 FLOPS 粗略 工作站，每模拟一秒数分钟 自： 2024 到 2024 年，Dorkenwald and others, the adult fly brain wiring diagram, and Shiu and others, a computational model built on it [来源](https://doi.org/10.1038/s41586-024-07763-9) [网络模型](https://simulation-hypothesis.com/zh/simulations/methods#m-network)[微分方程](https://simulation-hypothesis.com/zh/simulations/methods#m-equations)精度下限：细胞 ## 人工生命与复杂性 ### 元胞自动机 遵循简单规则的细胞网格，例如 John Conway 的生命游戏，能长出滑翔机、复制器，甚至能运转的计算机。 它回答的问题: 多简单的规则，能长出多少复杂性？ 略去了： 简单的规则很少能干净地对应真实的物理或生物系统。 运行于：约 10^12 FLOPS 粗略 笔记本电脑，数秒处理巨大的网格 自： 1970 John Conway 的生命游戏 在模拟树中: [手工玩的生命游戏](https://simulation-hypothesis.com/zh/trees/simulations?n=life-life) [运行交互式模型](https://simulation-hypothesis.com/zh/simulations/run#toy-life) [元胞自动机](https://simulation-hypothesis.com/zh/simulations/methods#m-cellular-automata)精度下限：规则 ### 数字演化 能自我复制的计算机程序在模拟的机器里发生突变，并争夺处理器时间。 它回答的问题: 演化能否发明出我们能一步步观察的复杂特征？ 略去了： 程序在人工的计算机世界里演化，而不是真实的生物化学。 运行于：约 10^12 FLOPS 粗略 台式机，一夜跑完数百万代 自： 1953 Barricelli 在普林斯顿高等研究院计算机上做的数值演化实验 [来源](https://www.ias.edu/ideas/2012/george-dyson-ecp) [演化](https://simulation-hypothesis.com/zh/simulations/methods#m-evolutionary)精度下限：规则 ### 演化出的虚拟生物 在物理模拟中，身体和大脑一起演化，学会游泳、行走或跳跃。 它回答的问题: 当我们不去引导时，演化会发明出什么样的身体和行为？ 略去了： 演化出的步态常常与生物的步态大不相同，因为模拟的物理与真实世界有细微的差别。 运行于：约 10^13 FLOPS 粗略 台式机或小型集群，数小时演化出一个种群 自： 1994 Karl Sims 让会游泳、会行走的生物在物理模拟中演化 [演化](https://simulation-hypothesis.com/zh/simulations/methods#m-evolutionary)[实时](https://simulation-hypothesis.com/zh/simulations/methods#m-real-time)精度下限：身体 ### 自组织临界性 一粒一粒地把沙子加到沙堆上，直到出现各种大小的雪崩。 它回答的问题: 为什么地震、火灾和物种灭绝遵循相同的统计规律？ 略去了： 真实的地震和火灾有特定的物理，沙堆只是对它们的漫画式刻画。 运行于：约 10^11 FLOPS 粗略 笔记本电脑，一个大沙堆数秒 自： 1987 Bak、Tang 和 Wiesenfeld 的沙堆模型 [运行交互式模型](https://simulation-hypothesis.com/zh/simulations/run#toy-sandpile) [元胞自动机](https://simulation-hypothesis.com/zh/simulations/methods#m-cellular-automata)精度下限：身体 ### 群体智能算法 留下踪迹或模仿邻居的简单虚拟主体，借自蚂蚁和鸟类，用来解决路径规划和调度这样的抽象问题。 它回答的问题: 简单的复制和循迹，能否解决一个困难的优化问题？ 略去了： 在经过检验的适定问题上表现良好。真实而不规则的问题需要更多调整。 运行于：约 10^11 FLOPS 粗略 笔记本电脑，每次运行数秒到数分钟 自： 1992 Marco Dorigo 的蚁群优化算法 [运行交互式模型](https://simulation-hypothesis.com/zh/simulations/run#toy-flock) [基于主体](https://simulation-hypothesis.com/zh/simulations/methods#m-agent-based)[演化](https://simulation-hypothesis.com/zh/simulations/methods#m-evolutionary)精度下限：规则 ### 随机布尔网络 开关被随机连在一起，每个开关根据另外几个开关的状态开启或关闭，研究整个网络何时稳定下来，还是永远动荡不止。 它回答的问题: 要有多少连线，一个开关网络才会变得混沌？ 略去了： 随机连线是对真实细胞或大脑精心演化出的连线的粗糙替代。 运行于：约 10^11 FLOPS 粗略 笔记本电脑，每个网络数秒 自： 1969 Stuart Kauffman 的遗传开关随机网络 [网络模型](https://simulation-hypothesis.com/zh/simulations/methods#m-network)[元胞自动机](https://simulation-hypothesis.com/zh/simulations/methods#m-cellular-automata)精度下限：规则 ### 连续元胞自动机 元胞自动机的格元状态、空间和时间都是连续的，产生平滑的、自组织的生物。 它回答的问题: 在连续元胞自动机中会出现什么样的类生命图案？ 略去了： 这些规则是人为设定的，并不模拟真实的化学。 运行于：约 10^11 FLOPS 粗略 GPU 网格更新 自： 2018 Lenia: biology of artificial life (2018) [来源](https://arxiv.org/abs/1812.05433) [元胞自动机](https://simulation-hypothesis.com/zh/simulations/methods#m-cellular-automata)精度下限：规则 ### 神经元胞自动机 每个格元都有一个小型神经网络，学习局部规则，使网格生长并修复出目标图案。 它回答的问题: 一条局部的学习规则，能否让全局图案生长并自我修复？ 略去了： 目标图案很小，规则是训练出来的，而不是被发现的。 运行于：约 10^11 FLOPS 粗略 小规模可微分训练 自： 2020 Growing Neural Cellular Automata (2020) [来源](https://distill.pub/2020/growing-ca/) [元胞自动机](https://simulation-hypothesis.com/zh/simulations/methods#m-cellular-automata)[习得的仿真器](https://simulation-hypothesis.com/zh/simulations/methods#m-learned)精度下限：规则 ### 自我复制程序汤 一池随机程序靠偶然相互作用，直到能自我复制的程序从中出现。 它回答的问题: 复制子能否在没有被设计进去的情况下出现？ 略去了： 语言的选择决定了结果，而且离化学很远。 运行于：约 10^10 FLOPS 粗略 数百万次微小的程序交互 自： 2024 Computational Life: how well-formed, self-replicating programs emerge from simple interaction (2024) [来源](https://arxiv.org/abs/2406.19108) [演化](https://simulation-hypothesis.com/zh/simulations/methods#m-evolutionary)[随机过程](https://simulation-hypothesis.com/zh/simulations/methods#m-stochastic)精度下限：规则 ### 人工化学 一池抽象分子按规则反应，于是不需要任何真实的化学，也能出现自我维持的结构。 它回答的问题: 自我维持的化学组织能否从简单的反应规则中产生？ 略去了： 这些分子只是符号；真实的键能和几何结构并不存在。 运行于：约 10^9 FLOPS 粗略 笔记本电脑，数小时 自： 1991 到 1991 年，Fontana 的 AlChemy，在第二届人工生命大会上发表 [来源](https://en.wikipedia.org/wiki/Artificial%5Fchemistry) [规则与状态](https://simulation-hypothesis.com/zh/simulations/methods#m-rules)[随机过程](https://simulation-hypothesis.com/zh/simulations/methods#m-stochastic)[基于主体](https://simulation-hypothesis.com/zh/simulations/methods#m-agent-based)精度下限：分子 ### 演化机器人学 模拟机器人的控制器或身体经过许多代演化，按任务表现来选择。 它回答的问题: 机器人的大脑和身体能否靠育种而不是设计得到？ 略去了： 在模拟中演化出来的控制器，在真实硬件上常常失败。 运行于：约 10^14 FLOPS 粗略 大学集群，数天 自： 1993 到 1993 年，Cliff, Husbands and Harvey, Evolving visually guided robots [来源](https://doi.org/10.7551/mitpress/3116.003.0051) [演化](https://simulation-hypothesis.com/zh/simulations/methods#m-evolutionary)[实时](https://simulation-hypothesis.com/zh/simulations/methods#m-real-time)[微分方程](https://simulation-hypothesis.com/zh/simulations/methods#m-equations)精度下限：身体 ### 连续人工生命 状态、空间和时间都连续的元胞自动机，会产生移动的、自组织的类生命图案。 它回答的问题: 当规则是平滑而不是离散的时候，会出现什么样的类生命形态？ 略去了： 这些图案看起来像生物，却不遵循任何真实的生物学。 运行于：约 10^11 FLOPS 粗略 游戏电脑，实时 自： 2018 到 2018 年，Chan, Lenia: Biology of Artificial Life (arXiv 1812.05433) [来源](https://arxiv.org/abs/1812.05433) [元胞自动机](https://simulation-hypothesis.com/zh/simulations/methods#m-cellular-automata)[连续场](https://simulation-hypothesis.com/zh/simulations/methods#m-continuum)精度下限：规则 ### 人工免疫模型 类抗体主体的群体，通过选择和网络效应学会识别模式。 它回答的问题: 识别系统如何仅靠局部相互作用来适应？ 略去了： 它是借用免疫学的思想来做计算，而不是对真实免疫反应的校准模型。 运行于：约 10^8 FLOPS 粗略 笔记本电脑，数小时 自： 1986 到 1986 年，Farmer, Packard and Perelson, The immune system, adaptation, and machine learning [来源](https://doi.org/10.1016/0167-2789%2886%2990240-x) [基于主体](https://simulation-hypothesis.com/zh/simulations/methods#m-agent-based)[网络模型](https://simulation-hypothesis.com/zh/simulations/methods#m-network)[演化](https://simulation-hypothesis.com/zh/simulations/methods#m-evolutionary)精度下限：细胞 ### Core War 对战 用一种极小的汇编语言写成的程序争夺共享模拟内存的控制权，相互覆盖。 它回答的问题: 当整个内存都是战场时，哪个自我复制的程序能存活？ 略去了： 这台机器是虚构的指令集，所以其中的经验无法对应真实的恶意软件。 运行于：约 10^7 FLOPS 粗略 笔记本电脑，每场战斗数秒 自： 1984 到 1984 年，Jones 和 Dewdney 在 Scientific American 上发表的 Core War [来源](https://en.wikipedia.org/wiki/Core%5FWar) [规则与状态](https://simulation-hypothesis.com/zh/simulations/methods#m-rules)[离散事件](https://simulation-hypothesis.com/zh/simulations/methods#m-discrete-event)[演化](https://simulation-hypothesis.com/zh/simulations/methods#m-evolutionary)精度下限：规则 ## 为人工心智准备的世界 ### 强化学习环境 人工主体在其中行动、获得奖励，并在数百万次尝试中不断改进的模拟世界。 它回答的问题: 智能体能否只靠反复试错就学会这项技能？ 略去了： 在简化世界里学到的技能，并不总能迁移到复杂的现实中。 运行于：约 10^15 FLOPS 粗略 一组 GPU 集群，模拟数天的体验 自： 1992 到 1992 年，TD-Gammon 通过自我对弈学会了西洋双陆棋的策略 [实时](https://simulation-hypothesis.com/zh/simulations/methods#m-real-time)[习得的仿真器](https://simulation-hypothesis.com/zh/simulations/methods#m-learned)精度下限：身体 ### 多主体 AI 社会 许多 AI 主体共享一个世界，各自有自己的目标、记忆和对话。 它回答的问题: 当许多人工智能体生活在一起时，会出现什么社会行为？ 略去了： 看起来像社交的行为，可能只是针对训练设置调出来的狭隘技巧。 运行于：约 10^15 FLOPS 粗略 一组 GPU 集群，并行运行许多智能体 自： 2017 到 2017 年，许多学习型智能体共享同一个世界的早期实验 [基于主体](https://simulation-hypothesis.com/zh/simulations/methods#m-agent-based)[习得的仿真器](https://simulation-hypothesis.com/zh/simulations/methods#m-learned)精度下限：身体 ### 合成训练数据 渲染出无穷多种变化的逼真场景，用来训练视觉系统。 它回答的问题: 只在渲染图像上训练的系统，能否看懂真实世界？ 略去了： 渲染出的场景比现实干净，所以训练出的系统可能被真实世界的噪声误导。 运行于：约 10^14 FLOPS 粗略 渲染农场或 GPU 集群，一个数据集数小时 自： 2016 到 2016 年，早期的渲染数据集被用来训练图像识别系统 [实时](https://simulation-hypothesis.com/zh/simulations/methods#m-real-time)精度下限：身体 ### 习得的世界模型 一个神经网络，能预测世界接下来会发生什么，预测得足够好，足以生成可玩的场景。 它回答的问题: 网络能否只靠观看，就学会模拟一个世界？ 略去了： 长期预测会偏离任何物理上自洽的结果。 运行于：约 10^15 FLOPS 粗略 大型 GPU 集群，数天的训练 自： 2018 Ha 和 Schmidhuber 训练了一个网络来预测并“梦见”类似游戏的场景 [习得的仿真器](https://simulation-hypothesis.com/zh/simulations/methods#m-learned)精度下限：场 ### 自我对弈策略训练 一个人工智能体在抽象策略游戏里与自己的副本反复对局，每一轮都有进步。 它回答的问题: 一个策略没有老师，只靠过去的自己，能变得多强？ 略去了： 针对同一智能体的副本调好的策略可能有盲点，换个不同的对手就会利用它。 运行于：约 10^16 FLOPS 粗略 大型 GPU 集群，数天的自我对弈 自： 1959 Arthur Samuel 的跳棋程序通过和自己对弈来学习 [习得的仿真器](https://simulation-hypothesis.com/zh/simulations/methods#m-learned)[博弈论](https://simulation-hypothesis.com/zh/simulations/methods#m-game-theory)精度下限：规则 ### AI 安全红队测试环境 一个为诱使人工智能体出现不良行为而搭建的模拟场景，使失败在部署之前就能被发现。 它回答的问题: 在什么条件下，这个系统会表现出它不该有的行为？ 略去了： 只检验红队想到去找的故障。 运行于：约 10^14 FLOPS 粗略 研究团队的 GPU 服务器，每套测试数小时 自： 2016 到 2016 年，早期面向强化学习智能体的对抗测试环境 [基于主体](https://simulation-hypothesis.com/zh/simulations/methods#m-agent-based)[习得的仿真器](https://simulation-hypothesis.com/zh/simulations/methods#m-learned)精度下限：规则 ### 具身家居模拟器 三维虚拟家居，智能体可以在其中观察、移动和操作物体，用来训练和测试具身 AI。 它回答的问题: 智能体能否在虚拟家居里学会任务，并迁移到真实家居？ 略去了： 物体物理和场景的多样性有限。 运行于：约 10^12 FLOPS 粗略 实时渲染，多个并行实例 自： 2017 AI2-THOR: an interactive 3D environment for visual AI (2017) [来源](https://arxiv.org/abs/1712.05474) [实时](https://simulation-hypothesis.com/zh/simulations/methods#m-real-time)[规则与状态](https://simulation-hypothesis.com/zh/simulations/methods#m-rules)精度下限：身体 ### 开放式环境生成 训练世界会随着智能体学习而自动生成和变异，使挑战的难度和多样性不断增长。 它回答的问题: 环境生成器能否不断产生有用的新挑战？ 略去了： 搜索受限于这一族环境所能表达的东西。 运行于：约 10^15 FLOPS 粗略 环境与主体的群体 自： 2019 Paired Open-Ended Trailblazer (POET) (2019) [来源](https://arxiv.org/abs/1901.01753) [演化](https://simulation-hypothesis.com/zh/simulations/methods#m-evolutionary)[习得的仿真器](https://simulation-hypothesis.com/zh/simulations/methods#m-learned)精度下限：规则 ### 面向主体的模拟网页环境 真实网站的自托管副本，由语言模型主体在其中完成任务，通过检查最终状态来评分。 它回答的问题: 智能体能否在逼真的网站上完成多步骤任务？ 略去了： 网站是静态副本，任务的种类有限。 运行于：约 10^13 FLOPS 粗略 环境重置和许多次模型调用 自： 2023 WebArena (2023) [来源](https://arxiv.org/abs/2307.13854) [规则与状态](https://simulation-hypothesis.com/zh/simulations/methods#m-rules)[习得的仿真器](https://simulation-hypothesis.com/zh/simulations/methods#m-learned)精度下限：规则 ### 推荐系统模拟器 一个可配置的模拟用户群体和商品目录，用来训练和测试推荐算法。 它回答的问题: 一个推荐算法在与用户的多次互动中会有怎样的表现？ 略去了： 用户行为是假定的，而不是测量的。 运行于：约 10^10 FLOPS 粗略 廉价的并行运行 自： 2019 RecSim: a configurable simulation platform for recommender systems (2019) [来源](https://arxiv.org/abs/1909.04847) [基于主体](https://simulation-hypothesis.com/zh/simulations/methods#m-agent-based)[随机过程](https://simulation-hypothesis.com/zh/simulations/methods#m-stochastic)精度下限：规则 ### 神经游戏引擎 一个用游戏录像训练的扩散模型，根据玩家的操作生成下一帧，取代游戏自身的引擎。 它回答的问题: 神经网络能否以可玩的速度运行一款互动游戏？ 略去了： 记忆很短，长时间游玩后细节会漂移。 运行于：约 10^15 FLOPS 粗略 训练负担重；单个加速器上做实时推理 自： 2024 Diffusion models are real-time game engines (2024) [来源](https://arxiv.org/abs/2408.14837) [习得的仿真器](https://simulation-hypothesis.com/zh/simulations/methods#m-learned)[实时](https://simulation-hypothesis.com/zh/simulations/methods#m-real-time)精度下限：规则 ### 交互式生成世界 一个模型从无标注视频中学习，创造出可控的世界，用户可以在其中逐帧行动。 它回答的问题: 能否只靠图像生成一个可玩的世界？ 略去了： 一致性和帧率有限，物理也无法保证。 运行于：约 10^17 FLOPS 粗略 大规模视频训练 自： 2024 Genie: generative interactive environments (2024) [来源](https://arxiv.org/abs/2402.15391) [习得的仿真器](https://simulation-hypothesis.com/zh/simulations/methods#m-learned)精度下限：规则 ### 学习型真实世界交互模拟器 一个以动作为条件的视频模型，预测机器人或智能体在每条指令之后会看到什么，取代人工搭建的模拟器。 它回答的问题: 学习得来的模型，能否模拟行动在现实中的结果？ 略去了： 长时间的推演会产生幻觉，物理准确性也没有得到验证。 运行于：约 10^17 FLOPS 粗略 在大型视频和动作数据集上训练 自： 2023 Learning interactive real-world simulators (2023) [来源](https://arxiv.org/abs/2310.06114) [习得的仿真器](https://simulation-hypothesis.com/zh/simulations/methods#m-learned)精度下限：规则 ### 生成式驾驶世界模型 一个以速度和转向为条件的视频模型，从车辆的视角生成合理的未来场景，用于训练和测试自动驾驶。 它回答的问题: 给定一个驾驶动作，会引出哪些交通场景？ 略去了： 生成的场景可能违背物理，或违背罕见情形下的行为。 运行于：约 10^17 FLOPS 粗略 大型视频模型训练 自： 2023 GAIA-1: a generative world model for autonomous driving (2023) [来源](https://arxiv.org/abs/2309.17080) [习得的仿真器](https://simulation-hypothesis.com/zh/simulations/methods#m-learned)精度下限：规则 ### 模拟机器人足球 两队软件球员，各自只能通过有噪声的感官看到球场的一部分，在模拟的体育场里踢足球，以测试合作与策略。 它回答的问题: 独立的软件玩家能否协调得足够好，以击败对手队伍？ 略去了： 球场、球和机器人的身体都被理想化了，所以成功说明的是战术，而不是在真实硬件上的技术。 运行于：约 10^9 FLOPS 粗略 在工作站上实时运行一场比赛。 自： 1998 Noda 及同事的 Soccer Server，一个用于多主体系统研究的工具。 [来源](https://doi.org/10.1080/088395198117848) [基于主体](https://simulation-hypothesis.com/zh/simulations/methods#m-agent-based)[实时](https://simulation-hypothesis.com/zh/simulations/methods#m-real-time)[博弈论](https://simulation-hypothesis.com/zh/simulations/methods#m-game-theory)精度下限：种群 ### 软件工程智能体沙盒 给智能体一个真实的代码项目和一份问题报告，它在沙盒里修改文件并运行测试，根据修复是否通过来打分。 它回答的问题: AI 智能体能否不靠帮助，修复真实软件项目里的真实缺陷？ 略去了： 测试通过不等于修复正确，而且这些项目只是全部软件中的一小部分。 运行于：约 10^15 FLOPS 粗略 数千次模型运行，每次有许多次调用和测试运行。 自： 2023 Jimenez 及同事为语言模型设计的、基于真实 GitHub 问题的 SWE-bench。 [来源](https://arxiv.org/abs/2310.06770) [习得的仿真器](https://simulation-hypothesis.com/zh/simulations/methods#m-learned)[实时](https://simulation-hypothesis.com/zh/simulations/methods#m-real-time)[规则与状态](https://simulation-hypothesis.com/zh/simulations/methods#m-rules)精度下限：规则 ### 桌面计算机智能体环境 一台装有真实程序的完整虚拟计算机交给一个智能体，它看着屏幕点击和打字，并根据任务是否完成来打分。 它回答的问题: AI 智能体能否像人那样在电脑上完成任务？ 略去了： 任务是固定的、脚本化的，而真实的工作是开放的、会被打断的，还要与其他人共同完成。 运行于：约 10^15 FLOPS 粗略 数千次运行，每次都运行一台虚拟机并进行许多次模型调用。 自： 2024 Xie 等人的 OSWorld，在真实计算机环境中为智能体做基准测试。 [来源](https://doi.org/10.52202/079017-1650) [习得的仿真器](https://simulation-hypothesis.com/zh/simulations/methods#m-learned)[实时](https://simulation-hypothesis.com/zh/simulations/methods#m-real-time)[规则与状态](https://simulation-hypothesis.com/zh/simulations/methods#m-rules)精度下限：规则 [◂ 城市、基础设施与运营](https://simulation-hypothesis.com/zh/simulations/cities-operations)[数学与计算 ▸](https://simulation-hypothesis.com/zh/simulations/mathematics-computation)