我在1992年之後基本上停止了發表「專家演講」，不是因為夢想的失落，而是因為人們反響太好。這讓我感覺不舒服。最終使我厭煩的是在「學習附錄」這個網站上的一件特別矯情的事，它吸引了一群荒謬的諂媚者。我不想成為真正的大師，儘管很多人都以此為追求。
[1] 附錄二中，關於顯性，我大概解釋了我為何認為它可能會實現。
[2] 參考蓋伊·多伊徹（Guy Deutscher）的《話/鏡：世界因語言而不同》（Through the Language Glass）。
[3] 多年來我一直在思考「藍色的桶」，但今天我可以引用具體的實驗。也許是時候讓我的老麥高芬消失了。
在機器學習算法中，就像能夠分辨貓和狗的算法一樣，我們要求很多人來識別屬於某個類別的東西，比如貓、狗或藍色的東西。因為是網絡遊戲或新奇事物的一部分，人們通常願意為我們免費做這項工作。
然後，我們使用統計相關性的反饋網絡（機器學習算法）來捕捉所有這些人告訴我們的內容。由此產生的軟件可以將貓、狗和藍色的東西進行分類，其效果往往跟一般人一樣或比一般人做得更好。
所以我的舊思想實驗已經實現了。（我甚至需要研究算法的早期例子。）
在20世紀80年代，當我進行VR演講時，不得不挑戰抽像和符號的優越性，因為它們是學術界的寵兒。但是現在機器學習算法不僅工作得很好，而且獲得了有史以來最大的財富，而我卻恰恰相反。
最近，每個人都需要明白，僅僅是因為你可以辨別貓狗，並不意味著你理解所有的認知。
在人類的大腦中存在著某種超越相關性的東西。例如，我們不只是將隨機的新的數學表達式與舊的正確的數學表達式相關聯來檢測新的數學表達式是否正確。我們理解數學，但是我們不明白理解是什麼。目前還沒有對大腦中思想的科學描述。也許有一天會有，但不是現在。我們有能力忘記我們不明白的東西。我們很容易自我困惑。
我的朋友布萊斯·阿格拉·阿爾卡斯（Blaise Aguera y Arcas）（以前在微軟實驗室工作，現在就職於谷歌）和他的同事試圖反向運行機器學習算法，查看是否會出現狗或貓的柏拉圖式的圖像。出現的東西必須以藝術家的觸覺來引導，才會有意義，但它可以變得有趣和超現實。
我們不知道人腦中是否有柏拉圖式的狗或貓。我們所知道的是當看到一隻狗或一隻貓時，不同的神經元被激活，但我們不知道如何或為什麼。
因為我不知道什麼是象徵性的交流，或者即使它在50年內仍然被認為是一個可敬的概念也是一樣，所以我不能真正地理解後象徵性的交流會變成什麼。幾十年後，我仍然會喜歡後象徵性交流的概念，因為它強調我們應該盡可能地發現VR中的新事物。
[4] 我在《你不是個玩意兒》的末尾詳細地描述了這一思路，所以我不在這裡完整介紹了。
[5] 回到狩獵採集時代，小團伙或部落互相監督，少數人可能傷害少數人。後來，隨著農業的發展，規模越大，回報越多。城牆在城市周圍築起，暴力也被正規化，多數人可能會傷害多數人。軍事戰略和創新能力提高了，中等數量的人可能會傷害多數人。
現在，我們面對摩爾定律之類的影響，少數人會有更多的方式殺死多數人。大規模暴力的手段越來越便宜，最終它將幾乎免費。
同樣，過去很多人暗中監視很多人，民主德國的史塔西和帝國操縱就是這樣。但是現在，少數人可以監視其他所有人，也可以阻止大多數人做同樣的事情，因為數字網絡並不像其宣稱的那樣公平。
[6] 這個稱呼是為了紀念20世紀60年代成名的著名知識分子馬歇爾·麥克盧漢（Marshall McLuhan），他率先對媒介進行了研究。
[7] 威廉·布裡肯（William Bricken）曾是華盛頓大學人機界面技術實驗室的首席科學家，該VR實驗室是由湯姆·弗內斯創辦的，也是虛擬西雅圖的誕生地。威廉·布裡肯已經開始探索數學的後象徵性方法，你可以在他即將出版的《標誌性數學》（Iconic Mathematics）一書中瞭解到相關內容。
[8] 關於它們的信息，見附錄二！
[9] 傑倫·拉尼爾的《你不是個玩意兒》一書簡體中文版已由中信出版社於2011年8月出版。——編者注
[10] 當我編輯這份舊的副本時，終於身處遙遠的「未來」，但海灣裡仍然沒有巨大的人造生物。