实际上，针对这个问题，人工智能面对着两条截然不同的路径。第一条路径，我们称之为模拟（simulation）路径，也是符号型人工智能范式(symbolic AI paradigm)。按照卢卡·M.波萨蒂（LucaM.Possati）的说法：“符号型人工智能范式更适合从演绎和决定论式的方式来遵循着程序来运行。”①在20世纪60年代，第一代人工智能的研究者，无论是明斯基还是谢诺夫斯基，都是从这种模拟路径来开发人工智能的。假定在阿西莫夫法则下运行的智能机器人，它对于人和非人、人和智能体的识别是通过一个从外部设计的程序的演绎来实现的，比如说人的某种特征，或者在智能机器人中强制加入的一个函数值或项。在非伪装的情况下，这种单一的项或特征，的确可以有效地区别人与智能体。但是，我们加上了一个限定条件，即无伪装的情况。也存在伪装的情况，例如有人可以为自己的信息也添加了只有人工智能才具有的函数值，让智能体可能将现实的人识别为智能体，而在另一方面，有程序设计者在特定情况下为了不让机器人被消灭，也可以消灭机器人体内的识别函数。这种模拟路径的人工智能的更大缺陷在于，它无法面对程序设定之外的可能性，它只能在符号演绎和推理的界限之内来进行思考，一旦面对演绎推理之外的情形，即从未见过的情形，无法形成完整的逻辑回路，陷入无止境的运算和演绎当中，它便会宕机。
当然，今天的人工智能系统已经不再仅仅是这样的系统，而是走向了我们称之为机器学习、深度学习、网络分析的领域。在这种情况下，人工智能不再是按照固定的逻辑线路来进行演绎推理，而是在自己捕捉到的原始数据的基础上，进行分析和解释，得出自己的逻辑。相对于演绎逻辑，这种人工智能体系更像是归纳体系，对事物的识别，不是按照演绎之前的固定的定理或函数值，而是根据从多种数据中提炼出来的逻辑形式。比方说，我们练习炒菜，除了按照固定的菜谱上先放油、再放姜蒜、再放菜的方式（这是一种典型的演绎逻辑），也可以通过观看多个炒菜的视频，来获得如何炒菜的认识。由于这种路径不是按照预先规划好的路径前进，而是从自己的机器学习中来丰富认识，所以我们也可以将这种路径称为解释（interpretation）路径，即人工智能根据自已在数据中形成的解释来实现对不同对象的分辨识别，完成行为的决策。
第九章 从信息到数字生态
① Luca M. Possati, The Algorithmic Unconscious: How Psychoanalysis Helps in Understanding AI, New York: Routledge, 2021, p.12.
225