我们还能说“以后再想”多久？
继续思考有时能让我们更接近一个更好的答案。但人在思考的同时，情境仍在不断变化，时间也在不断流逝。在AI让我们能够一次又一次继续审视同一个问题的时代，我们通过区分“我们还可以继续想”和“我们还有时间继续想”，重新思考在有限时间中思考意味着什么。
一般主题
思考
探索 Sai＊aus Labo 中关于思考的文章。
按读者类型筛选
在优化之前，由谁决定什么才重要？
对于给定的目标，AI可以比较不同手段并提出高效的候选方案。但当目标本身包含多种价值时，如果把哪些价值应当优先也自动化，人类的判断就可能从视野中消失。本文探讨一种思考结构：将手段的优化与目标的形成区分开来，并使有限的主体能够为自己赋予各种价值的优先次序承担责任。
专业不去尝试，你能知道自己真正想要什么吗？
我们往往认为，在行动之前充分思考更为理性。然而，当问题是我们自己究竟想要什么时，有些信息仅靠思考无法获得。本文把一个小小的行动看作并非执行已经确定的决定，而是向现实提出问题的一次观察，由此重新思考思考与行动之间的关系。
一般在优化之前，AI能否推理“为什么是这个目标”？
即使两个目标完全相同，选择它们的理由不同，所需要的支持以及重新验证目标的条件也可能不同。本文探讨：当目标不被视为唯一输入，而是与支撑它的理由、假设和价值联系起来进行表征时，AI的推理会如何变化。
专业如果犹豫没有消失，也许并不是因为你缺少一个“答案”
无论怎样思考都无法作出决定时，我们往往会认为自己缺少信息或建议。然而，在犹豫之中，可能有多个判断标准同时发挥作用，并各自支持不同的方向。本文重新理解“思考”：它不是从中选出一个正确答案的工作，而是把我们内心相互竞争的判断标准区分开来，并由自己承担确定其优先顺序的责任。
一般AI推理效率能否以“坐标变换的选择”而非“最短路径”来衡量？
AI的推理效率常被评价为以更少的计算或更短的推理路径到达答案。然而，如果最初的问题表征并不恰当，那么该空间中的最短路径未必在整体上具有效率。本文考察一种设计：将多个哲学坐标作为候选加以保留，并根据输入选择将哪个表征空间置于前景。由此，效率的对象从“到答案的距离”扩展为“在不丢失意义差异的情况下，移动到适当坐标的成本与效果”。
专业为什么从困难的部分开始，反而能让我们更安心？
在工作中，先处理简单的部分，会让人产生进展顺利的感觉。然而，真正可能打乱计划的，也许恰恰是我们一直到最后都没有碰过的困难部分。本文不把尽早接触困难部分视为一种“更快完成的方法”，而是把它看作一种“更早发现自己不知道什么的方法”，并思考与AI一起思考时，如何建立安心感。
一般“火箭式起步”能否成为一种“早期证伪”而非预测的技术？
在早期阶段大幅推进重要部分，并不只是把工作提前。通过让计划尽早与实际成果物接触，我们可以在截止日期之前获得证据，判断某项估算、前提或方法是否不成立。本文将早期加速重新理解为一种技术：它不是为了按照计划推进，而是为了更早发现计划可能是错误的。
专业越是不断追问“怎么做？”，我们越可能偏离目的
改进方法在许多情况下都很有用。然而，当我们不断追问怎样才能做得更快、更多或更好时，也可能逐渐偏离最初的目的。本文关注这种“目的偏移”：对手段的优化把目的抛在身后，并思考为什么AI的生成能力越强，提出能让我们回到目的的问题就越重要。
一般AI能否检测“目的偏移”？
高能力AI能够高效优化给定的局部目标。但当前的问题或输出是否已经偏离对话开始时存在的更高层目的，则是另一个问题。本文通过追踪目的、当前问题、约束条件与输出之间的关系，探讨目的偏移能够在多大程度上被检测出来。同时，本文也讨论区分两种情况的困难：一种是目的得到了合理更新，另一种是目的在适应手段的过程中无意发生了变化。
专业Означает ли «скорее всего правильно» то, «как нам следует поступить»?
ИИ может использовать информацию о прошлом, чтобы прогнозировать вероятные результаты и вероятные варианты выбора. Но будущее с высокой вероятностью — не то же самое, что будущее, которое людям следует выбрать. В этой статье рассматривается риск того, что прогноз, помогая суждению, может опережать человеческую волю, и исследуется необходимая дистанция между вероятностью и выбором.
一般推理是否并非有一个“深度”，而是有一个“可以确定到何种程度的界限”？
在AI推理设计中，决定每项任务投入多少计算资源很重要。但是，进行了足够深入的推理，与有资格将由此得到的结论确立为事实，是两个不同的问题。本文探讨一种“确定界限”：它独立于推理资源的分配，控制生成结论的认识论地位，并考察将思考的加速与认识论上的制动相结合所需的条件。
专业