AIEN频道的两部短片：图灵的故事，以及机器理解的某一部分如何被衡量。
一个图灵（T）代表机器在从未见过的数据上，通过其解释所获得的预测能力，减去解释自身表达的成本。冗长且可记忆的列表得分接近零。能在新数据上持续有效的紧凑规则得分较高。
展示部分数据，部分数据被封存。机器必须预测被封存的部分。
“每次加5”仅用4个词，准确预测所有隐藏数字。而仅复述已展示数字的规则需15个词，无法预测新内容。解释越长，成本越高。
图灵 = 被预测的隐藏事件 − 解释的成本。
得分始终基于已声明的基准线，在封存数据上进行，所有成果均可由任何人重新验证。
机器看到3, 8, 13, 18, 23。三个数字被封存。请选择你将提交的解释。评分者诚实：仅计算被封存的预测，且对每个词收取租金。
拖动滑块。感受每个解释面临的权衡： 预测更多，或表达更少。仪表实时评分，完全按照真实评分机制运作。
每成功预测一个隐藏事件，获得+1 T。每多一个词的解释，需支付0.1 T的租金。基准线“盲目猜测”始终得分为零。
三场对决。两个解释参赛，一个获得更高图灵分。 判断它们。 注意：第三轮有意外转折。
2026年9月29日，一个候选解释在冻结的测量配置下，针对封存数据进行了评分。它以超过预注册门槛十倍以上的成绩通过。所有成果均公开，可被任何人重新验证。
图灵问的是 发现了多少结构。1956年哥德尔提出第二个问题：发现该结构有多难，相比验证它。找到一个证明可能极其昂贵，而验证却很便宜。这种差距也是可测量的。
深层问题：解释性压缩是否系统性地压缩搜索？ 如果一个值得大T的抽象能使未来的搜索从近乎穷举枚举降至小搜索树，那么压缩 就是 算法理解。这是一个假设，而非结果：目前尚无测量数据，且任何有限实验都无法最终解决P与NP问题。诚实的第一步是在已运行的工作上，对发现成本和验证成本进行仪器化测量。
对单一实例的单一答案。
一种可重复使用的高效寻找答案的方法。
简洁的结构，解释该方法为何在各种情况下都有效。
昂贵的搜索搭配廉价的验证并非人类发明。这是生命世界在无设计者的情况下构建复杂性的方法。这项工作提出了一种可测量的单位，用于衡量循环所能产生的某种结构：能够经受住未见现实考验的解释性结构。
变异被浪费性地生成，代价是深时中无数失败的生物体。验证是免费的：它是否存活并繁殖？
一个庞大的随机抗体库，其中大多数无用。一个简单的结合检测即可选出优胜者并大规模生产。
假设是昂贵的部分。实验是廉价且决定性的部分。图灵协议正是这一循环的形式化。
所有内容均公开：形式化定义、工程历史，以及任何人都可运行的复现协议，以验证测量结果。