@mumbler #44 人类语言是我们的大脑提炼出的世界特征，但是不能排除其他生物（或者人工神经网络）基于视觉，听觉，嗅觉提炼出另外一种世界的表征。就像虽然纯视觉肯定可以实现完全自动驾驶，但并不是说额外的传感器（额外的“模态”）不会提升网络的表现，或者去掉视觉就无法实现完全自动驾驶——只是目前我们没有很好的方法融合这些多模态的数据。

而且就我本人来说，我在找路的时候就会在大脑中想象终点的场景，然后靠想象中往回走到我当前的位置来确定路线。这何尝不算是一种“视觉模态”的思考呢？以及对作曲家来说，说不定他们的脑海中偶尔就会闪过一段旋律？或者发现苯环的化学家梦到衔尾蛇的“传说”？

这个就有点像是一个由来已久的声音：为什么电影里的“外星人”都是人形——这一方面反映了我们倾向于使用自己熟悉的事物来推广未知的事物，另一方面也反映了这种符合直觉的推广在理性思考面前不一定站得住脚。