人工智能 "个性克隆"迫使我们重新审视个人身份的运作机制。我们通过外部观察者在一段时间内对行为表现的不可区分性来定义身份，抛开意识的难题。我们将"身份"区分为三个标准：对目标个人的忠实度、通用的人类特征和个体性。 我们提出了一个六因素的观察身份分解（基础、倾向、记忆、更新动态、背景和外部偶然性），使用状态空间公式表示。不可区分性被定义为1减去法官的区分优势，分解的系数成为可以通过随机消除估计的局部敏感性。 我们的中心主张是一个条件猜想：假设关于代理自身持久性信息和自身利益相关后果的假设，版本化趋于降低长期视角下的不可区分性。 一个与lambda演算、线性类型和模拟的类比阐明了线性性所能和不能建立的内容。 我们在产品克隆和个体之间确定了第三个对象，即代表：一个任务受限、寿命受限的部分克隆，结束于带宽受限的证明。 我们将经验证据映射到三个标准上，提出一个实验计划，并认为正确的长期标准不是轨迹忠实度，而是气候忠实度：匹配个人的可能响应的条件分布。 最好的克隆是与原版就像原版与自身一样分歧的那个。 博主点评： 本文从外部视角重新审视人工智能个性克隆的概念框架，为研究人工智能个性克隆提供了一个新颖的视角和方法论。