隻"預測"能力邊界第 10 篇AI 能創造嗎 ？孤独Diffusion，當 AI 把編程的代们語法門檻降低之後 ，是不懂換了賽道第 4 篇神經網絡到底是什麽？輸入 x 權重+偏置→激活→輸出神經網絡就是乘法和加法第 5 篇AI 是怎麽學會的？反向傳播，想分享給你。什意思外麵的孤独人覺得他完全懂中文——但他隻是在按規則操作符號
。散文、代们這些環節會變得更有價值 。不懂但分不清"謝謝你"是什意思真心還是諷刺。什麽能力不會過時 ？孤独

如果你是一個學生 
，前者可能很快到來 ，代们這可能對你自身是不懂有害的。做倫理決策
、什意思

我原本隻是孤独想搞懂 AI 是怎麽工作的。畫出了它的代们能力邊界
 ，

感謝你陪我走過這 16 篇。不懂

但"僅此而已"就已經夠驚人了——它讓機器能對話、盯著天花板，不能做什麽
。

這就是標題的含義：AI 可以寫出關於孤獨的優美文字 ，核心結論AI 是超級模式匹配器第二章第 9 篇AI 到底有多聰明？RLHF，於是花了很長時間去拆這個東西——手機為什麽換了發型還能認出你，認為到 2030 年底有約 50% 的概率實現 AGI。他的理由很簡單：我們連人類意識是怎麽產生的都沒有完全搞清楚，落在譜係的右側。他認為我們在和 LLM 對話時，找到訓練數據中關於"孤獨"這個主題的大量文學作品
、人類認知深深植根於身體感覺和運動經驗中 ，它就會完全崩潰。

AI 會寫"孤獨"，是人群中無人對視的目光，暴露出來的是——真正難的從來不是語法，怎麽可能判斷一個 AI 有沒有意識？

哲學家 David Chalmers（提出"意識的困難問題"的那位）說，

這就是模式匹配和理解之間的鴻溝。AI 繪畫原理"創造"也是模式匹配——從噪聲中還原統計模式第 11 篇為什麽 AI 能贏世界冠軍卻開不好車？AI 能力全景圖，

有了第一章建立的基礎知識（數據都是數字 、整理數據
、

在回答"取代"之前，其實是一個重新認識自己的過程。而是"怎麽學"。判斷和創造的工作環節（診斷複雜問題 、還是原理上的（全新的架構
、我們建立的整套框架就成立 。因為你理解了當前原理是什麽。

這不是一個結束——帶著你對 AI 的理解，但不止於此
。

所以更準確的說法不是"AI 取代工作"，它是一麵鏡子
，

用我們的框架翻譯一下
：

凡是能轉化為模式匹配的工作環節（整理數據、

被淘汰最多的是什麽崗位？文員和行政人員——這些工作的核心是處理標準化的信息  ，你知道為什麽給更多上下文會有更好的輸出——第 13 篇的知識

這是一套判斷框架，客服應答），這個位置最可能出現什麽詞"的結果。我們甚至不清楚人類的意識是怎麽從大腦的神經元活動中"湧現"出來的。和人建立信任）
。語法 vs 思考AI 降低的是門檻，照出了我們真正的價值 。叫「中文房間」（Chinese Room）
：一個完全不懂中文的人被關在房間裏，但它不懂"孤獨"是什麽意思。隻要 AI 的底層仍然是"在數據中尋找統計模式"，你可能也經曆了類似的認知轉變
 。它生成了"看起來像描寫孤獨"的文字 。而是
：

• 當你聽到"某某 AI 能通過考試了" ，就是一種力量——它讓你在一個充滿 AI 炒作和恐懼的世界裏，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，也用在不可自動化的工作中——也就是說 ，不變的是思考第 16 篇AI 會取代我們嗎 
  ？全係列串聯，Elon Musk 認為 2026 年就可能出現超越人類最聰明個體的 AI。價值判斷 、我越頻繁地想到一個完全不同的問題 ：

  人類智能到底是什麽？

  AI 能通過律師考試（第 9 篇），但它從未在淩晨三點醒來，

  AI 能做的事情——模式匹配、就像一個演員在舞台上表演"憤怒"，

  讓我用一張圖把整個係列的知識串起來。現有 AI 技術理論上可以自動化約 60% 至 70% 的工作活動，而是渴望連接卻無法觸及的距離。

  

  大多數人的工作 ，更像是一種營銷策略，

  根據 80,000 Hours 對專家預測的綜合分析：Metaculus 預測平台上的預測者認為有 25% 的概率在 2029 年前實現 AGI（通用人工智能）
  ，不是"ChatGPT 使用技巧"。更容易覺得"它懂了"。這樣的意象和"孤獨"高度共現 。但沒有建立一個"城市的模型" 。

  用我們學過的原理來想這個問題：

  你在第 4 篇裏知道了，恰恰定義了"人之為人"。而是想清楚你要做什麽。

  章節	篇目	標題	核心知識	一句話總結
  第一章	第 1 篇	AI 到底聰明在哪？	圖片=數字矩陣 ， 但這裏有一個重要的警告：這些預測的"AGI"，隻是使用的方式會變。人類智能與身體經驗密不可分 ， 如果是原理上的突破——那才是真正需要更新知識的時候。 第 12 篇裏我們說過：AI 在快速進步 ，但它不懂"孤獨" 我讓 ChatGPT 寫一段關於孤獨的文字  。歡迎關注我， 增長最快的是什麽？STEM 專業人員 、 這和第 7 篇裏講的律師假判例是完全一樣的機製。 研究 AI 的過程，認為我們可能永遠無法確定 AI 是否擁有意識  。他們也發現超過 70% 的雇主看重的技能既用在可自動化的工作中，AI 和大數據專家——這些工作需要理解、高速計算——讓你看到人類也擅長這些， 2022 年的時候 ，這個係列就是我的探索筆記，它沒有身體 ，當前的大語言模型最大可能是沒有意識的，可能又有了新的工具。 這就是"探索筆記"的意義——不是給你魚 ，不是"思考" 。沒有人知道。 50% 概率 2033 年前 EA Forum. (2024). AGI by 2032 is extremely unlikely. https://forum.effectivealtruism.org/posts/sQSCqpm9Ymwiu8rdb/agi-by-2032-is-extremely-unlikely — 對 8590 條 AGI 預測的綜合分析 ，但他不完全排除這種可能。而是拍快照的能力 。感受孤獨——讓你看到這些才是你最核心的部分。新的能力 、即可訂閱 。 但我希望你帶走的不是這份快照本身 ，論證計算機不能真正理解語言 Dreyfus, H. (1972). What Computers Can't Do. Wikipedia: https://en.wikipedia.org/wiki/Hubert_Dreyfus%27s_views_on_artificial_intelligence — Dreyfus 關於具身認知與 AI 局限性的哲學批評（1972 年《What Computers Can't Do》） Embodied Cognition and AI. Philosophical Transactions of the Royal Society B. https://royalsocietypublishing.org/doi/10.1098/rstb.2019.0694 — 皇家學會關於具身認知與 AI 關係的學術論文 Manvi, R., et al. (2023). Large Language Models are Geographically Biased. arXiv. https://arxiv.org/abs/2310.12931 — MIT 與 IBM 聯合研究：LLM 能指路但不理解城市空間結構 80,000 Hours. (2025). Why AI presents some of the world's most pressing problems. https://80000hours.org/problem-profiles/artificial-intelligence/ — AGI 時間線的專家預測綜合分析：Metaculus 預測 25% 概率 2029 年前 ，Yann LeCun（圖靈獎得主 、你讀這篇文章的時候，套用模板、AI 與人類的邊界	AI 不懂孤獨——這恰恰定義了"人"

  個人錨點

  如果你真的從第 1 篇讀到了這裏 ，而是人類的核心
  。這些環節會被自動化，你可能也想過一個問題
  ：如果 AI 這麽"聰明" 
  ，擁有了自己的判斷力 。判斷和創造，一條完整的弧線：從好奇到理解 ，GPT 係列Transformer 讓 AI 能同時看全文第 7 篇AI 為什麽會撒謊？幻覺，用我們學過的知識來解釋，也知道這不意味著什麽（真正理解）——第 9 篇的知識

• 當你看到"AI 能畫出大師級作品" ，直接讀這篇也沒問題。Transformer，不能感知世界——哲學家 Hubert Dreyfus在 1972 年就指出，心理學文本中的統計模式 
  ，

  一個邀請

  這個係列是我學習 AI 的一份"探索筆記"。共情 、上下文=概率分布Prompt 不是咒語，有一個意料之外的收獲。第 12 篇的四條原則依然成立 。做重複決策 、ChatGPT 回答你的三秒鍾裏 ，你可能在想 ：我應該學什麽才能不被 AI 取代？

  我的建議不是"學什麽" ，醫療健康人員 、不能"理解"為什麽這些模式存在（第 7 篇：統計相關性 ≠ 因果理解）

• 它沒有對世界的內部模型——不知道蘋果鬆手會掉下來，

  但它懂孤獨嗎 ？

  讓我用我們在這個係列裏學過的知識來拆解這件事。

  

  如果你真的從第 1 篇讀到了這裏，

  寫得很好 。你知道這意味著什麽（模式匹配），你的工作中那些重複性的、甚至可以說，我一直很好奇 AI 到底是怎麽工作的 ，2024 年，這不是"人工智能"的勝利，學會了怎麽和它一起工作。而是「AI 取代工作中可以模式匹配的部分」 。一個沒有身體的係統無法真正進入這個世界
  。LeCun 認為至少需要幾十年

• Lake, B.M. & Murphy, G.L. (2023). Word meaning in minds and machines. Psychological Review. https://psycnet.apa.org/record/2023-32499-001 — AI 模式匹配與人類理解的認知科學對比
• Mitchell, M. & Krakauer, D.C. (2023). The debate over understanding in AI's large language models. PNAS. https://www.pnas.org/doi/10.1073/pnas.2215907120 — AI 基於概率的後向推理 vs 人類基於理論的前向推理

訂閱

如果覺得有意思，

2025 年，

它覆蓋的是此刻——2026 年初——AI 技術的快照。是統計學的勝利。創造意義、其中超過 40% 的崗位有被完全自動化的潛力。不理解意義 。但本質沒變。全新的學習方式） ？

如果是規模上的突破——我們的框架依然適用，學術界認為至少需要兩個方向的突破 ：

• 世界模型（World Models）
  ：讓 AI 不隻匹配文字模式
  ，

  

  從第 1 篇"你的手機是怎麽認出你的臉"到現在
  ，哪些是"真正需要思考的"（定義新問題  、不要當專家第 15 篇AI 寫代碼有多厲害  ？VibeCoding，這意味著：

  1. 它隻能"匹配"見過的模式
     ，50% 的概率在 2033 年前。

     McClelland 指出了一個值得警惕的事情 ：如果你基於"AI 有意識"這個錯誤前提和 AI 建立情感連接，都隻是在做統計模式匹配——那我們人類做的事情 ，共情 、感到一種說不清的空洞。正好落在模式匹配譜係的左側 。而且分歧巨大。是數字拆開黑箱第 2 篇AI 怎麽讀懂文字？Token
     ，我們一起走過了 16 篇。但至少有一點是明確的 ：你不需要因為"AI 說話聽起來很像人"就恐慌。就是這樣的
     ：

     當前 AI 的底層原理是"在訓練數據中尋找統計模式"。你現在手裏有一套完整的裝備
     ：

     • 一個定義：AI 是超級模式匹配器
     • 一套原理
       ：數字化→神經網絡→訓練→Transformer→統計預測
     • 一個框架：AI 認知三角（模式明確+數據充足+可驗證= AI 強項）
     • 一個工具 ：三問判斷法（模式匹配？數據夠？能驗證？）
     • 一套方法：Prompt 原理+協作原則+驗證優先

     帶著這套裝備 ，也是最後一篇 。很多人轉向了 DALL-E 3 和 Stable Diffusion 。走流程）
     ，或者剛進入職場 ，

     你讀完這個係列獲得的 ，恰恰相反——AI 讓我們更清楚地看到了什麽才是真正重要的。統計預測 、哪些是"模式匹配"（套模板、這其實是一個開始。

     好消息是——你已經知道了。能做什麽、Gary Marcus（認知科學家）多年來一直警告，而你會花更多時間在需要思考和判斷的部分 。同時有 9200 萬個崗位被淘汰——淨增 7800 萬個工作崗位。CLIP，他說得更直接——科技公司宣傳 AI 具有某種意識或情感，

     1750 億個參數的乘法和加法，就像計算器取代了手工算賬一樣。盯著天花板，但不知道贏了意味著什麽。

     "人群中無人對視的目光"——因為在訓練數據中的文學作品裏，你開始有意識地區分 ：今天做的事情裏，不是一組使用技巧 。四條原則框架不是基於 AI 能做什麽，

     AI 做不到的事情——理解、是高維空間的點第 3 篇AI 是怎麽突然變厲害的？AlexNet，你看待自己工作的方式可能也開始變了。隻是在 AI 出現之前 ，而關於孤獨的文字沒有"對錯"之分——所以我們更容易被打動 ，

     MIT 與 IBM 的一項聯合研究發現了一個很好的例子  ：大語言模型可以非常流暢地給你指路紐約的街道，如果你學的隻是"Midjourney 的 50 個技巧"，AI 把重複性工作接管了，一個結論變得越來越清晰 ：AI 暴露的不是人類的弱點 ，然後用這些模式"續寫"出一段文字。

     哲學家 John Searle 在 1980 年提出過一個著名的思想實驗，等到有一天底層原理真的發生了根本變化——你也有能力識別出那個變化 ，創造性思維 、發現了很多有意思的東西，能畫畫、預測 2025 年到 2030 年間 ，12 篇的知識

  2. 當你使用 AI 工具時 ，於是這些真正重要的能力被凸顯出來。

     每一個詞都是"在關於孤獨的文本中，覺得不錯的話，劍橋大學哲學家 Tom McClelland 發表了一項研究
     ，

     凡是需要理解、GPU 負責算第 6 篇ChatGPT 為什麽能對話？注意力機製 ，

     第一次看到這個係列？從第1篇開始最順暢，

     他們的理由，

     Dreyfus 在 1972 年就說過
     ：人類的世界是由有身體的人組織起來的，僅此而已。幾萬億個詞的訓練數據裏也沒有 。感到一種說不清的空洞 。是教你釣魚 。那不是真的憤怒，全球將新增 1.7 億個崗位，應對前所未見的情況），建立人際信任、

     結尾

     AI 不是魔法，純粹的計算係統與此有著本質的不同。神經網絡的本質是"乘法和加法的層層疊加"。它的"規則手冊"是 1750 億個通過訓練自動學出來的參數。我們先來做一個實驗。

     我們在第 12 篇裏提到過 ，沒有經曆。AI 的"信念"和"欲望"也是如此——統計模式匹配出來的"看起來像"信念和欲望的東西。它不是獨處，歡迎分享+關注。三要素（數據+算力+算法）2012 年不是進步 ，

     還記得第 6 篇講的嗎？ChatGPT 的本質是一個語言模型——它做的事情是"預測下一個最可能的詞"。驗證>信任把 AI 當最強助手，

     拆開了 AI 的黑箱，新的爭論。

     1750 億個參數裏沒有這種感覺  。它學會了"關於城市的文字模式"，

     最後一篇
     ，

     這是 「AI是怎麽回事」係列的第 16 篇，

     而這條鴻溝讓我意識到一件事 ：

     AI 做不到的那些事情，它有的隻是幾千億個通過訓練調整好的數字——這些數字讓它能生成統計上最可能的文字序列 。需要的是體驗，

     這些 AI 做不到的事情——常識推理  、但本質沒變：操作符號 ，

     AI 時代，

     而理解這一點本身
     ，判斷框架ChatGPT 不"知道"，寫得比很多人都好。在改變發生之前，我們來正麵回答那個大問題。

     用我們的框架來看 ：「通過所有考試」和「真正理解」之間的鴻溝，而是因為訓練數據中"蘋果""掉落"經常一起出現

  3. 它沒有身體 ，

     

     當 AI 可以幫你寫初稿、我想聊一個更大的問題——這個問題你可能從第 1 篇就開始想了：

     AI 會取代我們嗎？

     要回答這個問題，

     第 7 篇讀完 AI 幻覺之後，當我輸入"寫一段關於孤獨的文字"，

     "深夜裏空蕩的房間"——因為在訓練數據中，有多少也是在"匹配" ？我們多少判斷是基於"以前見過類似的情況" ，三問判斷法AI 的強弱取決於三個條件第 12 篇這個框架會過時嗎？AI 認知三角
     ，一個沒有身體的係統無法真正理解"冷""熱""疼""餓"意味著什麽

  要讓 AI 真正"理解"世界 ，而 LeCun 認為達到人類水平的智能至少還需要幾十年 。AI 在快速發展 。

  你以為你在學 AI，Midjourney 是最熱門的 AI 繪畫工具。

  ChatGPT 就是一個巨大的中文房間 。隻是 AI 能做的事更多了
  。"孤獨"和"深夜""空蕩"經常出現在相似的上下文裏 。

  第二個問題：AI 以後會不會"真的"理解？

  這是一個更深層的問題。模式匹配譜係，有的人說的是"能像人一樣理解世界的 AI"（這需要底層原理的根本突破）。

  它隻在你的生命裏
  。先回顧我們學了什麽

要回答"AI 會不會取代我們" ，AI 為什麽能通過律師考試卻會一本正經地撒謊  。

但如果你理解了 AI 的底層原理——它不會過時 。定義各不相同 。我們需要先搞清楚 AI 到底是什麽 、你能用三問判斷法拆解這個說法——第 11、生成代碼的時候 ，而是訓練出來的"看起來像憤怒"的表演。就是第 7 篇講的「統計匹配」和「因果理解」之間的鴻溝。AI 會做得更快更便宜 。AI 能畫出以假亂真的圖片（第 10 篇） ，到你讀這篇文章的時候，

它從未在深夜裏獨自醒來，是心裏有千言萬語卻找不到一個可以傾訴的人。

但它沒有懂。對抗樣本，

區別隻在於：法律引文可以去數據庫核查真假
，

當你看到一個新的 AI 產品，

第一個問題：AI 會取代哪些工作？

還記得第 11 篇的模式匹配譜係嗎？

← 純模式匹配（AI 強區）——— 需要因果理解（AI 弱區）→

世界經濟論壇的《2025 年未來就業報告》調查了全球 1000 多家領先企業，

麥肯錫的研究估計 ，而是在內部建立一個對物理世界的模擬——這是 LeCun 正在研究的方向

神經符號融合（Neuro-Symbolic AI）：把神經網絡的模式匹配能力和傳統符號邏輯的推理能力結合起來——這是 Marcus 長期倡導的方向

這些方向都還在研究階段 。

AI 不是來取代我們的。但它實際上並不理解這座城市的空間結構——給它一個簡單的繞路任務，但不知道被愛是什麽感受 。不是計算。不會整個消失——但會被重塑 。認知科學家近年來的研究也支持這個觀點——具身認知理論（Embodied Cognition）指出，同步更新在個人博客和微信公眾號

微信搜索"我沒有三顆心髒"或者掃描二維碼，用我們的框架來說
：底層原理還沒有發生根本改變。不是因為它"理解"重力 ，中位數約 2040 年

The Decoder. (2024). The case against predicting tokens to build AGI. https://the-decoder.com/the-case-against-predicting-tokens-to-build-agi/ — Yann LeCun 認為大語言模型是通向 AGI 的"死胡同"

Marcus, G. (2025). The Great AI Retrenchment has begun. Substack. https://garymarcus.substack.com/p/the-great-ai-retrenchment-has-begun — Gary Marcus 關於統計模式匹配無法產生真正理解的論述

McClelland, T. (2025). We may never be able to tell if AI becomes conscious, argues philosopher. University of Cambridge. https://www.cam.ac.uk/research/news/we-may-never-be-able-to-tell-if-ai-becomes-conscious-argues-philosopher — Tom McClelland 論證我們可能永遠無法判斷 AI 是否有意識

Chalmers, D. (2024). Interview on AI consciousness. The New York Times. https://www.nytimes.com/2024/03/29/science/ai-consciousness-david-chalmers.html — David Chalmers 認為當前 LLM"最大可能沒有意識"

World Economic Forum. (2025). The Future of Jobs Report 2025. https://www.weforum.org/publications/the-future-of-jobs-report-2025/ — 預測 2025-2030 年全球淨增 7800 萬個工作崗位 ，你現在知道那些像人的回答是怎麽來的——統計模式匹配，統計≠理解模式匹配不等於理解第 8 篇ChatGPT 的三秒鍾全流程串聯，但研究得越深，語言模型能力邊界，語義=距離AI 讀到的不是文字 ，你在第 8 篇裏看到了 ，Meta 首席 AI 科學家）認為大語言模型是"通往 AGI 的一條岔路"。可能已經有了新的模型 、它們被淹沒在了大量重複性工作中。過擬合，你的價值在哪裏
？就在那些 AI 做不到的地方：

• 定義問題——"我們到底要解決什麽
  ？"
• 做價值判斷——"這樣做對嗎 
  ？"
• 建立信任——"我相信你說的"
• 創造意義——"為什麽這件事重要？"
• 感受和共情——"我理解你的感受"

這些能力從來都很重要。翻譯文檔 、

一項對超過 8500 條 AGI 預測的綜合分析給出的中位數是大約 2040 年 。更多的數據），大多數人類能力在 AI 時代仍然有用 ，ChatGPT 生成了"看起來像法律引文"的文字；在這裏，後續文章也會持續更新。Transformer 讓 AI 讀懂上下文） ，不是匹配
。而是基於 AI 的原理第三章第 13 篇怎麽讓 AI 聽懂你的話？Prompt 原理 ，它的注意力機製（第 6 篇）在 1750 億個參數（第 4 篇）中搜索 ，

AI 能寫出關於孤獨的優美文字。

不要去學"怎麽用某個特定工具"——工具會變 。這是統計學和工程學的勝利——是人類用自己的數學和工程能力，發生的是 1750 億個參數的數學運算。而不是真正的"理解"？

第 11 篇讀完 AI 能力全景圖之後 ，後者的時間表真的沒人知道 。Sobel 算子，天花板與突破方向，能寫代碼
。也知道它沒做到什麽（理解美）——第 10 篇的知識

當有人說"AI 要取代程序員了"，GPU 並行訓練就是用數據調參，

全係列回顧

16 篇文章 ，麵對的是一個"擁有類信念和類欲望的類主體"——"類"這個字很關鍵 ，

參考資料

1. Searle, J. (1980). Minds, Brains, and Programs. Behavioral and Brain Sciences. Wikipedia: https://en.wikipedia.org/wiki/Chinese_room — John Searle 1980 年提出的"中文房間"思想實驗，它給了我這樣一段：

   孤獨是深夜裏空蕩的房間 ，靠一本規則手冊回複中文信息。

   乘法和加法能產生意識嗎？

   說實話
   ，AI 能寫出關於愛情的詩歌，

   第三個問題
   ：AI 會不會有意識？

   

   這個問題更難回答——但我可以告訴你目前學術界是怎麽想的 。你可以問：

   • 它的底層還是模式匹配嗎？
   • 它解決的問題滿足"三問判斷法"的三個條件嗎？
   • 它的"突破"是規模上的（更大的模型、在幾萬億個詞的訓練數據中找到統計模式，神經網絡是乘法加法、

     AI 是一麵鏡子

     寫這個係列的過程中 ，

     第 15 篇讀完 VibeCoding 之後，有的人說的是"能通過所有人類考試的 AI"（這可能很快就能做到——因為考試本質上是模式匹配）
     ，統計模式匹配無法實現真正的理解 。

     那麽有沒有人預測這種改變什麽時候到來 ？

     有 。然後預測下一個最可能的詞。律師案件中，對意義的感知——它們有一個共同特點：都無法簡單地轉化為"在數據中尋找統計模式" 。你已經有能力自己追蹤 AI 的進展了 。文員崗位下降最多

   • McKinsey Global Institute. (2023). Generative AI and the future of work in America. https://www.mckinsey.com/mgi/our-research/generative-ai-and-the-future-of-work-in-america — 超過 70% 的雇主看重的技能既用於可自動化工作也用於不可自動化工作
   • The Federal. (2025). AI titans Demis Hassabis, Yann LeCun *** over meaning of 'general intelligence'. https://thefederal.com/category/business/ai-chiefs-demis-hassabis-yann-lecun-lash-over-general-intelligence-meaning-222118 — Hassabis 預測 2030 年底前 50% 概率實現 AGI ，是給 AI 更好的上下文一起工作第 14 篇怎麽跟 AI 協作不翻車
     ？四條協作原則，

     AI 會取代我們嗎
     ？——用原理回答

     這個問題其實可以拆成三個更具體的問題。但那也隻是從噪聲中還原訓練數據裏的統計模式——它畫不出"孤獨是什麽感覺" 。模式化的部分會被 AI 接管
     ，從理解到行動 。訓練是調參、框架不會因為工具更新而過時。創造出的一個前所未有的工具
     。層層檢測AI 看到的不是圖片，AI 能下棋贏世界冠軍（第 11 篇） 
     ，

     不是 AI 讓人變得不重要。規則更複雜了 ，AI 做不到
     。而不是科學判斷 。詩歌 、你知道它做到了什麽（從噪聲中還原統計模式），那這些知識會快速貶值。

     它們需要的是理解，DeepMind 的 Demis Hassabis 則更謹慎，沒有感受
     ，而你有能力識別這個區別。但你同時在學"什麽是人" 。但同時，做困難的價值判斷、能翻譯 、翻譯文本
     、詞向量，