在超算和人工智能高速發展的階段中，尤瓦爾?赫拉利在《未來簡史》中提出的“無用階級”理論已經從預測逐漸成為現實。

　　這也帶來了廣泛的焦慮和不安，大多數人們可能學習某一專業領域十多年(本碩博)，力圖掌握一門具有專業壁壘的技能，但是現在卻很可能這種技能就快要被人工智能代替了。

　　個體知識的增長速度和見識的更新頻率趕不上時代的發展速度，這是人工智能時代來臨帶來的一個顯著趨勢。

　　在軍事領域，美國國防部下屬的高級研究計劃局(DARPA)以人工智能算法軟件，在加州愛德華茲空軍基地多次成功試飛一架F-16戰鬥機的測試機型。

　　DARPA在5個月前發布的一份聲明中說，這些飛行證明了人工智能可以代理控制整個戰鬥機，並提供了寶貴的實時飛行數據。

　　為保險起見，飛機飛行時配備了飛行員以應對突發情況。不過，在全部測試期間，這架噴氣式飛機都處於多項人工智能算法的控制之下。

　　DARPA表示，測試一切順利。這些算法是由五角大樓的空戰演進(Air Combat ，ACE)項目開發和測試的。ACE項目始於2019年，開發可信、可擴展、人類級、人工智能驅動的自主作戰能力，目標是人機協同混戰。

　　即便是軍事上的運用，人工智能依然遵從目前所有主流AI的底層邏輯——對大腦運行機制的模擬。

　　基於這一邏輯，科學家開發了各類基於神經網絡算法的神經網絡模型，並取得了良好效果。

　　其基本原理是:模型由輸入層、隱藏層和輸出層三部分組成;

　　從輸入層輸入圖像等信息，經過隱藏層的自動化處理，再從輸出層輸出結果;模型內部包含大量“神經元”，每個“神經元”都有單獨的參數;

　　如果輸出結果與輸入信息存在誤差，模型則反過來自動修改各個“神經元”的參數;

　　這樣輸入一次，跟正確答案對比一次，把各個參數修改一次，就相當於完成了一次訓練。

　　隨著訓練次數越來越多，模型參數的調整幅度越來越小，逐漸達到相對穩定的數值。此時，這個神經網絡就算成型了。

　　這就是目前主流的神經網絡算法，ChatGPT也同樣如此。

　　但是不同之處在於，一般AI模型只有百萬級訓練數據和參數，而ChatGPT擁有3000億單詞的語料數據和1750億個參數。

　　前者是“喂給”程序的訓練數據，後者則基於訓練數據提升ChatGPT這個模型對世界的理解。

　　這就是ChatGPT看起來“更聰明”的主要原因。但ChatGPT只是“大力出奇跡”，其原理與過去的AI模型並沒有本質區別。

　　但是，AI依然存在缺陷。

　　第一，AI本身並不理解“它自己在做什麽”。AI模型就是一堆神經網絡的參數，這些參數沒有任何具體意義。

　　AI隻負責輸出結果，並不能解釋輸入與輸出之間的邏輯關系。

　　第二，AI的“行為”是由訓練數據決定的。訓練AI的數據量越大，AI的能力就越強。但數據再多，也只能代表“經驗豐富”，一旦遇到意外情況，就會發生功能紊亂。

　　可以說，AI就是用大量數據“喂”出來的，它的表現完全取決於數據。因此，跟人類智能相比，AI既沒有真正的理解能力，又過於依賴訓練數據。

　　正如計算機科學家和哲學家朱迪亞·珀爾有一句名言:

　　“數據是深度愚蠢的”。