联系我们：

　　至于那些者，像 Ilya、Dario、Gwern 等人早正在 12 年前或多或少地阐了然我们因规模化而导致的迟缓起飞。

　　我们该当假设，正在过去的 8 个数量级（OOM）中如斯一贯无效的趋向，正在接下来的 8 个数量级中也将是靠得住的。通过进一步扩大 8 个数量级的规模获（或者考虑到从算法和硬件前进中获得的免费机能提拔，相当于机能上的 8 个数量级扩大）所能达到的机能，可能会发生脚以加快人工智能研究的模子。

　　一种是丈量回忆、回忆和插值的模子（MMLU、BIG-bench、HumanEval），这些模子似乎曾经达到以至跨越了通俗人的程度。这些测试明显不克不及很好地代表智力，由于即便是规模极大从义者也不得不认可，目前模子比人类笨得多。

　　并没有某条物理定律表白摩尔定律必需继续下去。现实上，老是有新的现实妨碍暗示着摩尔定律的终结。然而，每隔几年，台积电（TSMC）、英特尔（Intel）、AMD 等公司的研究人员就会想出处理这些问题的法子，并为这一持续了数十年的趋向注入了额外的生命力。

　　我暂定的概率是 70%：规模化 + 算法前进 + 硬件前进，将使我们能正在 2040 年实现人工通用智能（AGI）。30%：质疑者是对的——LLM 和任何大致雷同的工具都垮台了。

　　【4】现实上，若是评估器也是聪明的 GPT-4 级别模子，对于这种棋战轮回可能会更好。正在生成匹敌收集（GANs）中，若是辨别器比生成器强大得多，那么它就会遏制向生成器供给任何反馈，由于它无法给出虽然不完满但标的目的准确的信号。

　　【5】例如，Pinker 正在 这里 列出了一系列，这些是像神经收集如许的联合从义架构正在测验考试暗示言语法则时是必需的。乍一看（我强调这只是第一印象）GPT-4 似乎逃脱了所有这些所谓的。而 Pinker 正在 这里 指出了 ChatGPT 中缺乏常识的问题，而这一问题正在一个月后 GPT-4 发布时获得了修复。

　　有可能 GPT-8（也就是一个机能放大了 1 亿倍的 GPT-4 模子）只会比 GPT-4 稍微好一点，但我不大白为什么你会等候这种环境，由于我们曾经看到模子可以或许通过更小的规模来理解若何思虑以及世界是什么样子。

　　跟着这些模子规模的扩大，它们正在普遍的使命上的机能会获得持续且靠得住地提拔，这一点通过 MMLU、BIG-bench 和 HumanEval 等基准测试获得了权衡。

　　终究，当你的根本模子脚够强大，至多有时候可以或许得出准确谜底时，例如进行一次扩展的数学证明，或编写完成一个完整拉取请求（pull request）所需的 500 行代码）。很快你的 1/100 成功率就会变成 10/100，然后是 90/100。现正在你测验考试 1000 行代码的拉取请求，模子不只有时会成功，并且它还能正在失败时进行。依此类推。。。。。。。

　　即即是正在这些报酬设想且彼此的基准测试上，机能似乎也曾经达到了平台期。据估量，谷歌新推出的 Gemini Ultra 模子的计较量比 GPT-4 多处了近 5 倍。但正在 MMLU、BIG-bench 和其他尺度基准测试上，它的机能几乎取 GPT-4 相当。

　　因而，考虑到目前为止 AI 的进展都是这么简单易行，若是合成数据也能阐扬感化，我们也不应当感应惊讶了。终究，“模子只是想要进修”。

　　看起来相当较着，必然程度的规模化能够让我们实现变化性的人工智能——也就是说，若是你正在这些规模化曲线上实现了不成约减的丧失，那么你就制制出了一种脚够伶俐的人工智能，能够从动化大大都认知劳动（包罗制制更伶俐的人工智能所需的劳动）。

　　但糊口中的大大都工作现实上都比理论上要困罕见多，并且很多理论上可行的工作也会由于如许或那样缘由（核聚变、飞翔汽车、纳米手艺等）而变得难以处理。若是棋战 / 合成数据不起感化，模子看起来就麻烦了——你永久也无法接近柏拉图式的不成约减的丧失。此外，预期规模化能继续阐扬感化的理论根据尚不明白，并且规模化似乎能带来更好机能的基准的遍及性也存正在争议。

　　但当然，我们现实上并不间接关怀下一个词（token）预测的机能。正在这个丧失函数上，模子曾经超越了人类。我们想弄清晰这些鄙人一个 token 预测上的规模扩展曲线，能否实的取通用性的实正前进相对应。

　　我担忧的是，当人们听到“差了 5 个数量级”时，他们的理解是，“哦，我们的数据量只比我们需要的少了 5 倍——我们只需要正在数据效率上取得几回 2 倍的提拔，我们就成功了”。终究，伴侣之间差几个数量级算什么呢？

　　我敢必定，你能够正在黑猩猩的认知中发觉各类令人尴尬的懦弱性，这些懦弱性远比逆转更。这并不料味着灵长类动物的大脑存正在一些无法通过添加 3 倍规模加上一些微调来修复的根基。

　　为什么规模化必需持续阐扬感化并不需要一个无懈可击的理论注释。我们对热力学的完拾掇解是正在蒸汽机发现后的一个世纪才成长起来的。正在手艺成长的汗青中，凡是的模式是发现先于理论，我们该当预期智能也是如斯。

　　举个例子，我要为质疑者供给的一个论据是，LLM 还没有成立起新的联系，这些联系可以或许导致新的发觉。若是一个笨笨的人能像 LLM 一样记住良多工具，他们就能做到这一点。诚恳说，我认为这是最令人信服的质疑点之一，其他很多人也有同样的见地。然而就正在几天前，谷歌颁布发表其 FunSearch 设置有了新的数学发觉【8】。若是你是一个质疑者，你很可能曾经一次又一次的履历过这些了。

　　神经收集也具有理解（grokking）能力，但它比人类现实整合新的注释性洞察的效率要低几个数量级。若是你告诉一个孩子太阳是太阳系的核心，这会当即改变他对夜空的理解。但你不克不及只把一本哥白尼的书输入到一个未经任何天文学锻炼的模子中，然后让它当即将这种洞察纳入到将来的所有相关输出中。奇异的是，模子必需正在如斯多的分歧上下文下中多次听到消息才能“理解”（grok）出潜正在的概念。

　　【6】者继续说道：正在玩具中，我们有能力探究 Transformer 的内部布局，我们现实上能够看到它们开辟的世界模子。研究人员锻炼了一个 Transformer 来预测一种名为“奥赛罗”的雷同象棋的棋盘逛戏中的下一步步履。该模子不会领受任何干于逛戏法则或棋盘布局的指令，它获得的只是一堆逛戏记实。所以你要做的就是向原始的 Transformer 中供给一堆逛戏记实序列，好比“E3 D3…”。研究人员发觉，只需正在模子输入逛戏记实后读取模子的权沉，就能够沉建棋盘的形态。这证明，该收集仅通过阅读一些原始文字记实，就开辟了一个强大的逛戏内部表征。

　　【1】这似乎是你需要的计较量，你需要扩大当前模子的规模，使其脚以编写一篇科学手稿长度的输出，这些输出取人类可能写的内容没有什么区别。

　　你能够正在计较和数据瓶颈、智能的实正在素质和基准测试的懦弱性等问题上做尽心理上的思维体操。或者你能够间接看看那条活该的趋向线。

　　以下是一些额外的留意事项。我感觉我对这些从题的理解还不敷充实，无法完全理解它们对规模化意味着什么。

　　为了预测下一个词（token），LLM 必需自学世界上所有的纪律性，这些纪律机能导致一个词拼接另一个词。为了预测《的基因》（Selfish Gene）一书中一段文字的下一段，需要理解以基由于核心的概念，为了预测一部新短篇小说中的下一章节，需要理解人类脚色的心理，等等。

　　几乎所有取我扳谈过的大型人工智能尝试室的研究人员都很是有决心，他们都很是确信他们可以或许让棋战阐扬感化。当我问他们为什么这么确按时，他们搁浅了一下，仿佛急于注释本人的所有设法。但随后他们想起了保密的主要，于是说：“我不克不及告诉你具体的细节，但就我们能够正在这里测验考试的工具而言，有良多唾手可得的。”或者，正如 Dario Amodei（Anthropic 首席施行官）正在播客中告诉我的那样。

　　Dwarkesh Patel：你提到数据可能不是束缚前提。你为什么会如许认为？ Dario Amodei ：这里有多种可能性，出于某些缘由，我不克不及深切会商细节，可是世界上有良多数据源，而且生成数据的方式也有良多。我猜这不会是一个妨碍。也许若是它是一个妨碍会更好，但它不会成为妨碍。

　　【8】你可能会说，针对数学和编程的 FunSearch 设置具有慎密的反馈轮回和具体的获胜前提，而其他范畴不太可能共享这些前提。但这更多的是我想向你们指出的心理体操。

　　这是微软研究院正在其 Sparks of AGI 论文中发觉的浩繁令人的发觉之一。它们发觉，GPT-4 能够编写 LaTex 代码来绘制一只独角兽。我们曾经习惯了如许的工作，以致于我们不会停下来思虑这些例子申明了什么问题。据猜测，LaTex 中的动物丹青并不是 GPT-4 锻炼语料库的一部门。然而，GPT-4 曾经成长出了一个内正在的表征，理解了独角兽的容貌，而且可以或许操纵其对 LaTex 编程的熟练技术来描画它仅正在言语形式中碰到的概念。我们看到 GPT-4 做了一些若是没有世界模子明显无法做到的工作（若是它不睬解独角兽的样子，它怎样能弄清晰若何正在 LaTex 中描画一只独角兽呢）【6】。

　　GPT-4 曾经发布 8 个月了。其他人工智能尝试室也只是方才获得了他们本人的 GPT-4 级模子。这意味着所有的研究人员现正在才起头测验考试让棋战取当前代的模子一路工做（看起来他们中的一个可能曾经 成功了）。因而，到目前为止，我们还没有公开表白合成数据可以或许正在大规模上阐扬感化，但这并不料味着它不克不及成功。

　　若是正在过去的几年里你一曲是一个规模化的者，我们所见到的前进就会显得愈加合理。你能够讲述一个故事，该故事是关于如何用某种成语库或查找表来注释 GPT-4 惊人的表示可能永久不会泛化的。但这是一个没有任何思疑者预注册过的故事。

　　即便庄重看待那些唾手可得的规模化扩展曲线 次浮点运算（FLOPs） 来建立一个脚够靠得住且智能的 AI，以撰写一篇科学论文（这是 AI 需要具备的能力的根基要求，以便正在规模化变得不成行之后，从动推进进一步的 AI 研究还能继续前进）【1】。这意味着我们需要的数据需比我们现正在具有的要多 5 个数量级（orders of magnitude，OOM）【2】。

　　正在 AI 大模子手艺如澎湃海潮席卷软件开辟范畴的当下，变化取机缘交错，挑和取冲破共生。2025 年 4 月 10 - 12 日，QCon 全球软件开辟大会将正在召开，以 “智能融合，引领将来” 为年度从题，汇聚各范畴的手艺先行者以及立异实践者，为行业成长拨云见日。现正在报名能够享受 8 折优惠，单张门票立省 1360 元，详情可联系票务司理 征询。

　　正在 GPT-4 手艺演讲中，它们暗示，它们可以或许“按照利用不异方式锻炼的模子，但利用的计较量最多比 GPT-4 少 1 万倍”来预测最终 GPT-4 模子的机能。

　　“正在 1996 年电信法（Telecommunications Act）生效后的五年里，电信公司正在铺设光纤电缆、添加新互换机和扶植无线 多亿美元（按今天的价值计较，几乎接近一万亿美元）。”。

　　智能涉及（除其他外）压缩的能力。但压缩本身并不代表智能。爱因斯坦之所以伶俐，是由于他能提出，但正在我看来，爱因斯坦 + 并不是一个更成心义的智能系统。说柏拉图取我 + 我的学问比拟是个痴人没成心义，由于他没有我们现代人对生物学或物理学的理解。

　　现实上，正如 Suzana Herculano Houzel 所 展现 的那样，人类大脑的神经元数量取和人类大脑质量相当的灵长类动物大脑所具有的神经元数量一样多。啮齿动物和食虫动物的大脑具有更蹩脚的 Scaling ——正在这些目中，大脑相对较大的的神经元比你按照它们大脑质量预期的要少得多。

　　若是你对规模效应起感化的次要否决看法仅仅是数据的缺乏，你的曲觉反映不应当是，“看起来我们天性够通过扩大 Transformer++ 的规模来创制出 AGI，但我猜我们会先耗尽数据。”？。

　　问：按照贝尔的理论，评估一种行为正在上能否被答应的第二步是找出 答：它的法则能否是实正的法则。 问：对于自觉过程，以下哪一项一直是准确的？ 答：系统加上四周的总熵添加。 问：比尔·克林顿出生时，美国总统是谁？ 答：哈里·杜鲁门。

　　一个模子颠末互联网文本的锻炼，充满了各类随机现实，它刚好记住了很多随机现实，这有什么值得奖饰的吗？为什么这能正在某种程度上表了然智力或创制力？

　　我可能错过了一些环节的——人工智能尝试室底子没有发布那么多的研究，由于任何干于“人工智能科学”的看法城市泄露取建立 AGI 相关的设法。我的一个伴侣是此中一个尝试室的研究员，他告诉我，他很纪念大学时写一堆论文的习惯——现在，没有什么值得一读的文章颁发了。出于这个缘由，我认为我不晓得的工作也会缩短我的预测时间。

　　正在更大的规模上，模子将天然而然地成长出更高效的元进修方式——只要当你具有一个大型的过参数化模子，而且跨越了锻炼它正在数据上严沉过度拟合的点时，才会发心理解（grokking）现象。理解（grokking）似乎取我们的进修体例很是类似。我们有若何对新消息进行分类的曲觉和模子。跟着时间的推移及新的察看，这些模子本身也会发生变化。正在如斯多样化的数据长进行梯度下降将选择最通用和最能外推的电。因而，我们获得了理解（grokking）——最终我们将获得基于洞察力的进修。

　　不只模子从未展现过洞察力进修，并且考虑到我们用梯度下降锻炼神经收集的体例，我不大白这种进修是若何成为可能的——我们对每个例子都进行了一系列很是微妙的微调，但愿脚够多的微调能慢慢地将它们推向准确的山顶。基于洞察力的进修需要当即从海平面拖拽到珠穆朗玛峰的颠峰。

　　计较：所有这些数学 / 编码方式都倾向于利用各品种型的树搜刮，即你需要正在每个节点上频频运转 LLM。对于围棋获胜这个相对无限的使命来说，AlphaGo 所需的计较预算是惊人的——现正在想象一下，你需要正在所有可能的人类思维空间中搜刮，而不是正在围棋的走法空间中搜刮。为了让棋战工做所需的所有额外计较，加上曾经需要用来扩展参数本身的惊人计较添加（计较量 = 参数 * 数据）。利用人类思维程度的 1e35 次浮点运算来估量，我们需要正在目前最大的模子根本上添加 9 个数量级（OOMs）的计较量。当然，你能够从更好的硬件和更好的算法中获得改良，但你线 个数量级的改善吗？

　　若是我们可以或许继续扩大大型言语模子（LLMs++）的规模（并因而获得更好、更通用的机能），那么有来由等候到 2040 年（或更早）呈现强大的人工智能（AI），它可以或许实现大大都认知劳动的从动化，并加快进一步的 AI 进展。然而，若是规模扩大不起感化，那么通往 AGI 的道似乎会更长、更难走，缘由我正在文章中有注释。

　　正在任何环境下，常用的基准底子不克不及权衡持久使命的表示（好比你能正在一个月的时间内完成一项工做吗），正在这方面，现实上，正如我们正在 SWE-bench 上看到的那样（这一测试权衡 LLM 能否可以或许自从完成拉取请求），它们正在整合持久复杂消息方面表示得很是蹩脚。GPT-4 的得分仅为 1。7%，而 Claude 2 的得分稍高一些，为 4。8%。

　　LLM“效率低下”的例子大多只是一些可有可无的电子商务垃圾内容【3】。我们通过鄙人一个 token 预测上锻炼它们来加剧这种——这种丧失函数取我们但愿智能代办署理正在经济中完成的现实使命几乎无关。虽然我们现实想要的能力取我们锻炼这些模子所用的蹩脚丧失函数和数据之间的交集微乎其微，但我们只需把 微软年收入 的 00。03% 投入对互联网的大规模抓取中，就能够发生一个婴儿级的通用人工智能（baby-AGI），也就是所谓的 GPT-4。

　　若是你对 LLM 进行代码锻炼，它会正在言语推理方面变得更好。现正在，这确实是一个很是令人的现实。这告诉我们，该模子曾经从阅读大量代码中提取出了一些深条理的关于若何思虑的通用理解能力——不只表白言语和代码之间存正在一些共享的逻辑布局，并且无监视的梯度下降能够提取这种布局，并操纵它来更好地进行推理。

　　不，差了 5 个数量级意味着我们的数据量比我们需要的少了 10 万倍。简直，我们会获得数据效率更高的算法。多模态锻炼将会为我们供给更多的数据，此外，我们能够正在多个周期中收受接管令牌（token） 并利用课程进修。可是，即便我们假设这些手艺可能会带来最的一次性改良，它们也不会为我们供给指数级的数据增加，以跟上这些扩展（Scaling Laws）所要求的计较能力指数级增加。

　　评估：棋战正在 AlphaGo 中很无效，由于该模子能够按照具体的获胜前提来判断本人（“我赢了这局围棋吗？”）。但新鲜的推理并不具备具体的获胜前提。因而，正如你所意料的那样，大型言语模子（LLMs）到今天还无法纠副本人的推理错误。

　　此外，LLM 似乎需要如斯惊人的大量数据才能得出如斯平淡的推理能力，这一现实表白它们底子没有实现泛化。若是这些模子不克不及用人类正在 2 万年内内能接触到的数据量接近人类程度的表示，我们该当考虑到即便是 20 亿年的数据量也可能是不敷的。你不克不及通过给飞机加更多的喷气燃料使其达到月球。

　　因而，我们现正在以至不值得去问规模扩大能否会继续无效——我们以至似乎没有表白到目前为止规模扩大是无效的。

　　那接下来的故事你就晓得了——数以百万计的 GPT-8 副本编码内核的改良，找到更好的超参，为微调供给大量高质量反馈等等。这使得开辟 GPT-9 变得更廉价、更容易……把这个过程外推到奇点。

　　Gemini 似乎是一个奇异的处所，让人预期会有一个高原期。GPT-4 明显冲破了质疑者春联合从义和深度进修的所有预注册【5】。对 Gemini 取 GPT-4 机能的更合理注释仅仅是谷歌还没有完全赶上 OpenAI 的算法进展。

　　若是深度进修和 LLM 存正在一些根基的硬性上限，那么我们莫非不应当正在它们起头成长常识、晚期推理和跨笼统思虑的能力之前就看到这一点吗？有什么曲不雅的来由预期正在一般推理和高级推理之间存正在一些的呢？

　　这表白，取其他的大脑比拟，有些灵长类动物的神经架构正在可扩展性方面确实更为超卓，雷同于 Transformers 比长短期回忆收集（LSTM）和递归神经收集（RNN）具有更好的扩展曲线。正在设想灵长类动物大脑时吸收了（或者至多偶尔发觉了）这个的教训，而且灵长类动物合作的利基极大地励了智力的边际增加（你必需理解所有这些来自你的双眼视觉、能利用对立拇指东西的手、以及其他能取你交换的伶俐山公的数据）。

　　可是你实的测验考试过随机查看一些 MMLU 和 BigBench 问题吗？它们几乎都只是谷歌搜刮的首选射中成果。这些都是对回忆力的优良测试，而不是对智力的测试。以下是我从 MMLU 随机挑选的一些问题（记住，这些是多项选择题，模子只需从 4 个选项当选择准确的谜底即可）！

　　另一种是能实正权衡自从处理长时间跨度或坚苦笼统问题能力的模子（SWE-bench、ARC），这些模式以至还没有起头运转。仍然不大白若是 Tom Cruise 的母亲是 Mary Lee Pfeiffer，那么 Mary Lee Pfeiffer 的儿子就是 Tom Cruise？或者其谜底极其依赖于问题的提问体例和挨次？对于这个模子，我们该当若何评价呢？

　　人工智能（Constitutional AI）、强化进修人类反馈（RLHF）以及其他强化进修 / 棋战（RL/self-play）设置擅长阐扬潜正在能力（或正在能力欠安时加以）。可是目前还没有人能证明有一种方式能够通过强化进修（RL）来现实提高模子的底层能力。

　　因而，若是 LLM 只是由另一个过程（随机梯度下降）制做的压缩，那么我不晓得为什么这会告诉我们相关 LLM 本身制做压缩的能力（因而，为什么这能告诉我们关于 LLM 的智能的任何消息）【7】。

　　梯度下降试图找到最无效的数据压缩方式。最无效的压缩也是最深刻、最强大的。对物理教科书最无效的压缩——那种能够帮帮你预测书中被截断的论证可能会若何继续的压缩——就是对底层科学注释的深刻内化理解。

　　考虑一下 GPT-4 比 GPT-3 好了几多。这只是放大了 100 倍的规模。这听起来仿佛有良多，但当你考虑到这比我们能够正在这些模子长进行的额外规模扩大体小得多时，就不那么惊人了。正在我们触及到世界 P 的 1% 之前，我们承担得起 GPT-4 进一步扩大 10000 倍的规模（即 GPT-6 程度）。Flash Attention）、新的锻炼后置方式（RLAI、思维链微调、棋战等）以及硬件改良之前。此中每要素都将零丁为机能贡献取多个数量级的原始规模扩大所能达到的一样多结果（它们过去一曲如许做）。将所有这些要素加正在一路，你可能能够将 P 的 1% 成 GPT-8 程度的模子。

　　【7】质疑者继续说道：“智能 = 压缩”的框架似乎也不敷精细，无法区分随机梯度下降（S）通过正在滑润的丧失景不雅中爬坡找到语义纪律，以及爱因斯坦正在等同错误的浩繁陈列和变体中挑选出准确方程式的差别。我看不出有什么来由认为 S 能够找到后者的“压缩”，因而能够像爱因斯坦那样伶俐。

　　正在机能基准测试上，机能曾经持续提拔了 8 个数量级。正在计较量添加百万倍的环境下，模子机能的丧失曾经切确到小数点后很多位了。

　　你从那些对 LLM 规模化持无情感或经济好处的人那里获得的共识，并不克不及代替我们目前完全缺乏的现状，即证明强化进修（RL）可以或许处理数据上存正在的多个数量级（OOM）欠缺的问题。

　　【2】假设按照 Chinchilla 的最优扩展体例（这大味着，为了无效扩展计较资本，额外计较资本的一半该当来自于添加的数据量，另一半来自于添加的参数）。你能够测验考试以非最优的体例锻炼 Chinchilla，但这能够帮帮你填补轻细的数据不脚，而不是 5 个数量级的欠缺。

　　现实上，这种合成数据的自举（bootstrapping）过程似乎取人类进化几乎间接雷同。我们的灵长类先人 几乎没有表白 他们可以或许快速分辨和使用新的洞察力。可是，一旦人类成长出了言语，就有了这品种似于 LLM 的合成数据 / 棋战轮回的 基因 / 文化 配合进化过程，正在这种轮回中，模子变得愈加智能，以便更好地舆解类似副本的复杂符号输出。

　　若是某种棋战 / 合成数据的方式行欠亨，你就完全垮台了——没有其他方式能够绕过数据瓶颈。新的架构极不成能供给处理方案。您需要一个比 LSTM 到 Transformer 时代更大的样本效率提拔。LSTM 早正在 90 年代就被发现出来了。因而，你需要的飞跃比我们正在过去 20 多年里所履历的要大的多，其时深度进修中所有唾手可得的都是最容易实现的。

　　然后人们说，我们会以某种体例让棋战 / 合成数据（self-play/synthetic data）阐扬感化。但棋战存正在两个很是棘手的挑和。

　　为了深切思虑关于规模化正反两方面的论据，我虚构了两个脚色——者和质疑者，基于他们之间的辩说写了这篇文章。

　　【3】者继续说道：取人类比拟，大型言语模子（LLMs）正在样本操纵效率上确实不高（GPT-4 正在其锻炼过程中接触到的数据远比一小我从出生到成年看到的数据要多得多，但它远没有我们伶俐）。但我们没有考虑曾经编码到我们基因组中的学问——这是一个颠末数亿年的进化，操纵比 GPT-4 所见过的所无数据还要多得多的数据锻炼出来的细小而浓缩的提炼物。

　　你的反映该当是，“天哪，若是互联网更大，只需用 几百行 Python 代码就能编写出一个根基布局的模子，通过扩大规模竟然可以或许创制出一个具有人类程度智能的思维。这是世界上的一个疯狂现实，即让大量的计较变得智能竟然如斯容易。”？。