過去近十年，曹原一直身處人工智慧快速演進的一線。他早期從事統計機器學習與機器翻譯研究，之後加入 Google Brain，並在 Google Brain 與 DeepMind 合併後繼續在 Google DeepMind 從事人工智慧研究。
從神經機器翻譯、對話系統、多模態模型，到大語言模型 Agent、Gemini，再到 Google Search 的 AI Mode，他的研究經歷跨越了過去十年 AI 技術發展的多個重要階段，也親歷了人工智慧從相對單一的任務模型，逐漸走向今天能夠處理語言、視覺、推理、程式碼以及複雜任務的大模型系統。
離開 DeepMind 後，曹原經歷了一次完整的創業：公司獲得了融資，技術也在真實產業場景中得到了不錯的驗證。這段從研究、產品到市場的經歷，進一步深化了他對 AI 的思考——當模型被真正部署、使用並創造價值時，我們該如何理解這種能力：它是智能本身，還是一種越來越強的計算與模擬？
今天關於人工智慧的討論，往往在兩個極端之間擺動。一端是技術和資本推動下不斷升溫的敘事：更大的模型、更多的資料和算力，似乎最終可以通向越來越一般化的智能。另一端則關注的是 AI 是否真正理解，是否擁有意識，甚至是否會取代或者毀滅人類。曹原更關心的是這兩類討論背後一個更基礎、也更科學的問題：今天的人工智慧究竟已經解決了什麼，又有那些問題仍然沒有解決？現有的計算範式能夠把智能推進到什麼程度？它的邊界又可能在那裡？
這也是 DeepTech 與他展開此次對話的起點。在曹原看來，過去幾年的人工智慧浪潮毫無疑問是這個時代最重要的技術革命之一。大模型已經展現出遠超許多人此前預期的能力，並正在改變軟體、知識工作、科學研究以及人與電腦互動的方式。無論從技術進步還是經濟價值來看，他對 AI 的長期發展都持樂觀態度。但也正因為 AI 的能力增長如此迅速，他認為，現在比以往任何時候都更需要冷靜地討論另一個問題：我們究竟應該如何理解 AI 今天展現出的能力？
在這次對話中，他並不試圖回答一個簡單的“AI 行不行”的問題。對今天的 AI，他既不是樂觀主義者意義上的無限外推者，也並不懷疑 AI 將繼續創造巨大的技術和經濟價值。他更希望把人工智慧重新放回一個科學問題之中：什麼是智能？那些智能過程可以被計算所刻畫？計算、邏輯與數學能夠在多大程度上描述智能？而當模型越來越強大時，我們又應該如何理解能力增長與智能本質之間的關係？
以下是 DeepTech 與曹原的對話。
“你餓了，但機器不會餓”
DeepTech：你的個人首頁上有不少抽象藝術配圖。選擇這些圖片，只是審美偏好，還是也與你對 AI 的判斷有關？
曹原：我喜歡比較簡潔、抽象的藝術風格。但它也會讓我想到一個和 AI 有關的問題：我們今天的模型究竟是怎樣獲得創造力的？現在的大模型，本質上仍然是從大量人類產生的資料中學習。它們可以學習語言，視覺和思想中非常複雜的結構，也能夠對這些結構進行組合、變形和外推，產生很多以前沒有直接出現過的結果。
這種能力已經非常強，也遠遠超過了過去人們對統計學習系統的想像。但我感興趣的是更進一步的問題：如果一個智能系統沒有接觸過某一種表達形式，它能不能自己發明出這種表達形式？比如最早的人為什麼會想到把看到的動物畫在洞穴裡？為什麼會產生音樂，用聲音表達情緒？這裡不僅涉及怎樣畫，怎樣作曲，還涉及“為什麼要做這件事”。
人類的創造並不只是生成一個結果，背後還有慾望，情緒、好奇心、審美和各種內在驅動力。今天的 AI 可以很好地模擬這些行為留下來的結果，但這些驅動力和體驗本身是難以通過語言表徵，轉換訓練資料的。
DeepTech：但人的創造力同樣受經歷和環境限制，新想法也可能是過去經驗的重新組合。為什麼你認為人與 AI 仍然不同？
曹原：重組是創造過程中非常重要的一種模式。人類大量的創新都是已有概念、經驗和知識的重新組合，AI 在這方面也已經表現出很強的能力。但我想需要區分的是一個系統能不能產生新穎的組合，以及是什麼驅動了它去探索某一種組合，甚至創造新的概念和新的問題空間。前者更多是搜尋和生成的問題，後者則涉及什麼在驅動認知、什麼決定一個方向值得被探索。
這最終會回到一個更根本的問題：人類智能是否可以被一個計算系統完整描述？或者反過來說，計算、邏輯和數學究竟能夠在多大程度上刻畫智能？我傾向於認為人類認知中存在一些非常基礎的結構，例如對時間、空間、因果的直覺，以及好奇心、審美、情緒和內在驅動力。這些能力當然也會受到學習和環境的塑造，但它們究竟能不能被完整還原為一種形式化的計算過程，目前並沒有答案。
其實這並不是 AI 時代才出現的問題。過去哲學家會問，人是怎樣認識世界、怎樣形成概念和知識的，認知科學會問大腦如何產生知覺、語言和意識。到了 AI 時代，這些問題被轉換成了一種新的形式：人類智能中的那些部分可以被計算所描述，計算能夠在多大程度上刻畫智能，又是否存在某些僅靠現有計算範式很難觸及的部分？我想，這比簡單地問“AI 能不能創新”更接近問題的本質。
DeepTech：品味雖然很難定義，但並非完全不可分析。一首歌為什麼好聽，可以拆成曲式、節奏、風格和個人記憶。如果拆得足夠細，AI 能不能複製一個人的品味？
曹原：可以舉一個更簡單的例子。如果你告訴我“我很餓”，我知道這句話是什麼意思，因為我也有過類似的身體經驗。但即使如此，我仍然無法直接體會到你的感受。我不知道你此刻的“餓”和我的“餓”是不是完全一樣。我們只能通過語言、行為和各種外在訊號去傳遞資訊，互相推斷。這就涉及一個很基本的問題：一個人的內部體驗，能夠在多大程度上被外部表達完整地傳遞出來？
品味也是類似的。你可以解釋為什麼喜歡一首歌，為什麼它讓你感到愉悅。你可以談它的旋律、節奏、和聲，也可以說它讓你想起童年的某段經歷。這些資訊都可以被記錄，也都可以成為 AI 的訓練資料。但這些描述本身，並不等同於你真正聽到這首歌時的主觀體驗。
所以這裡需要把兩件事分開。第一個問題是，AI 能不能根據足夠豐富的資料，對人的偏好，情緒和行為進行越來越準確的建模。這一點是可行的，也是今天已經在發生的事情。
第二個問題是，外在行為上的高度一致，是否足以說明機器擁有了與人相同的內部體驗？這並不能直接從前一個問題推出，模擬的行為和主觀的體驗是完全不同的。對於你的問題來說，這個區別很重要。它提醒我們，可觀測、可表達、可建模的資訊，與一個人真實經歷的主觀體驗之間，並不能簡單畫上等號。
我們能夠體驗到的，往往比能夠言說出來的多得多。
AI 是理解我們，還是見過與我們相似的人？
DeepTech：很多 AI 重度使用者會有一種體驗：模型有時比身邊的人更理解自己。人和人之間同樣存在資訊損失，而 AI 接觸過的資料遠多於普通人。它有沒有可能因此理解得更好？
曹原：某種程度上是的，而且在很多場景下，它甚至可能比一個具體的人表現得更“懂你”。
一個相關的例子是搜尋引擎。在搜尋引擎出現之前，一個人的資訊來源可能主要來自身邊的人、報紙、電視和圖書館。但搜尋引擎能夠在遠超個人經驗的範圍內找到與你的問題相關的資訊。AI 又把這種能力往前推進了一步。
它不只是檢索資訊，還可以從大量人類表達中學習不同處境、情緒和行為之間的關係。當你向 AI 描述一個具體處境時，它可能接觸過大量相似的表達，因此能夠給出一個你未必預料到、但又非常合情合理的回應。從功能上看，我們完全可以說，它在某些情況下“理解”得很好。
但這裡需要區分不同意義上的“理解”。一種是功能性的理解，也就是系統能不能根據你的輸入判斷你的處境，並給出恰當的回應。按照這個標準，今天的 AI 已經表現出了非常強的能力。另一種則涉及內在經驗，它是否以某種與人相似的方式經歷這些狀態。比如前面提到的，如果你說“我餓了”，AI 可以很自然地回應“那你去吃點東西”或者“你今天是不是太忙了”。這樣的回應可能非常得體，也完全可以對人產生實際價值，但 AI 本身並沒有飢餓這種身體經驗，所以它的理解僅限於訓練資料賦予它的世界。
所以 AI 的功能性理解可能非常有用。但我們仍然需要區分一個系統在行為上表現出理解，和它是否擁有類似於人的內在經驗，並從這種經驗中產生理解。兩者可以高度相關，但並不是同一回事。
DeepTech：模型已經能夠給出恰當的回應，你為什麼仍認為這是一種“模擬”？
曹原：很多“模擬”都非常真實，也非常有用。比如天氣模擬、流體模擬，都可以產生重要的預測。問題在於，一個系統能夠在外部行為上很好地再現某種現象，並不自動意味著它內部經歷的是同一個過程。
人工智慧歷史上有一個很有名的“中文房間”思想實驗。假設一個完全不懂中文的人待在房間裡，只是按照一套非常複雜的規則處理中文符號。對於房間外的人來說，這個房間可能表現得完全像一個懂中文的人，但從房間內部來看，至少那個執行規則的人並沒有我們通常所說的中文理解或語言體驗。
當然，今天的大模型遠比這個思想實驗所描述的系統複雜得多。它肯定不是簡單查表，模型內部會形成高度複雜的表徵，並表現出泛化和推理能力。所以中文房間不能簡單地被當作一個證明，用來說明機器一定不能理解語言。它真正提出的是另一個更重要的問題：我們在多大程度上可以僅僅根據一個系統的外在行為，推斷它內部存在什麼樣的理解。
今天的大模型在很多熟悉或結構相對穩定的語境中可以表現得非常好，甚至會讓人產生一種“它真的懂我”的感覺。但一旦遇到很少出現過的語境，比如一種罕見的心理狀態或表達方式，那種“塑料感”就可能出現。通過計算過程模擬理解，與證明理解本身可計算，是兩個不同的問題。對於前者今天的 AI 已經做得越來越好，但後者則仍然是一個沒有解決的問題。
DeepTech：但人類社會的大量互動同樣依靠外在形式。一個人明知陪伴型 AI 沒有感情，只要在那一刻得到安慰，效果就已經發生。如果結果有用，內在理解是否一定重要？
曹原：從實際應用的角度看，今天的 AI 已經能夠對很多使用者請求給出合理甚至非常出色的回答，這本身就足以證明它的實際價值。一個系統是否有用，並不取決於它是否以和人完全相同的方式理解問題。
但真正值得討論的是，這種能力能擴展到什麼程度。如果一個系統沒有對問題形成足夠深的內部理解，它就很難對任意開放情境都持續給出可靠的回答。
今天的 AI 主要依賴從大量已有資料中學習結構、規律和關聯，因此在存在大量先例、可以從已有經驗中泛化的問題上非常強。但當問題越來越開放，缺少現成範式，甚至要求系統自己提出新的概念、新的問題和新的研究方向時，這種區別就會變得重要。
如果沒有對問題原發性的理解，是無法通過消化訓練資料給出合理的解答的。形式模擬有它的極限。遇到需要好奇心、靈感，或者沒有現成模式可以匹配的問題時，它無法可靠地給出解答了。
從另一個角度而言，即使結果正確，過程是不是完全不重要？比如一個數學定理，AI 給出的證明是對的，人們也需要理解這個證明為什麼成立，它揭示了什麼結構，有沒有價值推廣到其他問題。
如果 AI 給出一種有效藥的配方，我們也需要理解它為什麼有效，作用機制是什麼，會有什麼樣的風險。這也是工具理性和價值理性的區別。工具理性關心能否達到目的，價值理性還會追問過程和手段是否有價值。最理想的情況是兩者吻合。
把 AI 當作完成任務的工具，結果正確可能已經足夠。但如果從科學研究的角度討論它能否做到更多，僅靠模擬是不夠的。對我來說，這也是為什麼研究 AI 的邊界仍然重要。不是為了證明 AI“不行”，而是為了弄清楚那些能力可以通過現有的計算方法不斷擴展，那些能力可能需要新的機制，以及下一代 AI 真正值得突破的地方在那裡。
一千米算近，一千零一米呢？
DeepTech：世界模型被視為突破語言模型侷限的一條路徑。讓 AI 不只學習文字，也通過視訊和物理環境獲得經驗，能不能解決內驅、直覺和常識的問題？
曹原：建構世界模型學習物理世界的動態變化規律非常重要。它可以改善 AI 的很多能力，但它也有難以解決的問題。模型可以學習一段視訊怎樣從上一幀變化到下一幀，也可以從大量連續的觀測中捕捉物體運動、空間關係以及事件之間的因果聯絡。它可以幫助生成更符合物理規律的視訊，也可以讓自動駕駛系統更好地理解道路環境、預測其他車輛和行人的行為。這些都非常有價值，也是當前 AI 很重要的發展方向。
但問題在於，只要我們仍然是在建立一個模型，它最終還是要依賴能夠被觀察、記錄和測量出來的資料。雖然很多規律可以通過資料學習，但人的認知中還有一些很難被精確定義的部分。比如“很快”“很慢”“很遠”“很近”這些概念，我們每天都在使用，卻很難給它們劃出一條嚴格的邊界。
如果我說學校離家很近，你通常會立刻明白我的意思。你並不需要先規定一公里內算近，一千零一米以上就算遠。或者如果我說我很快就回家，你也不需要精確地規定五分鐘內回家就很快，而六分鐘就算慢了。這些對於物理世界中時間、空間、物體、秩序的常識性的直覺感知，是生物賴以生存的基本條件，也是難以通過數學模型精確地刻畫的。
DeepTech：“遠”和“近”也依賴語境。在適合步行的城市，三公里可能不近；在依賴汽車的地區，半小時車程也可能算近。既然人的判斷同樣由環境塑造，AI 為什麼不能從足夠多的上下文中學會？
曹原：當然可以學，而且今天的大模型已經非常擅長學習這類上下文關係。但是 AI 學習的概念和關係是來自於他們出現的語境，只要資料中存在穩定的規律，它就可以從中學習並提取模式。問題在於，人類的一些認知是否能夠被完整地還原成這些可觀測、可表達的資料。我們知道的，往往多於我們能夠明確說出來的，而能夠說出來，寫下來或者形式化的部分，可能只是認知活動的一小部分。
比如上面提到的，如果規定零到一千米算“近”，那麼一千零一米算近還是遠？一千零二米呢？“近”本來就不是一個依靠精確邊界工作的概念，難以通過某一個數學對象比如向量精準地表徵這樣的模糊和抽象概念。語境和上下文當然會改變我們的判斷，但訓練資料中的語境畢竟是有限的，它無法消除這種概念中的模糊性。
更重要的是，人對時間、空間、速度和因果的很多基本判斷，是感知到的而並不是通過定義獲得的。動物捕獵時，需要判斷自己與獵物的距離、速度和時機，但它不會先定義什麼叫快、什麼叫慢，再決定下一步行動。這些能力更像是在長期的感知、行動和進化過程中形成的認知結構。
世界模型可以從可觀測和衡量的資料中學習大量物理規律，這一點非常重要。而我的疑問是，它能不能通過這些資料獲得與生物相同的先驗體驗。數學，邏輯和模型的邊界就在於它們只能夠描述可以明確測量和表徵的現象，而生物很多賴以生存和形成智能的先驗直覺卻恰恰是無法精確描述的。
會解決問題，不等於會發現問題
DeepTech：如果今天的模型仍缺少你所說的先驗和內驅，應該怎樣理解 AGI（通用人工智慧）？AI 是否可以擁有智能？
曹原：AGI 本身就是一個定義非常模糊的概念。今天商業和工程語境中的 AGI，與認知科學意義上對“通用智能”的討論，並不完全是一回事。
在商業語境裡，人們通常更關心 AI 能夠以多高的可靠性完成多少有經濟價值的任務。按照這樣的標準，AGI 更像是一個能力覆蓋範圍的問題。寫作、程式設計、數學、推理、客服，以及越來越複雜的知識工作，只要完成的質量可以衡量，就可以通過不斷迭代更好的模型、更多的資料、訓練方法和推理機制去提高。從這個意義上說 AI 肯定還會持續取得進展，很多今天看來還很困難的任務，未來都可能變成常規能力。
但如果從認知科學的角度討論 AGI，問題就複雜得多。我們不僅要問一個系統能不能解決給定的問題，還要問它如何形成概念、如何理解世界、如何產生目標，以及如何判斷什麼問題值得解決。比如，一個從來沒有接觸過數學的智能系統，能不能僅僅通過與世界互動，自己形成“數”的抽象概念並推匯出整個數學體系？它能不能不依賴人預先定義研究目標，而主動發現一個具有重大科學意義的問題，從觀測中提煉出物理定律？甚至可以考慮一個完全沒有在語言資料上訓練過的系統，能否通過與世界的互動自主地發明語言和文字，能否提出“光陰似箭”這樣的比喻？
今天的 AI 已經很擅長在一個給定的問題空間裡搜尋答案，但這個問題空間本身，大多數時候仍然是由人來定義的。人決定什麼值得研究，什麼結果是重要的，什麼方向值得投入，然後讓 AI 去搜尋、推理和最佳化。但是會解決問題和會定義問題，並不是同一種能力。
對於前者我們已經看到 AI 在快速進步，而後者涉則及抽象概念形成、內在驅動力、價值判斷和目標生成。如果我們把這些能力作為 AGI 一部分，那麼它們是否能夠通過某種計算過程產生依然是一個沒有解決的科學問題。所以關於“AI 是否可以擁有智能”，這很大程度上取決於我們怎麼定義“智能”，以及計算能夠給在什麼精度範圍內近似人類心智。
DeepTech：如果未來的 AI 真的可以創新，人相對於它的優勢還剩下什麼？
曹原：人的價值仍然在那些無法被資料完整捕捉的部分。能夠言說、能夠被形式化的東西，可以變成自然語言、數學語言或者程序的思維過程和行為，遲早可能被 AI 捕捉並掌握。但人的很多經驗並不是以這種形式存在的。個人的感受、直覺，價值判斷、審美，以及一些難以被完整表達出來的內在經驗，並不能簡單地轉化成一組資料。這些深層的心智驅動力是 AI 只能近似而無法真正獲得的。
DeepTech：這種判斷是參與模型研發後逐漸形成的，還是你一直有類似的想法？
曹原：其實我很早就在思考這些問題。讀博士的時候，我看到很多機器學習的論文都會提出一種新的模型或者演算法，把某一類任務做得更好。那時候還沒有像今天大語言模型這樣的相對統一的人工智慧範式，機器翻譯、語音識別、電腦視覺往往都有各自不同的模型和方法。給我的感覺是，我們不斷在刻畫智能的某一個側面，但每一種方法都更像是一個局部的切片。
這也讓我一直有一個疑問，就是為什麼我們很難找到一種像物理定律那樣簡潔、統一的理論，去描述如此多樣的人類智能行為？對於物理學來說，我們研究的是外部世界。通過觀察和測量物體之間的關係，可以逐漸推測並抽象出相對穩定、普適的規律。但人工智慧的研究有一個很特別的地方，我們實際上是在用人的認知系統，試圖理解並重新描述認知本身。
而人的思維並不是一個能夠被完整觀測的對象。我們可以觀察輸入和輸出，可以測量行為，也可以建立數學模型去解釋其中一些規律，但大量思維的內部過程並不能被觀測到，而且人的認知本身又是極其複雜和多樣的。所以對我來說，人工智慧最後會自然地走向一個更基礎的問題，就是數學、邏輯和計算究竟能夠在多大程度上描述智能？它們能不能完整刻畫人的思維過程？或者說，人腦最終是否真的可以被寫成一個與它在認知上完全等價的程序？
我覺得這不僅是一個根本的問題，它其實也會影響我們怎樣理解今天的大模型，以及未來人工智慧應該往什麼方向發展。
DeepTech：這讓我想到，你之前的一個比喻，你把大模型比作一張網。這個比喻具體指什麼？
曹原：我想大模型可以比作一張越來越密的網。模型越強大、資料越多、計算量越大，這張網就織得越密，它的確可以做得越來越好。但它依然是一張網。拿網去兜水，總有一部分水會從網眼裡漏出來。
因為網終究是由離散的針線織成的，它可以不斷逼近一塊密封的材料，縫隙卻永遠不會真正消失。大模型也是一樣，無論怎樣擴大規模、調整方法、增加資料，它始終是通過一套形式化和離散的系統在近似智能。而我認為總有一些東西，是語言符號和數學模型無法精確刻畫的，就像有理數可以逼近卻永遠無法等同於無理數。
足夠有用，不等於沒有邊界
DeepTech：這種判斷如何影響你的技術路線？如果語言模型只能在已有資料中採樣，怎樣拓寬它的思路？
曹原：語言模型已經非常強大，但它的基本機制仍然是利用已有資料形成的統計分佈進行預測和生成。它擅長提取、組合和重構已有模式，但也因此更容易沿著有限的訓練資料中高機率，常見的路徑展開推理。
如果希望 AI 具備更強大的能力，特別是開放的智能和知識發現能力，就不能只依賴這種機率分佈自身。我們可能需要引入一些統計模式之外的機制，拓寬模型的思路，使其能夠突破訓練資料分佈的侷限性，讓模型不只是回答“最可能是什麼”，也能夠系統地探索“還有什麼可能”。
語言模型在處理模糊語義，整合知識和生成推理過程方面已經非常出色，但它在開放性和創造性的思維上依然有所侷限。一個更高層次的智能系統需要能夠持續探索和動態創新，而我們可以想像這樣的系統將會是語言模型的一個超集。
DeepTech：你一邊嘗試拓寬模型的能力，一邊強調它的理論邊界。在當前的 AI 熱潮中，更大的風險是低估它的現實價值，還是高估它的終點？
曹原：如果從今天的商業和大眾敘事來看，我覺得更大的風險已經從過去的低估，逐漸轉向了高估。
過去，人們確實嚴重低估了語言模型。語言模型是一個很古老的方法，早在 1970 年代就已經被提出。預測下一個單詞聽起來是一個非常簡單的學習目標，很少有人真正預料到，當模型規模、資料和算力持續增長之後，它能夠湧現出如此廣泛的語言、推理、程式碼和知識能力。即使放在五年以前，今天很多能力也很難想像。
但反過來，正因為我們正在經歷一段非常陡峭的增長期，也更容易產生一種錯覺：只要繼續擴大模型、資料和算力，這條曲線就可以一直按照今天的速度向上延伸。我覺得這裡需要更加謹慎。很多技術都會經歷類似 S 型的發展過程，在某個階段快速增長，但隨著已有範式的潛力逐漸被挖掘，邊際收益最終會下降。真正重要的問題是，我們今天看到的增長究竟主要是在釋放現有範式的潛力，還是已經足以說明這套範式能夠覆蓋智能的全部問題。
太過狂熱和太過保守都是錯誤的。毫無疑問 AI 已經非常強大，可以做很多事情，產生巨大經濟價值，而且還會繼續進步。但同時我們也不能因為 AI 已經非常強大，就認為它會解決所有問題並替代人類。
現在的 AI 研究在很大程度上是一門高度工程化的學科，大家關注集中在如何訓練和改善模型架構，如何擴大規模，如何獲取資料，最佳化學習和推理演算法，以及提高計算和系統效率。這些工作都非常重要，也推動了過去幾年的巨大進步。但相對來說，從計算理論，認知科學和以及智能本身的結構出發，系統地研究智能與計算之間的關係，研究現有範式能夠做到什麼，不能做到什麼，未來的 AI 技術應該向什麼方向發展，這樣的工作仍然是不夠的。
所以我覺得下一階段有意思的問題，不只是把今天的 AI 進一步做得更大、更快、更便宜，而同時要更清楚地思考我們今天究竟走到了那裡，當前範式的潛力還有多大，有那些它還無法跨越的問題，以及下一種新的智能範式可能從那裡出現。
DeepTech：你自己使用 AI 多嗎？這些終極層面的懷疑，會影響日常使用嗎？
曹原：當然用，而且用得很多。比如修改郵件，起草文件，寫程式碼、檢索理資訊等等，這些日常工作 AI 都已經可以做的很好。在使用這些工具的時候，並不需靠思考一些那些複雜的終極問題。但如果把 AI 不只是當作工具，而是當作一個研究對象，問題就不一樣了。
我們不僅要問它現在能做什麼，為什麼能做到，還要思考它在什麼程度上刻畫了人類智能，以及這是不是走向通用智能的最終方案。恰恰因為今天的 AI 已經如此強大，我們才更有必要認真理解它的從何而來，走向何方。
AI 在未來會給出越來越多答案。但什麼問題值得被提出，為什麼一個問題重要，技術最終會走向那裡，這些問題本身仍然需要人來思考。 (DeepTech深科技)