chatgpt是伟大的， 但是它不该是你唯一关注的A
chatgpt 最近热翻天， 人们纷纷用革命， 终结者 ， 奇点临近等词来形容它的重要性。出现了大量自发奋勇的gpt研究者， 主要以和它聊天为研究内容， 颇有一种自己也成为超级智能掌握者的意味。
作为一个研究过AGI和认知过程的人， 我觉得从各种不同的角度看，chatgpt的确具有了类似人类思维的能力， 但是它不该是我们唯一关注的智能形式， 而忽略了其它的智能形式（动物的智能，蠕虫的智能）。
I ChatGPT 的确具备了人类的认知能力
我们知道经典的人知道系统I和系统II， 系统一感知智能解决最基本的问题 ， 把感官抽象为概念， 系统二则在基本概念的基础上进行各种抽象的推理演绎， 得到各种结构性的信息， 让我们可以按照一定的计划实现目标。
如果你仔细观察， chatgpt本质就是一种认知智能的形式， 它基于人类的语言， 通过语言的复读(自监督训练)， 掌握了概念之间各种复杂的关键结构， 并通过强化学习， 掌握了如何使用它们，实现人类定义的目标。也就是说，chatgpt实现了某种意义的系统二智能 。
为什么说这一代的chatgpt不仅仅是复读机了呢？首先， 它掌握基本的归纳法和演绎法 ， 人类形式逻辑最基本的范式。
归纳法：
演绎法 ：
归纳演绎都OK ， 那么具体点看呢？我们的认知在生活中最常见的表现为（1）求解问题 ，找到解决方案 （2）根据现有的理论和事实做出是非判断 （3）根据当下的情景进行关系推理（4）根据现在发生的事情进行溯因和反事实推理 （5）提出新问题。
除了第五点外， 在前四点里， chatgpt都有还可以的表现
（1）寻找解决方案， 甚至这种世界难题
（2） 进行判断
（3）进行关系型推理
（4）进行溯因
可以说全对， 我们说人类历史从来没有出现过这样的人工智能， 它掌握了甚至只有受过高等教育人才完全具备的结构思考能力，也就是利用各种推理的认知结构， 如三段论， 因果推理， 将感知和记忆提取的符号封装到相应思维结构， 并产生出之前未出现过的陈述 。
但是，事事都有个however， 如果你反而抓住那些平常最不起眼的小事去问， 那它就露出一些破绽：一开始， 它无论如何都不知道， 怎么说它都认为坐地铁会堵车。
但是当你告诉它这个坐地铁没有堵车， 他总算清醒过来。这说明，虽然事实掌握不准确，但是某种程度当你给它常识，它是能够使用它作为素材推理的， 也就是我们所说的阅读理解吧。
看来刚刚总结的没有错误， 它是一个很好的推理机器， 但是缺少常识。
但是这个方法也不一定一直work
似是而非
看上去似乎真的有点像那个伊索语言里聪明的乌鸦， 可惜的是它坚持认为需要先取出石头再喝水，而不能完美的掌握石头拿出，水位下降， 无法喝水这条推理链路。
这一而再再而三的表明：chatgpt 这回彻底超越了复读机， 是一个思维结构的齿轮上运行的thinking machine， 它把一些事实作为原材料， 产生出新的思维加工的事实。但是 ， 它在两个基本点上是有致命缺陷的
（1）常识掌握不准确， 不知道地铁在地下不会堵车。世界上的常识太多了， 单靠语言里的东西本身不完备， 且自相矛盾， 这确实是一个难题
（2）不接地， 缺少真实物理世界的先验， 语言世界里见过， 不代表物理世界里见过， 因此对于物体下落坠地， 水向上升这种东西， 没法真正用它来做推理。而这种东西， 对人和动物， 是不言而喻。什么是气，什么是空， 恐怕不是那么简单的概念， 而这些最基本的先验内嵌在我们的思维逻辑里往往不被提及， 没体验过也没听过， 自然不好学会 。
一言以蔽之， 缺少和真实世界的grounding，这无疑降低了chatgpt在真实场景的可用性。而大家目前最喜闻乐道的让它写代码这种能力， 主要是释放它的逻辑能力， 但是缺不太需要与真实世界的grounding，这可能也是它在这类任务特别游刃有余的原因。
先不提提出问题的能力，或者创造力这种人类智慧的皇冠。我们说光是灵活使用各种认知结构和思维套路的能力，足以让chatgpt具有解放生产力上的革命性， 因为这种能力完全不依赖碳基生物的缓慢繁殖而存在， 同时短时间爆炸的产生，使得一个碳基生物配备上一个chatgpt就等于之前的成千上万倍 ， 某种意义上 ，不亚于蒸汽机的使用产生的影响。一旦grounding解决， 威力无可限量。
最后回到点睛之笔， 它是很好， 但是不是你唯一应该关注的智能。
（1） 不要忘记， 生物智能是一个光谱， 是几十亿年进化的产物， chatgpt这条线路或许代表金字塔顶的认知智能（初级形式，还不具备自己提出问题的能力等）， 但是狗的智能， 甚至虫子的智能不重要， 某种意义上，她们都是智能与某种环境形式博弈得到的局部最优点， 或者说如果你执行一些更简单的任务， 如导航，避障，那些更低级的智能形式可能是能效比更高的选择。
（2）如果稳定的解决特定领域的问题， chatgpt提供了良好的底座，但是却不是解法的全部， 由于刚刚说的缺陷， 在真正需要稳定准确的知识，或者物理常识的领域，它的可用性必然低， 比如医学应用。虽然它可能在知识为空的区域通过推理进行一些补漏。而传统专家系统结合神经网络的方案 - neural symoblic架构，其实是可用度更高的 。