一朝成名天下知。
ChatGPT/GPT-4相關的新聞接二連三刷屏朋友圈，如今，這些模型背後的公司OpenAI的知名度不亞於任何科技巨頭。
不過，就在ChatGPT問世前，OpenAI在GPT-3發佈後的兩年多時間裏陷入沉寂，甚至開始被人唱衰。
實際上，
OpenAI在這期間正在潛心打磨GPT-3.5。
只不過，那時業內似乎都在忙着比拼更大的模型參數，無暇顧及抑或並不在意OpenAI正在研究的工作，看過這個對話的人很少。
當然，即使看了他們的技術思路，相信他們能走通的人就更少了，能去真正實踐的也只有他們自己。
直到ChatGPT大獲成功，同行也只好羨慕嫉妒拍自己大腿，並説上一句：
不就是已有技術的組合。然後眼睜睜看着OpenAI一腳油門，甩出同行幾條街。
作為GPT系列模型背後“組裝者”和推動者，毫不誇張地説，沒有Ilya Sutskever，就沒有現在的ChatGPT以及GPT-4。他正在改變世界。
更驚人的是，十年前，他已經改變過一次世界。那個引發深度學習新一輪革命浪潮的AlexNet也與Ilya有關，他是AlexNet的作者之一，後續隨之而來的AlphaGo、GPT、CLIP、DALL-E和Codex都離不開他的貢獻。
那麼，從推動這一系列變革的科學家角度，他究竟如何看待當先ChatGPT、GPT-4模型的發展？他對AI的思考和堅定信念從何而來？OpenAI下一步研究方向是什麼？他又如何看待AI對社會的影響？
在近期與英偉達CEO黃仁勛（GTC大會）以及Eye on AI播客的主持人Craig S. Smith的兩場對話中，Ilya對此進行了解答。
對話中的Ilya像是AI研究者中的苦行僧。不同於Sam Altman和Greg Brockman兩位創始人在交談中表現出的異常敏捷的表達能力，Ilya的語速相對平緩很多，但他的思考要比説出口的內容
更深
遠。當你問他能否解決GPT模型一本正經地胡説八道的問題時，他説，“讓我們拭目以待”，這個回答讓你感覺毛骨悚然的同時還會相信這傢伙真的能做到。
就在業內其他團隊正在研究怎麼研發類ChatGPT追趕甚至“彎道超車”OpenAI時，GPT-5或許已經在路上了。在這之前，最好看看Ilya怎麼思考AI及其未來發展方向，或許會啟發我們提出更好的、不一樣的發展路徑。
OneFlow
以QA形式對上述
兩場對話進行了編譯整理，對於問題以下不作具體區分。
（
Craig的
播客經授權後由OneFlow編譯，內容轉載請聯繫OneFlow獲得授權。
播客：
http://www.eye-on.ai/）
Q：ChatGPT就是AI界的“iPhone時刻”，你是如何實現這一歷史性轉變的？
A：
最開始，我們也不清楚該如何開展整個項目，而且這個領域與現在的發展走向也完全不同。2016年左右開始創辦OpenAI時，這一領域的研究者還很少，我們當時的同事大多來自Google/DeepMind，他們有從業經驗，但思路相對而言比較狹窄，有所束縛。
那時我們有兩個大的基礎想法，它們的影響一直延續到今天。
第一個想法是通過壓縮進行無監督學習。
現在看來這是理所應當，但在2016年，無監督學習是一個還沒有被解決的問題，
也沒有任何科學家有相關想法。
Yann LeCun當時到處説這是一個技術上的瓶頸。壓縮也不是人們經常會談到的問題，但ChatGPT實際上確實壓縮了訓練數據，我們通過不斷訓練自迴歸生成模型實現了數據壓縮。如果數據被壓縮得足夠好，就必須要提取其中存在的所有隱藏信息，這就是關鍵所在。
這也直接導致了我們研究情緒神經元。OpenAI科學家Alec Radford訓練LSTM來預測亞馬遜評論的下一個字符時發現，如果你預測下一個字符足夠好，LSTM就會有一個與情緒對應的神經元。這就很好地展示了無監督學習的效果，也驗證了下一個字符預測的想法。這個發現對我們的影響很大。
但哪裏能得到無監督學習的數據呢？無監督學習的難點不在於數據，更多關於為什麼要這麼做，以及意識到訓練神經網絡來預測下一個字符是值得追求和探索的。
然後Transformer出來後，我們立即發現這個模型就是我們想要的，於是做出了GPT-1。
第二個想法就是強化學習。我有一個很強的信念是“越大越好”，OpenAI的目標是找到擴展的正確路徑。我們完成的第一個真正的大型項目是實時戰略遊戲DOTA 2。當時我們訓練了一個強化學習的Agent來與自己對抗，目標是達到人類玩家的水平。
從DOTA的強化學習轉變為人類反饋的強化學習，再加上GPT技術基座，成就了今天的ChatGPT。
Q：有人認為，ChatGPT只是一個大型語言模型，但在我看來，那背後有自己的複雜系統。能否介紹一下你們是如何通過強化學習進行精調的？ChatGPT背後是否有多種系統進行支撐？
A：
當我們訓練大型神經網絡以準確預測互聯網上大量不同文本的下一個詞時，我們在做的其實是在學習一個世界模型。
從表面看
，神經網絡只是在學習文本中的統計相關性，但實際上，學習統計相關性就能把知識壓縮得很好，神經網絡所學習的是，它在生成文本過程中的一些表述，文本只是這個世界
的一個映射，所以神經網絡學習的是這個世界的多個方面的知識。
這就是它在準確預測下一個詞的任務中所學習到的，對下一個詞的預測越準，還原度越高，你看到的文本的準確度就越高。
這就是ChatGPT模型在預訓練階段所做的
，它儘可能多地從世界的映射
（也就是文本
）
中學習關於世界的知識。
但這不能
説明
神經網絡會
表現
出人類希望它做出的行為，這就需要第二階段的微調、人類反饋的強化學習以及其他形式的AI系統的協助，這個階段做得更好，神經網絡越就越有用、可靠。
A：
多模態非常有意思。第一，多模態在視覺識別上特別有用。因為整個世界是視覺化的，人類和其他動物也是視覺動物，人腦1/3的灰質都是用於視覺的，如果沒有視覺，神經網絡的用處不會達到它應有的程度，GPT-4能夠很好地去理解這些圖像。
第二，除了從文本中學習外，我們還能從圖像中學習關於這個世界的知識，儘管這看起來還不太明確。一個人可能一生之中會聽到10億個詞，對我們來説，有儘可能多的信息來源很重要。
同樣，這也適用於神經網絡。
即使是
視覺信息，也會通過文本緩慢傳播，如果再加上視覺信息，模型
就能學到文本中原本
沒
有的信息。
Q：相比ChatGPT，GPT-4在哪些方面有所改進？
A：
ChatGPT版本有時會錯誤地理解問題，給出的回答有的很不理想，但GPT-4好多了，還能會以更快的方式去解決難題，簡而言之，就是可靠性更高了。
GPT-4是在ChatGPT的基礎上進行改進的。GPT-4的訓練大約始於6-8個月前，它的預測能力更加準確，這得益於其更好的神經網絡，使其能夠更加精準地預測下一個單詞，並深入理解文本。
GPT-4為什麼能更精準地預測下一個單詞，為什麼這會帶來更深的理解能力？就像你讀偵探小説時，情節、事件以及其他線索都不清楚，使你無法準確預測故事結局。但當你閲讀小説的最後一頁時，就可以很容易推測出兇手是誰，這是因為你在閲讀過程中積累了大量的知識和經驗。同樣地，GPT-4的更大訓練數據和神經網絡可以幫助它更好地理解文本，從而更準確地預測下一個單詞。
Q：從ChatGPT到GPT-4，有哪些能力讓你覺得很驚豔？
A：
一方面是模型的可靠性，另一方面，最讓我覺得驚豔的就是，這些模型真的有效。我在AI領域差不多有二十多
年了，神經網絡從最開始毫不起眼的工作慢慢演進，通過更大的數據集訓練之後，變得越來越強，儘管基礎算法不同，但訓練方式是類似的。
我經常會感歎於
人工神經元的想法居然真的有效。
Q：你是何時對計算機科學感興趣的？這種興趣來自最初的一時衝動？還是由腦科學、神經科學等興趣引發的？
A：
我出生於俄羅斯，在以色列長大，十多歲時隨父母移民到了加拿大。根據父母的説法，我從小就表現出了對AI的興趣。我一直想搞清楚意識（consciousness）這個東西，對一切能夠幫我瞭解意識的東西感興趣。在這方面，AI似乎是個很好的切入點。
17歲時，我就開始跟着Geoffrey Hinton在多倫多大學做研究了。當時，深度學習是人工智能領域最重要、最難接觸的部分，我一直想做這方面的研究。
現在，我們理所當然地認為計算機是可以學習的，但在2003年，情況恰恰相反，AI領域的最大成就是國際象棋引擎深藍（Deep Blue）。
當時AI的發展程度還比較低級，就拿國際象棋來説，AI只是通過簡單的方法尋找棋子的最佳走位。
這種方法難以用於實戰，因為當時人們還沒有搞清楚該怎麼讓AI學習，但我對此很感興趣，幸運的是，Geoff是多倫多大學的教授，我有機會在學校見他，見面後一拍即合，我很快加入了他的團隊。
Q：你只是單純地對機器學習感興趣，還是與Geoff一樣，希望藉助機器學習來了解大腦的奧祕？
A：
AI涵蓋的領域非常廣泛，人們入行AI領域的動機也各有不同，而我想要弄清楚“智能”背後的工作原理。
現在，對這個問題我們已經有了一些答案。“智能”的背後是一張大型神經網絡，我們對神經網絡的工作原理也有了一定程度的瞭解。但在當時，雖然神經網絡已經存在，卻沒人知道它的用處。
所以“智能”到底是如何運作的？到底該怎麼做才能讓計算機變得稍微智能一點？
那時的我有一個非常明確的想法：
在AI領域作出真實、有效的貢獻。
當時AI屆看似人多，貢獻也層出不窮，但卻沒有取得任何實質性的成就，就像一片荒蕪之地，看不到希望。這些就是我最初從事AI的動力。
Q：Geoff曾説，卷積神經網絡（CNN）的突破促使你參加了ImageNet競賽，而Alex用他高超的編程技能訓練了神經網絡。
A：
簡而言之，當時我意識到，如果在一個足夠大的數據集上訓練大型深度神經網絡，讓這個神經網絡去處理複雜任務（比如視覺等），只要堅持訓練下去，就能成功。
這背後的邏輯
是：人腦是擁有神經元的神經網絡，可以快速處理視覺等複雜任務，可以得出，其它某些神經網絡也可以很好地做到這一點。因
此，我們需要一個較小但相關的神經網絡，並用數據對其進行訓練。計算機內部最好的神經網絡將與執行這項任務的神經網絡進行關聯。
當時的
一種説法是，大型深度神經網絡可以完成這一任務。
另外，我們要有訓練工具（Geoff的實驗室完成了這部分的技術工作），將這兩點相結合（一是神經網絡要足夠大，確保訓練時正常運行；二是指定解決方案的數據），我們就可以訓練神經網絡，ImageNet競賽剛好滿足了我們的需求。Alex有快速卷積核，ImageNet擁有足夠大的數據，而我們抓住了這個機會，做了一些前所未有的嘗試，並取得了成功。
Q：Geoff曾提出一個非常有趣的觀點：與人腦相比，具有大量參數的大型模型，尤其是大型語言模型，可以用相對較少的參數處理大量數據。相比之下，人類大腦有數以萬億計的參數，但處理的數據量相對較小。你是否思考過這個問題？
A：
特別是在模型訓練的早期階段，現有神經網絡技術結構確實需要大量數據。然而，在模型訓練的後期階段，對數據的需求會逐漸減少，這也是模型能夠快速學習的原因。雖然模型的學習速度不及人類，但已經相當迅速了。
從某個角度來看，我們並不一定關心是否需要大量數據才能實現目標。
但從更普遍角度，從較少的數據中學到更多知識是可能的，儘管這需要一些富有創意的想法。
從少量的數據中學習更多知識將會開啟其他可能性，使我們能夠向AI傳授其缺乏的技能，並且更易傳遞我們的期望和偏好，以更精確地控制其行為。雖然經過訓練後的語言模型可以快速學習知識，但還有更多的機會可以利用。
Q：2017年，《Attention Is All You Need》一文提出了自注意機制和Transformer模型。那麼GPT項目的研發是如何開始的？
A：
在OpenAI早期，
我們的工作重心是“預測下一件事就是你所需的一切（predicting the next thing is all you need）”
。當時，我們想利用有限的神經網絡去預測下一個單詞、像素，在我們看來預測就是壓縮（compression）。
我們想知道預測下一個單詞能發展到什麼程度，想知道預測能否解決無監督學習。
在GPT之前，無監督學習就是機器學習的最高目標，是大家心目中的聖盃。
雖然現在人們已經徹底掌握了無監督學習，它已不再是人們關注的焦點，但它曾經確實是機器學習的最高目標，是一大難點。當時，我對這方面的研究非常感興趣，因為
足夠好的預測可以幫助我們進行無監督學習，理想狀態是實現全部數據集的無監督學習。
當時，我們使用的是遞歸神經網絡（RNN），但它無法勝任上述任務。《Attention Is All You Need》論文發表以後，我們很快意識到Transformer可以解決當前神經網絡學習的長程依賴（long-term dependencies）的侷限問題。
這其實是技術問題，但我們立刻切換到Transformer。就這樣，初期GPT開始萌芽、發展起來，有了Transformer，GPT運行越來越順利，變得越來越大，隨後我們意識到，可以讓它一直不斷擴大，就這樣最終發展到了GPT-3，並走到了現在這個階段。
Q：Richard Sutton（強化學習先驅）一直強調“擴展（scale）是我們所需要的一切”，而不需要新的算法。這一觀點是否對你有影響或者是你們想到一塊兒去了？
A：
他的想法並沒有影響到我。儘管Rich的《慘痛教訓（The Bitter Lesson）》一文非常有説服力，我們也很樂意看到其他人的類似想法，但我認為，
這篇文章的觀點其實有點誇大其詞，或者至少人們從中得
出的觀點“不管做什麼，擴展就對了”是誇張的説法。這種説法是不正確的。
我們需要擴展一些可以從中受益的特定事物。
深度學習讓我們首次實現了對擴展的有效利用，並從中獲得了回報，這是深度學習的一大突破。
在此之前，大型計算機集羣的作用是什麼？
可能僅限於天氣模擬、物理模擬、電影製作等等，除此之外沒有任何真實的需求。
事實上，深度神經網絡越大、訓練數據越多，運行的效果就越好，這是第一個有趣的擴展案例。將來我們需要擴展的事物可能會出現變化，這種變化也許更有利於擴展，但現在我們還不知道變化的規模，在搞清楚它的規模之後，你可能又會驚訝於它的變化之微小。
總之，
擴展的對象十分重要
。現在，我們只是找到了一個能夠獲得回報的擴展對象。
Q：聽你説過，需要更快的處理器才能進一步擴展模型。模型擴展（scaling of models）似乎是無止境的，但訓練這些模型所需的計算能力已經接近極限，或者至少達到了社會公認的極限。
A：
我記不太清你提及的具體評論，但在處理器方面，越快越好的邏輯不言而喻，我們確實需要更快、更多的處理器。不過，隨着計算能力的需求不斷提高，對計算資源的投入成本也在持續上升。
問題的關鍵不在於成本是否高昂，而在於我們能否通過投入成本得到超過其本身的價值。
如果你投入了巨大的成本但沒有獲得任何價值，那麼這樣的代價肯定不值得。但是，如果你獲得了非常有用、極具價值的東西，能夠解決許多問題，那付出的成本就是值得的。
Q：目前，大型語言模型的侷限性在於，它們所擁有的知識只限於它們所訓練過的語種，而大多數人類知識都是非語言性的。它們的目標是滿足prompt的統計一致性（statistical consistency），而對語言所涉及的現實沒有基本的理解。
A：
其實，很難確定什麼是語言模型的侷限性
。比如，兩年前人們曾對當時的侷限性高談闊論，但現在的侷限性跟當時相比又完全不同。因此相比於談論侷限性，將注意力放在當下的發展更為重要，畢竟誰又能保證目前的侷限性還會在兩年後仍制約着語言模型的發展呢？至少我沒這個自信。
另一方面，有人認為模型只是在學習統計規律，因此它們不知道世界的本質究竟是什麼。
但我認為，學習統計規律比我們眼睛看到的更重要。
之所以現在才有這個觀點，是因為我們還沒有（至少大多數人沒有）真正在神經網絡上花費很多時間，而神經網絡在一定程度上是統計學。
什麼是統計模型？其實只是擬合一些參數，比如真實發生的事情。預測也是一種統計現象，不過需要了解產生數據的真正底層過程才能更多地對數據進行壓縮，進而完成預測。在這個過程中，你需要更多地瞭解這個產生數據的世界。
隨着生成模型變得越來越好，理解程度也會越來越高，它們對整個世界的瞭解會讓我們為之震驚。而其中諸多精妙之處，卻不止存在於現世，那是一個透過文本鏡頭才能看到的世界。
它們瞭解到的世界是文字鏡頭映射出來的世界
：學習互聯網上人類生成的各類文本。但這些文本其實也表達了整個世界。
一個很有意義和啟發性的例子是，Sydney是由ChatGPT支持的Bing衍生出的一種模式，當用户對Sydney説，Google是比Bing更好的搜索引擎時，Sydney就會變得好鬥、咄咄逼人。
那麼，我們該如何看待這種現象？這又意味着什麼？有人會説，它只是在預測人類在這種情況下會怎麼做。沒錯，人類確實會這麼做，但這也許意味着用心理學語言開始理解神經網絡的行為。
Q：事實上，神經網絡有時會產生“幻覺”，而語言模型在學習世界、思想、概念等方面的表現要好得多，但輸出方面卻不盡人意，當我向ChatGPT詢問關於我的個人信息時，它識別出我是一名記者，但它卻給我冠上了很多沒有獲得過的榮譽。在你們未來的研究中，是否有措施來解決這個問題？
A：
關於這一過程需要理解的是：
在預訓練階段，我們只是訓練語言模型，希望學習關於這個世界的一切；在人類反饋的強化學習（RLHF）階段，我們關注的是輸出結果。
如果輸出不合適或者不合理時，就會停止這樣的輸出。模型很快就能學會生成恰當的輸出。
現在的問題在於輸出水平，其實預訓練階段的情況並非如此。神經網絡確實有編造回答的傾向，即使是ChatGPT也會時不時的胡亂編造，這極大地限制了模型的實用性。
我希望能通過改進強化學習反饋步驟來阻止神經網絡產生“幻覺”。
此時你可能會問，它們真的會學習嗎？我的答案
是：讓我們拭目以待。
Q：如果我告訴ChatGPT，它的回答有誤，那麼這是在對其進行訓練，還是內部會給它一些懲罰或者獎勵，以便下次回答得更加準確。
A：
我們現在的做法是僱傭人工訓練員來教神經網絡（比如ChatGPT）如何表現。到目前為止，他們指定所需行為的方式略有不同。但事實上，你所描述的就是正確的訓練方式：只需與它互動，它會從你的反應中推斷自己的回答是否讓你滿意。
因此，輸出結果不好，ChatGPT下次就應該做些不同的事情。雖然“幻覺”是一個很大的問題，但這種方法完全可以解決這些問題。
Q：Yann LeCun（圖靈獎得主，CNN網絡發明者）認為，大型語言模型所缺失的是一種非語言的基礎世界模型（underlying world model），語言模型的構建可以對其進行參考。我想聽聽你對此的看法，以及你是否在這方面有所探索。
A：
我看過他的提議，其中有許多想法，並且與當前技術範式可能存在一些細微差異，但在我看來，這些差異並不是非常顯著。
首先，對於一個系統來説，擁有多模態的理解是可取的，這樣可以使其從多方位（不僅僅從文本）來了解世界、瞭解人類以及與之相關的情況，如此一來，系統也能更好地理解它應該解決的任務，滿足人類的需求。
在這方面，我們已經做了相當多的工作，比如Clip和Dall-E，它們都朝着多模態方向發展。這並不是一個非此即彼的情況，有人説如果沒有視覺，不從視頻中理解世界，就不能處理這方面的工作。
但我想説的是：有些東西從圖像和圖表中學習起來要容易得多，但我們仍然可以通過文本來進行學習，只是學習速度要慢一點。
以顏色舉例。雖然我們不能從文本中學習顏色的概念，但每個神經網絡都通過“嵌入（embeddings）”表示單詞、句子和概念，這些embeddings也就是高維向量，可以知道什麼與什麼類似，神經網絡如何看待這個概念或那個概念。所以機器可以通過嵌入向量來判斷顏色，紫色比紅色更接近藍色，但比橙色更接近紅色，如果有視覺感知，顏色之間的差異一眼就可看出，但僅從文本來分辨，可能需要更長的時間，也許你知道怎麼交流，已經瞭解了單詞和語法，但也需要一段時間才能真正理解顏色。
因此，多模態非必要，但絕對有用。雖然這是一個很好的發展方向，但我並不認為必須在當前方案和多模態中二選一。
Yann LeCun的論文中提到：最大的挑戰之一是，預測具有不確定性的高維向量。我們需要採取特定方法來解決這個問題。我發現，其實當前的自迴歸Transformers已經具有該屬性，但論文中沒有承認這一點。
舉兩個例子。一是給定某書中的一頁，預測下一頁。這有很多種情況，是一個非常複雜的高維空間，但自迴歸Transformers能處理得很好。對於圖像處理也是如此。比如OpenAI在研發iGPT時，將Transformer應用於像素預測，能以非常複雜和微妙的方式生成圖像，效果非常好。它有很不錯的無監督表示學習能力。
Dall-E 1的情況也是一樣。因此，論文中強調當前方法無法預測高維分佈的部分是錯誤的，那絕對可以勝任。
Q：現在有一種觀點：安排一批人類訓練員與大型語言模型（如ChatGPT）一起工作，並通過強化學習對其進行指導。僅從直覺來看，這並不能有效教會模型理解潛在現實（underlying reality）。
A：
我不同意這個説法。首先，我們的預訓練模型已經掌握了關於潛在現實的必要知識，並對語言及其產生過程有了深入瞭解。
也許我需要再次強調一點。在大型語言模型中，學習到的文本數據是對真實世界進程（real-world processes）的壓縮表示，其中包含有關人類思想、感受，以及人類所處環境和人際互動等方面的信息。
一個人可能處於不同情境，而這些情境所涉及的信息是壓縮進程的一部分，並由神經網絡表示，以生成新的文本內容。語言模型越好，生成模型的表現越好，保真度越高，就能更好捕捉這個進程。要想構建一個高質量的系統，只需遵循“如果方法有效，則繼續使用”的策略。
那些指導模型學習的訓練員團隊本身也在利用AI來輔助他們的工作。這些工具能夠高效地完成大量任務，但仍需要人類進行監督和評估，以確保結果的高可靠性，這與人類的教育過程沒什麼不同。
我們會積極尋求方法來提高模型的效率和準確性，以構建表現良好的語言模型。為了確保模型能夠識別幻覺（hallucination），需要進行額外的訓練。一旦模型掌握了該技能，就可以將其用於處理業務需求了。而強化學習人類訓練員或者其他類似的方法能夠教會模型辨識幻覺。雖然目前還沒有確切的結論，但我們很快就會找到答案。
A：
提高模型的可靠性和可
控性，加快模型從少量數據中學習知識的速度，並降低對人工指導的依賴，避免出現“幻覺”
。我認為這一系列問題密不可分。此外，還需要注意這些問題所涉及的時間跨度。
Q：你談過AI給民主帶來的影響。若是擁有充足的數據和足夠大的模型，就可以用這些數據來訓練模型以獲得讓所有人都滿意的最優決策。你覺得這會幫助人類進行社會管理嗎？
A：
我們還無法預測政府將如何利用這種技術來獲取各種建議，不過在民主問題上，未來可能會出現這樣一種情況：由於神經網絡無處不在且對社會產生巨大影響，我們將不得不建立某種民主流程，讓公民向神經網絡提供信息，包括他們希望的事務狀態、行為方式等。
這可能是一種高效的民主形式，即我們可以從每個公民身上獲取更多的信息並進行彙總，然後指定這些系統如何採取行動。當然，這會引發許多問題。
當前的模型還有很多提升空間，未來，特別是在訓練和使用模型方面會發生一些變化，從而使模型能夠更好地解決這類問題。
Q：按你所説，每個人都有機會輸入數據，然而這也牽涉到世界模型的問題。你是否認為AI系統最終可以變得足夠強大，能夠理解某種情境並分析所有的變量？
A：
分析所有變量意味着需要綜合考慮情境中的所有因素，確定重要變量，並進行深入研究。這個過程類似於讀書，我可以選擇讀一百本書，也可以仔細閲讀一本書，這樣就可以獲得更多。這種方法在一定程度上是值得推崇的，但也許在某種程度上，理解所有事情是基本不可能的。
舉個更簡單的例子：當社會或公司面臨複雜情況時，即使對於中等規模的公司來説，處理大量數據和分析信息的任務也超出了個人的能力範圍。然而，通過正確地構建AI系統，就可以在各種情境下獲得極大的幫助。
