因为ChatGPT强大的能力，让我们再次担心，自己的工作是否会被取代？人工智能的能力是否有边界？
这里，我简单写写。
我们知道，当下人工智能技术，确切点说：机器学习和深度学习为代表的技术，其基础是计算机理论与数学，当我们讨论人工智能技术的能力是否有边界时，其实可以换个角度，讨论计算机与数学是否有边界？
这个问题，前人已经给出了明确的答案，数学是有边界的，计算机也是有边界的，而基于此的人工智能其能力，必然也是有边界的。
我们回拨历史，看看这数学边界与计算机边界是怎么被证明出来的。
在1900年，戴维·希尔伯特（David Hilbert）提出了著名的23个问题，在28年后，他将这23个问题简化成3个问题，即解答了这3个问题，就可以解决所有关于对数学可靠性的种种疑问，这3个问题是：
数学是完备的吗？
数学是一致的吗？
数学是可判定的吗？
在1931年逻辑学家库尔特·哥德尔发表了论文，提出了哥德尔不完全性定理，对前2个问题给出了否定答案，希尔伯特的理想破灭，数学并不是万能的。
哥德尔不完全性定理证明许多问题是不可判定的，从计算理论上讲，这些问题无法在有限时间内通过机械计算获得答案，这又引出了一个新问题：哪些问题是可计算的？哪些问题是不可计算的？
在1935年，图灵才在课堂上了解到希尔伯特问题与哥德尔不完备性定理，他对此大感兴趣，在研究了一段时间后，图灵给出了《论可计算数及其在判定问题中的应用》论文，在论文中，提出了图灵机，结论就是：图灵机能计算的函数便是可计算的函数，图灵机无法计算的函数便是不可计算的函数。
图灵机模型是目前为止最为广泛应用的经典计算模型，目前尚无找到其它的计算模型（包括量子计算机在内），可以计算图灵机无法计算的问题。数学家冯·诺依曼在图灵机模型的基础上提出了奠定了现代计算机的基础的冯诺依曼架构。
因为我们人类的生命有限，很多问题，理论上虽然是可以在有限时间内完成的，但对我们人来说没有意义，比如1000年可以解决这个问题，这类问题，对人类个体来说，相当于不可解问题。
通过上面的讨论，我们可以得到这样的关系链条：所有问题 > 可计算问题 > 计算机能解决的问题（人类时间限制、计算机工程维护等） > 人工智能能解决的问题，即人工智能无法解决所有问题。
话虽如此，但你还是不能放心，因为人工智能能解决的问题可能覆盖了我们日常工作中的多数问题了。
在深度学习没有兴起时，我们过去解决问题的思路是基于自己的理解，对现实问题建立数学模型，然后再去解这个数学模型，从而获得较优解，典型学科如：运筹学，但现在有了深度学习技术，很多过去比较难数学化的问题，可以被数学化了，从而将人工智能能解决的问题面变广了，但依旧无法突破可计算问题这个范围。
关于被数学化，其实就是深度学习帮你找到了用于描述训练数据的概率分布函数，日常中的很多问题，只要有数据的（没有数据就统计一下获得数据），都可以通过这类技术帮我们将问题数学化，很多时候，你可能只需要硬train一发。
关于硬train一发，这里有个故事：https://joelgrus.com/2016/05/23/fizz-buzz-in-tensorflow/
扩展阅读：https://fwjmath.wordpress.com/2017/07/15/the-limit-of-computation-13/（这个系列文章，很有意思）