如果有只鹦鹉能回答任何问题，我将毫不犹豫宣称牠是智慧生物。
——狄德罗（Denis Diderot）
信不信由你，人工智慧（artificial intelligence，AI）与表演艺术的纠葛已超过百年——在捷克剧作家卡雷尔．恰佩克（Karel Čapek）1920 年的作品《罗梭的全能机器人》（Rossum's Universal Robots）中，「机器人」（robot）一词首度被用来描述这种外型似人，拥有与人类相同思考与行动能力的机械；而剧作中机器人原本设计来服务人类，却「觉醒」而导致人类毁灭的设定，也成了后世科幻作品对人工智慧的经典想像：从《2001 太空漫游》的 HAL 9000 到《魔鬼终结者》的天网，机器一旦开始思考，毁灭人类似乎总是它们的首要任务。
如果我们把人类到底多不该存在先放一边，这类故事原型正好让我们一窥大众对 AI 的终极想像：它们能理解回应世界的变动并解决没有标准答案的问题，最终甚至可能演化出自由意志而做出（就人类看来）叛逆的决定。这种能像人一般认知、思考、学习的 AI，称作通用人工智慧（artificial general intelligence，AGI）或强人工智慧（strong AI）。
黑盒子中的秘密：人工智慧是如何产生「智慧」？
AGI 一直是 AI 研究领域的终极圣杯，现阶段 AGI 离实现也还有段距离（注1）；目前日常生活可见的 AI 多是另一种思维的产物：机械无需「真的」有智慧，它们只要能执行所谓的「智慧型任务」就可以了；比如在停车场出入口辨识车牌、在海关验证身分、自动或辅助汽车驾驶等等。这类 AI 被称作应用人工智慧（applied AI）或弱人工智慧（weak AI），基本上只能在人类的明确命令下执行单一任务，于此范畴外，则通常一无所知。尽管如此，弱人工智慧仍不时震惊世人，特别在弈棋这个常跟「智力」联想在一起的领域——比如 1997 年深蓝击败西洋棋王卡斯帕洛夫，或 2016 年 AlphaGo 击败围棋九段李世乭。但不论 AlphaGo 围棋下得再好，不经过重新训练，它并无法直接与人对弈其他棋类，更别说执行下棋以外的任务。
2022 年以前，强弱人工智慧的区别仍相当明显，但随著以 ChatGPT 为首的生成式 AI （generative AI）（注2）进入大众视野，两者边界似乎变得有些模糊——能有模有样回答几乎任何问题的聊天机器人，狄德罗会毫无疑义认为它们有智慧吗？就算我们把「谷歌停职员工声称 AI 有灵魂」或「聊天机器人向纽时专栏作家疯狂示爱」这类惊悚故事只看作花边新闻，2023 年 5 月一则货真价实的研究报告指出：在一项超过 150 万人参与的线上测试中，玩家能在两分钟聊天时间内，正确辨识机器人的准确度只有 60%——只比二选一瞎猜的 50% 机率好上一些。（注3）
即使几乎骗倒人类，许多主流 AI 研究者仍认为 ChatGPT 等一众聊天机器人不过只是能唯妙唯肖模仿人类的「随机鹦鹉」（stochastic parrots）——它们并不理解自己在说什么，只是根据学习过的巨量文本照样造句。然而也有另一派声音主张，真正的「理解」并不存在，「我们都只是随机鹦鹉」（注4），智慧是结果，不是源由——根本上，这就是自柏拉图以来即一直莫衷一是的「二元论」争辩的延续。
有趣的是，近年 AI 发展所仰赖的基础模型，仿似针对这道经典哲学难题的模拟实验：这种称作类神经网路（artificial neural network）（注5 ）的演算模型，试图在物理机制上模仿大脑的运作，它们由巨量的神经元与突触构成复杂的多层网路结构，并借由大量训练素材，透过回馈机制增强或抑制突触的强度，来进行「学习」（注6）。2010 年后随著硬体运算能力的成长以及「深度学习」（deep learning）演算法的发明，类神经网路得以突破规模限制，达到接近人脑的复杂程度，从而展现出惊人的理解及回应能力——不过遗憾的是，这不表示数千年来的难题已然得解——就像解剖人脑没法找出智慧的源头，我们也无法透过分析类神经网路得知它们如何（或有没有）产生智慧：神经网路「学会」的知识或思想，分布在数以百亿计的神经元以及数以兆计的突触组合里，分析此等数量级的综合行为，基本上是不可能的任务。
