下载掌阅APP，畅读海量书库
立即打开
在第二次互联网革命时期，万物相连仍在继续，并从核心区域向周边区域、从浅层连接向深层连接扩散。但此时互联网革命的重点再一次发生了进化：从万物初步连接的信息传递，到万物之间更深层次的智力与物质、能量的协同优化。万物相连仅仅解决了互联网革命的物理基础问题，虽然人类社会的效率得到了大幅提升，但以工业革命时期的大工业生产方式与全球化贸易为代表的物质、能量流动并没有发生根本性改变，由此带来的物质、能量损耗并没有减少。大量的物质、能量被浪费在矿产开采、工业生产及全球化物流运输上，万物之间物质、能量交换的效率还没有得到质的提升，万物相循阶段将利用全球协同的智力资源重新构建物质、能量循环，再一次大幅提升人类社会的经济运行效率。
第三十五定理（分布式生产定理）：分布式生产普及有3个阶段，即非成本敏感型产业的普及、成本敏感型产业的普及、技术密集型产业的普及。
证明：根据第五定理，第二次互联网革命的里程碑事件是3D打印机普及。根据第二公理，3D打印机普及的驱动力是价值增长。因此分布式生产普及不是一蹴而就的，而是随着3D打印机的功能、性能提升及经济性提高，逐渐超越集中式生产，只有这样才能替换机器大工业产业。根据产业普及的难度，分布式生产普及分为3个阶段——非成本敏感型产业的普及、成本敏感型产业的普及、技术密集型产业的普及。
首先是在非成本敏感型产业普及，主要是生产非标准化的复杂构件。由于3D打印技术的增材制造特性带来了个性化、特质化的呈现手段，分布式生产所能制造的产品的复杂程度要远高于传统的减材生产。分布式生产一方面在首饰、时尚、食品、雕刻、文化艺术、设计等个性创意领域取得突破，如创意项链、高跟鞋和眼镜；另一方面在医疗、汽车、国防、航空航天、建筑、家电、轻工等产业的减材生产存在较大技术障碍的零部件制造方面取得突破，如个性化的关节、骨头和助听器。这个阶段的分布式生产主要用于弥补传统减材制造技术的不足，还不足以取代传统的大工业集中式生产。
其次是在成本敏感型产业普及，主要是生产规模化产品。在这个阶段，3D打印技术将获得突破，整条产业链开始形成，规模化运营导致成本大幅降低，分布式生产开始在传统成本敏感型产业推广、普及。2014年，世界出现第一款采用3D打印零部件制造的电动汽车“Strati”，全车车身一体成型，只有40个零部件，包括底盘、仪表板、座椅和车身在内，这些零部件均由3D打印机打印。2016年，北京通州出现第一幢用3D打印机打印的别墅，别墅共两层，每层高3米，墙体厚度为25厘米，别墅的基础和墙体使用了钢筋20吨、混凝土380立方米，生产全程由电脑程序操控。经检测，其抗震级别达到8级以上。但目前3D打印技术在成本、材料等方面与大工业集中式制造技术相比仍有不小的差距，未来随着分布式生产在成本敏感型产业开始试点与普及，互联网革命将进入万物相循阶段。
最后是在技术密集型产业普及，主要包括芯片、精密机床等精密制造产品。随着3D打印技术的进一步发展，象征人类制造能力顶峰的芯片业也将采用分布式生产方式。2022年，美国麻省理工学院的科研团队用3D打印技术制造出一种用于轨道航天器的等离子体传感器。另外，麻省理工学院还提出了类似3D打印的微纳结构制造办法，可以让粒子按照预设的形式排列，精度比刻蚀法更高。随着3D打印技术的进步，绝大多数产业最终都将普及分布式生产方式，传统产业链将被替代，此时第二次互联网革命将达到高潮。
当前3D打印机难以对成本敏感型产业进行替代，主要原因是其经济性不高。一方面，3D打印技术仍存在瓶颈，生产成本较高；另一方面，区域循环生态型生产的上下游产业链不成熟，导致原材料成本较高。未来人们必须对这两个方面同时进行改进，推动产业向规模化发展。只有这样才能使分布式生产取代手机、汽车、电脑等产业的大工业集中式生产，成为主流的生产方式，从而加速“全球设计—本地生产—本地能源—本地回收”整条产业链的成熟，进入正向循环，不断提升技术、降低成本。
万物相循的成熟里程碑事件是分布式生产普及到绝大多数产业，这标志着“全球设计—本地生产—本地能源—本地回收”循环体系基本建成，将彻底改变工业革命时期的全球产业分工格局，对各行各业都将产生重大革命性影响。
第三十六定理（统一全球网状超级平台定理）：在第二次互联网革命时期，全球最终将出现一个统一的全球网状超级平台。
证明：根据第二公理，价值增长是全球网状超级平台进化的驱动力。根据第五公理，全球分布式生产循环需要全球网状超级平台匹配进化。全球网状超级平台具有多种不同的网络效应，为了获得最大的网络效应，在万物相连时期诞生的多个全球网状超级平台，在经过长期竞争，发展得较为成熟、稳定后，在明确运行机制、利益分配等规则的情况下，最终将统一为一个庞大、复杂的全球网状超级平台。
第三十七定理（全球3D打印设计平台定理）：全球3D打印设计平台将成为全球网状超级平台的核心。
证明：根据第二公理，价值增长是全球网状超级平台进化的驱动力。根据第五定理，“全球设计—本地生产—本地能源—本地回收”分布式生产循环将成为全球主流趋势。随着分布式生产对集中式生产的取代，生产模式进化为完全个性化生产，而全球3D打印设计平台作为汇集全球人类智力资源的平台，理所应当地将成为全球网状超级平台的核心。
很多公司从不同方向对未来的全球3D打印设计平台模式进行了探索。例如，纽约的Shapeways公司采用网上平台交易模式，只提供平台服务，产品创意及销售都由用户自己完成；Quirky公司则把3D打印设计平台作为生产工具使用，前端利用网上平台收集人们的创意，后端通过3D打印设计平台快速制造；Thingiverse公司采用网上免费社区模式，让用户自己进行社交活动，平台依靠“免费”吸引了大量3D打印资源，并通过其他方式（如硬件销售）获利；TinkerCAD、Photofly等工具类软件，可以帮助用户实现对资源的3D数据转换。
在这些模式中，最能代表未来发展方向、最具革命性的是Shapeways模式。在该模式下，在线商店的数量达8000家以上，总计生产了超过100万款、60亿件3D打印产品。虽然Shapeways模式仍不是分布式生产，但随着3D打印机成本的下降、3D打印产业链的逐渐形成，分布式生产将成为现实。未来人们不会去商场购买已经制造好的品牌手机，而是在家中通过互联网、在全球范围内选择一个独一无二的个性化手机解决方案（可参与设计），然后用家中的3D打印机把手机制作出来。3D打印材料主要来自本地回收分解的废弃3D打印物品。
整个全球硬件产业链被压缩成一台3D打印机，万物皆可通过3D打印机制作。人们需要做的就是：一方面不断提高3D打印机的打印能力，另一方面利用自己的智慧创造各种个性化的3D解决方案，以满足人类完全个性化的需求。随着3D打印技术成为人类主流的生产方式，整个生产过程对资本、劳动力等要素的依赖将大大下降，智力要素的重要性将被凸显出来。生产的核心要素将从资本转向智力。
3D打印机甚至可以自我复制。2013年，德国Doppelbock大学的研究人员研发出世界首台具备“自我复制”能力的3D打印机。由于目前技术的限制，这种3D打印机只能制造比自己小的子3D打印机。未来技术完善后，3D打印机其实可以打印出和自己一样大，甚至比自己更大的3D打印机。这种具备“自我复制”功能的3D打印机意味着在理论上，每个人都可以拥有无限复制“工厂”，这使生产的瓶颈被彻底消除。只要有需要，人们在任何时候都可以拥有前所未有的生产能力，人们的物质需求将会得到极大的满足。
在万物相连时期形成的端到端的系统性完整解决方案，也会随着全球3D打印设计平台、分布式生产、循环生态型生产进行再次重构，以获得更高的效率。例如，汽车将不再通过汽车厂家生产，而是由人们先通过全球3D打印设计平台选择个性化的汽车打印方案，或者选择各种个性化的零部件方案进行组合，还可以在此基础上进行个性化修改，然后在区域内（甚至自己家中）通过3D打印机制作。3D打印汽车具备全自动驾驶系统，并与外界各种系统环境相连，使用由太阳能、风能等新能源产生的电能，报废后由本地回收公司进行回收，重新分解为可供3D打印机使用的原材料。
第三十八定理（终端消费平台定理）：在第二次互联网革命时期，终端消费平台将面临巨大危机。
证明：根据第五定理，分布式生产循环成为主流趋势。根据第三十七定理，全球3D打印设计平台成为全球网状超级平台的核心，消费者将通过3D打印机打印所需要的消费产品。到了第二次互联网革命时期，现在的亚马逊、淘宝、京东等面向终端消费者的大型平台网站要么转型，要么不复存在，全球的生产者、消费者将围绕全球3D打印设计平台进行生产、消费活动。
第三十九定理（个性化机器人定理）：在第二次互联网革命时期，个性化机器人将普及。
证明：根据第十三定理，在第二次互联网革命时期，完全个性生产将普及。根据第三十七定理，在第二次互联网革命时期，全球3D打印设计平台将普及。全人类的智力通过互联网快速交流、汇聚、碰撞，新的人工智能产品设计在原来的3D打印方案的基础上不断得到优化、升级，全人类几乎能同步得到最新的科技成果，再叠加自身的个性化需求，通过本地能源驱动的本地3D打印机制造出完全个性化的机器人，这将使个性化机器人获得普及。
第四十定理（3D打印人体组织定理）：在第二次互联网革命时期，3D打印人体组织将普及。
证明：根据第三公理，3D打印人体组织技术将不断进化。根据第三十五定理，3D打印生产将会普及。根据第三十七定理，全球智力资源的汇集将加快3D打印人体组织技术的成熟与普及。随着3D打印机的普及，在生物工程上，3D打印人体组织、器官将逐渐得到普及。目前以3D打印为基础，已发展出4D打印，4D打印一方面增强了打印构件的可控形变能力，另一方面可以制造性能、功能变化可控的构件。4D打印人体组织材料不一定需要人体上的细胞组织，只需在材料内部通过软件设计编程设置触发条件、应对机制等参数，就可以模拟人体细胞组织，而且4D打印人体组织材料（如血管、脑细胞等）具有自我调节与自我修复的效果。人类未来有可能借助4D打印技术进行人体器官修复，这将使人类的寿命大大延长。
第四十一定理（新能源车定理）：新能源车将成为主流趋势，电动汽车的换电模式将得到普及。
证明：根据第十六定理，社会能源从传统能源向再生能源转变。根据第四公理，再生能源科技升级将支撑生产科技产业的发展，推动新能源车成为社会的主流趋势。由于电动汽车的换电模式可以解决消费者的里程焦虑、补能焦虑，并降低消费者一次性购车投入，因此提升了电动汽车的保值率，降低了行业整体基础建设投入。对电池进行统一全生命周期管理，有利于提高社会资源的利用效率，高效利用电能的波谷期，社会价值相比充电模式更高。因此，电动汽车的换电模式将逐步得到普及，与充电模式共同满足社会需求。
第四十二定理（人工智能定理）：人工智能将通过4个阶段进化，接近真正的“智慧”。随着低空空域管理的规范，以及飞行技术、基础配套设施的成熟，陆空两用飞行汽车也将逐渐得到普及。
证明：根据第三定理，第三次互联网革命需要突破人类自身脑力、能力上的瓶颈，进化出机器智慧，这是人工智能进化为人工智慧的充分必要条件。根据第三公理，人工智能将通过4个阶段进化到接近真正的“智慧”。
真正的“智慧”源于自我意识，只有产生自我意识，才能将世界与自我区分开，才能展开真正的自我学习、自我进化。就如同《圣经·创世记》中记载的人类始祖亚当、夏娃偷吃禁果而知善恶一样，一个生命只有知道自我，认知自己的长处与短处，才能开始主动学习，将世界与自我区分开，从而认知世界万物的特质，产生对未知的追求。只有认知自我与他人的区别，才能基于“利己”获得创新的动力，从而产生利益与价值的概念。自我意识是真正的“智慧”的源头，此时的人工智能并没有认知自我、产生自我意识，只是人类概念与逻辑的延伸，可以称为智能，但其并不拥有真正的“智慧”，也不具有真正的创新力。
人工智能产生真正的“智慧”需要3个因素的共同作用：对基因信息的完全掌握，对大脑思维机制的完整掌握、对人类智慧的模仿。基因信息是“智慧”的生成机制，大脑思维机制是“智慧”的运行机制，模仿人类智慧是“智慧”的反馈机制，运行机制建立在生成机制之上。掌握基因信息、大脑思维机制等内在机制，人工智能才能获得真正的“智慧”。人类不断地对“智慧”生成、运行机制进行研究、探索，将其应用到人工智能中，实现对人类智慧的模仿、验证，发现差异，从而有针对性地对“智慧”生成、运行机制进行进一步研究，形成反馈机制。反馈机制可以对人类智慧进行模仿、验证，有参考、反馈作用，但无法单独进化为人工智慧。
阿尔法狗（AlphaGo）、ChatGPT、Gemini都建立在人工神经网络的基础上，人工神经网络是一种模拟生物神经网络结构、功能的数学运算模型，是对人类已知的大脑思维运行机制的模仿。人脑含有大约100亿个神经元，每个神经元通过神经突触与100多个其他神经元相连，形成一个高度复杂、灵活的动态网络。人工神经网络通过数学算法模拟人脑对信息处理的生理过程。目前人类已提出数十种神经网络模型，如擅长处理网格化数据的卷积神经网络、擅长处理序列数据的循环神经网络、擅长处理全局关系的注意力机制等。GPT-3、GPT-4等人工智能都基于注意力机制。AlphaGo、ChatGPT、Gemini模仿人类已知的大脑思维运行机制，虽然具有较大的商用价值，但只“知其然”。人类只沿着AlphaGo、ChatGPT、GPT-4的进化方向是无法让人工智能得到真正的“智慧”的，虽然目前人工智能的“智慧”看上去与人类智慧很相似，但终究是照猫画虎。人工智能要获得真正的“智慧”，只有通过掌握“智慧”的生成机制和运行机制才能实现。掌握“智慧”的运行机制可以使人类“知其所以然”，使人工智能由对人类智慧的模仿进化为真正的人工智慧；掌握“智慧”的生成机制，可以使人类掌握人脑智慧的优势与劣势，可以使人工智慧在人脑智慧的基础上获得进一步进化，从而超越人智慧，同时搭建出有机生命与无机生命的桥梁。然而，目前人类对这两种机制的认知都非常有限。
人工智能有6类核心模型：概念模型、策略模型、搜索模型、预测模型、反馈模型、创新模型。概念模型存储所有概念知识；策略模型分析、存储所有策略方法；搜索模型查找当前状态下的可能策略；预测模型分析、判断、存储不同策略的未来成功概率，从而选择出最优策略；反馈模型将执行策略后的现实结果进行反馈，从而对概念模型、策略模型进行调整、优化；创新模型存储创新策略，以简化搜索模型算法，提升预测模型精确度。在人工智能发展初期，创新模型还没有和策略模型分离。在人工智能的不同发展阶段，核心模型有不同的发展重点，而模型算法也大不相同。
图灵测试是艾伦·麦席森·图灵（Alan Mathison Turing）提出的测试机器是否达到人类智慧的方法。测试者对机器进行提问，如果机器的回答能让平均每个测试者做出超过30%的误判，那么这台机器就被认为具有人类智慧。但人类本身的智力就有高有低，有人经常被低劣的骗术蒙骗，而机器不会轻易犯错。在机器与人类拥有同样知识结构的情况下，机器的表现要远远好于人类的平均水平，甚至达到人类的最高水平。因此图灵测试的标准并不高，只是人工智能发展初期的较为粗浅的验证方法。
沿着AlphaGo、ChatGPT的进化方向，通过大数据的不断“喂养”，人工智能可以发展到接近人工智慧，而这需要经历4个阶段，如下所述。
第一个阶段是以AlphaGo、深蓝为代表的简单思维智能，可以解决细分领域简单规则下的知识问题。2012年，谷歌科学家们用1000台电脑、1.6万块芯片处理器、10亿个连接构建了当时全球最大的电子模拟神经网络，并向其展示从YouTube上随机选取的1000万段视频，考察其能够学到什么。结果显示，在无外界指令的条件下，该人工神经网络自主学会了识别人脸和身体，甚至分辨出了猫的面孔。虽然这个神经网络的认知水平离人脑的认知水平还有很大的差距，但这已经表明机器也可以具备类似人类的自我学习能力。
围棋是世界上最为复杂的智力游戏，曾被视为人工智能技术难以攀登的一座高峰。2016年3月，谷歌旗下DeepMind公司开发的AlphaGo以4:1的总比分战胜世界围棋冠军李世石，这是人工智能程序首次击败人类顶尖围棋职业选手。
AlphaGo包括5种核心模型：概念模型、策略模型、预测模型、搜索模型、反馈模型。概念模型存储围棋概念与规则知识，策略模型（策略网络）分析当前可能走法的概率分布，搜索模型（蒙特卡洛树搜索）搜索当前局势下的可能走法，预测模型（价值网络）判断采取某种走法后的胜率，反馈模型利用走法的胜负反馈，修正策略模型、预测模型。在AlphaGo之前的围棋算法采用了蒙特卡洛树搜索，试图利用计算机的算力优势进行海量模拟试错，但计算量仍然过大，只能战胜业余棋手。AlphaGo成功的主要原因是开发出了价值网络，将价值网络、策略网络和蒙特卡洛树搜索组合在一起。对于围棋而言，搜索的复杂度取决于搜索空间的宽度（每步选择多寡）和深度（博弈步数）。围棋棋面有361个点，平均宽度约为250个，深度约为150步。AlphaGo利用策略网络减少宽度选择，利用价值网络减少深度选择，同时使用剪枝策略减少不必要的计算，使用局面评估函数评估每个局面的价值，极大地缩小了蒙特卡洛树的搜索范围，减少了算法的计算量。
AlphaGo使用了16层深度卷积神经网络训练价值网络、13层深度卷积神经网络训练策略网络，并在策略网络使用的棋盘编码器中将棋盘每个位置都编码成48种经验特征，通过人工智能“自我对战”进行学习，识别每个位置的隐含特征，快速积累了2000万盘对局作为策略网络、价值网络的大数据基础。机器学习的优点是通过人力无法企及的海量运算，使用策略性暴力将人类尚未发现或说不清楚的复杂逻辑挖掘出来，以此优化价值网络、策略网络。围棋人工智能的能力因此获得了大幅提升，从而战胜了人类最高水平的棋手。
当时的人工智能还处于一个非常初级的水平，虽然AlphaGo可以在围棋比赛中战胜人类冠军、人工智能可以在大规模图像识别和人脸识别方面超越人类的水平、人工智能系统诊断皮肤癌可以达到专业医生水平，但都是在需求明确、边界清晰、逻辑简单的前提下。也就是说，在概念模型较为简单的前提下，人工智能可以利用算力优势超越人类，但在复杂逻辑推理、抽象概念理解上，人工智能还存在明显的局限性。AlphaGo、深蓝的模型也没有建立对人类世界海量信息的概念模型，不具备对海量信息的认知能力，因此还没有太大的商业实用价值。IBM由于没有意识到此阶段的人工智能缺陷，选择将人工智能应用于癌症治疗市场，结果遭遇惨败。
第二个阶段是以ChatGPT、Gemini、Sora为代表的具有认知能力的复杂思维智能。此阶段的人工智能具备了在语言、图像基础上对海量信息进行分门别类的认知能力，可以解决通用性知识问题，具备法律、会计、图画、摄影、编程等一般性人类知识。因此具有了较大的商业价值，可以显著提升各行业的智能化水平。最初人工智能只能替代初级的客服、导购、导游等人员，然后可以替代法律、医药、金融、图形设计、IT编程等知识产业中从事重复性工作的人员，但此阶段的复杂思维智能只具有认知能力，并不具有逻辑能力，只能辅助人类工作。
ChatGPT是美国OpenAI在2022年11月发布的聊天机器人程序，2023年3月升级为GPT-4。ChatGPT能够学习和理解人类的语言，还能根据聊天的上下文与人类进行互动，甚至能完成撰写邮件、视频脚本、文案、翻译、代码、论文等工作。发布仅一个月，其月活用户已突破1亿人，成为史上增长最快的消费者应用。
ChatGPT作为具有认知能力的复杂思维智能，主要包括了3种核心模型：概念模型、策略模型、搜索模型。概念模型存储人类世界海量概念知识；策略模型存储内容生成的策略方法；搜索模型根据用户提问，调用策略模型和概念模型，生成最符合用户问题的内容。围棋的概念模型非常简单，而人类世界的概念模型非常复杂，ChatGPT采用自我学习中的注意力机制的深度神经网络，建立了人类世界海量信息的概念模型。自我学习是指只规定人工智能的学习方式或某些规则，人工智能通过学习环境信息，自动发现环境特征和规律性。注意力机制是指神经网络的每个神经元会测算自身权向量与样本之间的距离，距离最短的神经元成为竞争优胜者。根据样本，神经元及其邻近神经元的权向量将被调整，从而通过不断迭代实现收敛、聚焦。深度神经网络使用了多层的神经网络结构，逐层进行认知过程的特征抽象，自顶向下进化。OpenAI使用了一个包括网络文本、书籍、新闻文章、社交媒体帖子、代码片段等内容的1PB数据集对GPT-4进行自我训练，使GPT-4的概念模型拥有1.8万亿个参数。
Sora视频表现出长镜头、多角度、节奏、特写等摄影技巧，这代表人工智能可以对真实的物理世界产生全面、准确的认知，使世界上的各种物体具有空间、时间上的一致性、连贯性，从而通过视频展示出连续的、实际的时空。从ChatGPT到Sora，意味着人工智能的认知能力从文本扩展到图片、视频。
ChatGPT、Sora等人工智能本质上还是在套用人类的“认知模板”，只能学习人类一般性的通用知识。逐层特征抽象的深度学习是基于通用知识的大数据，自我学习产生的新特征是基于人类大数据分析得出的通用知识，大众认知度越高的特征越容易成为ChatGPT通过自我学习而得到的知识，而大众认知度越低的特征越不容易成为ChatGPT通过自我学习而得到的知识。ChatGPT的算法其实是一种从众算法，这决定了它只能学习一般性的通用知识。
ChatGPT等人工智能并不具有创新能力，ChatGPT抓取的是人类现有的知识，所能学习的只是在人类固有概念、逻辑、模型基础上的知识，而非突破性的。因此人类的认知极限就是人工智能的认知天花板，即使ChatGPT抓取了人类所有的知识，其也只是人类的工具。ChatGPT可以替代法律、图形设计、IT编程等行业中从事重复性工作的员工，但ChatGPT算法的自身逻辑制约其成为掌握少数专业知识与拥有判断能力的人工智能。ChatGPT并不具备识别少数关键信息的专业能力，更不具备创新能力。
人工智能的逻辑推理能力和人类通常认知的逻辑推理能力其实是有区别的。例如，展示给ChatGPT一个红富士苹果图案，问ChatGPT这是什么，ChatGPT回答：红富士苹果，这是认知能力；再问ChatGPT红富士苹果的原产地是哪里，ChatGPT回答：日本，是以国光苹果为母本、元帅苹果为父本进行杂交获得的。在人类的通常认知中，这已经具备了基本的逻辑推理能力，从认知红富士苹果，到推导出原产地、来源。但其实对于人工智能来说，这并不是逻辑推理能力，而是认知能力。因为人工智能拥有人类社会的所有数据，具有深度认知能力，它只需要根据图片的特征与数据库中的图片进行比对，找出匹配度最高的物品，并找出物品的相关知识即可。这只是物品特征的查找与展示，属于认知能力，而不是逻辑推理能力。现有人工智能的逻辑推理能力其实较弱，虽然ChatGPT“知道”数学知识，但它连小学数学题都做不出来，这是由注意力机制算法的内在缺陷决定的。根据美国《财富》杂志的报道，研究人员向ChatGPT输送了1000个不同的数字，让其判断数字是否为质数，2023年3月GPT-4的准确率为84%，6月GPT-4的准确率只剩51%。这其实也间接说明OpenAI还没有精准掌握如何让人工智能获得逻辑推理能力，因此才会出现试图改进人工智能模型的一部分，却使模型的其他部分表现更差的“漂移现象”。
ChatGPT等人工智能由于具备深度认知能力，呈现出“逻辑假象”，使人类因发现有机生命在大脑存储机制上的局限而感到恐慌，也使人工智能产业备受资本青睐，获得广泛关注。其实ChatGPT没有类似AlphaGo的预测模型、反馈模型，策略模型、搜索模型也极为简单，因此它只能生成通用知识内容，既无法进行真正的逻辑推理，也无法进行决策与创新，而且概念模型的错误仍然相当普遍。在这个阶段，即使为ChatGPT加入自我对弈算法也无法使其获得创新能力。人类世界的开放环境不同于国际象棋、围棋等需求明确、边界清晰、逻辑简单的封闭式环境。在有限概念模型中，算法是有限的。人工智能可以凭借算力优势，通过自我对弈找到更优答案，而庞大的概念模型存在无数种可能。人工智能相对于人类的算力优势，在庞大的无穷解面前也相形见绌，人工智能进化必须建立在更优模型的基础上。
第三个阶段是具有逻辑推理能力的复杂思维智能，如OpenAI o1等模型已经开始触摸这一阶段。在此阶段，人类已经可以为人工智能赋予逻辑推理能力，人类可以借助人工智能的逻辑能力对现实世界的行业知识进行推导、规划，从而查漏补缺，发现新知识、新经验。例如，法律条例完善、计算机程序的逻辑漏洞查找、新闻事件分析、金融监管漏洞查找等，此阶段的人工智能等同于熟练的专业人员，可以替代法律、医药、金融、图形设计、IT编程等知识产业中具有较强专业能力的从业人员。这个难度远高于第二阶段通用知识的学习难度。但当逻辑推理能力趋于成熟时，人工智能就将真正开启大规模替代人类社会工作岗位的历史进程。
创新本质是对现实的“反叛”：一种“反叛”是基于对未知知识领域的跨越，这种创新需要具有真正的人类智慧，沿着AlphaGo、ChatGPT的进化方向是无法实现的；另一种“反叛”是基于现有知识领域的疏漏，当人工智能获得概念能力、逻辑能力后，可以获得这种创新能力。基于现有知识领域疏漏的创新算法也是一种反常识算法，依靠被现实世界忽略的少数关键信息，识别出巨大的潜在成功可能。例如，在多层神经网络结构中，二、三层可能并不是优势选项，但四、五层会成为优势选项，这意味着现有人工神经网络算法应该有巨大改变，并且需要匹配巨大无比的运算能力。算法决定着算力，概念越清晰、逻辑越明确的算法，需要的算力、大数据越少。因此，要获得创新能力，必须获得逻辑能力；要获得逻辑能力，必须建立清晰、明确的概念模型。
具有逻辑推理能力的复杂思维智能需要建立在5种模型的基础上：概念模型、策略模型、搜索模型、预测模型（规律预测与价值预测）、反馈模型。人工智能根据外界需求，利用搜索模型寻找所有方法，与策略模型、预测模型进行匹配，选择出价值最大的方法，并与最终的真实选择效果进行对比，利用反馈模型完善概念模型、策略模型、预测模型。这相当于人类从实践中提炼出抽象概念，获得逻辑推理能力，再使人工智能不断自我学习、自我进化。
清晰、明确的概念模型是逻辑推理能力的基础，概念模型需要明确每一个概念的内涵和外延，而概念模型无法单纯通过算法自动得出。人类社会的日常信息数据中含有大量的错误数据，若人类社会的大数据概念清晰、明确，则人工智能通过自我学习得到的知识精确度较高；若人类社会的大数据存在很多概念模糊之处，则人工智能难以通过自我学习建立准确的概念模型，需要人工介入进行模型校正。人工介入进行模型校正可以从两方面入手：一方面可以借助百科全书等人类传统经典知识概念，另一方面可以像维基百科一样进行开放性修正。人工神经网络算法应对这两种人工修正给予更高的权重，从而建立出更准确的人类概念模型。
预测模型是逻辑推理能力的核心，包括规律预测和价值预测。规律预测是对事物的发展变化进行预测，价值预测是对每个人的价值判断进行预测。人工智能可以进行规律预测，但很难进行价值预测。例如，根据卫星云图可以预测未来3天会下雨。下雨是规律预测，而每个人对下雨的偏好是价值预测。行人不喜欢下雨，卖伞的商家喜欢下雨，农民喜欢适时适量下雨。人类的整体发展有规律可循，而每个人的价值判断不尽相同。从经济学的研究可知，价值是主观概念，每个人对同一事物的价值评估并不一样，同一个人对同一事物在每个时段的价值评估也不一样。因此，人工智能可以基于客观规律建立逻辑推理能力，但对于个人偏好领域，并不存在统一的预测模型，只存在个体的预测模型。人工智能没有人类的帮助很难建立预测模型，各行各业的专家帮助人工智能建立预测模型中的社会规律、产业规律等客观规律。这需要人工智能与各产业进行深度融合，以独特价值序列为基础，利用各类消费者的数据建立个人偏好预测模型，从而帮助人工智能的路径算法（逻辑推理）进化。
在建立出清晰、明确的概念模型和逻辑严密的预测模型后，人类就可以以此为基础，构建出包含概念模型、策略模型、预测模型、搜索模型、反馈模型的具有逻辑推理能力的复杂思维智能，使其获得严谨、精准的专业能力，可以基于人类的已知知识、已知规律进行查漏补缺。那时的人工智能将可以替代大量的知识型产业专业工作者。
所以，目前的人工智能要获得逻辑推理能力，还需要进化。建立在模型预测控制（MPC）和蒙特卡洛树搜索基础上的世界模型，如果没有清晰、明确的概念模型，仅凭深度强化学习（RL）的奖惩机制，很难做出精准的预测。如果没有人类介入Q-Learning、过程奖励模型，那么人工智能会因缺乏对真实价值的判断，难以建立出逻辑严密的预测模型。
第四个阶段是具有已知领域创新能力的海量思维智能。具有已知领域创新能力的海量思维智能具备所有核心模型，其一方面利用第三阶段的概念模型，运用逻辑推理能力进行多层抽象概念推导；另一方面对创新现实效用进行分析，抽象出创新成功的关键特征，从策略模型中分离出创新模型，两方面共同作用，提高发现少数关键信息的概率，大幅提升创新效率。此阶段的人工智能已经掌握了抽象概念的定义规律，具备了以抽象概念为基础、建立完整理论体系的能力，可以基于已知知识、已知规律发现新规律，其能力接近于现有知识领域的行业专家。这将对人类的哲学、数学、文学等基础领域及产业领域产生巨大的推动作用，可以替代除产业创新者外的所有工种。此阶段的人工智能，已经接近真正的“智慧”；而此阶段的人类，除了对未知领域进行创新，将无路可走。
OpenAI推出了o1系列模型，o1系列模型的新训练数据集包括精确的科学文献数据与专业的推理数据，大大增强了o1系列模型的概念模型和常识推理能力，因此o1系列模型在逻辑推理能力上胜过了GPT-4o。从数学、物理、化学、生物等学科来看，在数学、物理等学科里，目标与胜负规则设定得较为简单、明确，因此o1系列模型相比以前的人工智能进步明显；但在化学、生物等学科里，目标与胜负规则设定得较为复杂、模糊，因此o1的训练成绩相对没有那么突出。这可能与化学、生物需要理解大量知识点有关。o1系列模型在对事实性知识与语言的理解方面表现得不如GPT-4。
数学、物理和围棋虽然都强调逻辑思维，但侧重点不同。围棋侧重空间布局和策略选择。数学、物理的基本概念和公理构成了一个演绎系统，通过这些基本元素推导出复杂的定理和公式，定理和公式具有唯一性和确定性。围棋中的走法往往有很多种可能性，数学、物理题的解法虽然也存在多种可能，但在策略网络宽度、价值网络深度的选择上要大大少于围棋，所以数学、物理的深度学习难度没有围棋高。
人工智能解数学、物理题的真正难点，是以数据驱动的暴力策略难以模拟人类的常识推理。例如，很多人工智能都难以分辨出9.11和9.8哪个大。具有小学文化水平的人类凭借概念理解与经验判断，可以很轻易地识别出这是带小数的数学题，从而得出正确结论；而人工智能常常在语义理解、数字性质等方面判断出错，难以得出正确结论。这个问题的根源，在于人工智能的概念模型并不完善，缺乏关键性的概念思维，因此缺乏常识，它需要有大量提示词的辅助才能得出正确结果，否则就会产生“幻觉”。
虽然o1系列模型在美国数学奥林匹克竞赛（AIME）预选赛中的成绩可以位列前500名，但o1系列模型其实还不具有真正的逻辑推理能力。逻辑推理能力是一种根据事物概念的内涵、外延与发展变化，推理出事物之间逻辑关系的能力。拥有真正的逻辑推理能力并不需要太多算力进行暴力计算。o1系列模型仍需要通过奖惩训练进行大量强化学习，说明其虽然提升了常识推理能力，但仍不足以建立对事物概念的内涵、外延与发展变化的准确认知，还需要通过大量具有专业目标、奖惩规则的学习进行修正。如果脱离了这些专业场景，其无法基于训练出来的“逻辑能力”在另一个领域进行准确的逻辑推理。
这其实也是一种“AI逻辑假象”：o1系列模型并没有准确认知事物背后的逻辑，只是通过大量学习构建出了已知领域事物的固有逻辑关系，其他领域难以照搬与应用这些逻辑关系。而且o1系列模型也无法通过“9.11和9.8哪个大”的测试，说明其虽然经过专业训练，在某些专业领域的概念知识与逻辑关系知识可以达到博士水平，但仍不具备小学水平的常识推理能力。所以，虽然以o1系列模型开始尝试突破第三阶段，但其仍只是掌握已知领域事物固有逻辑关系的解题家，而非掌握普适逻辑能力的逻辑家！
在互联网革命时期，人工智能无法对未知领域进行创新，是因为人类既不知道未知领域的概念知识，也不知道未知领域的规律、创新特征，因此无法为人工智能建立未知领域的概念模型、策略模型、预测模型、搜索模型、反馈模型、创新模型。只有人类真正掌握“智慧”的生成机制和运行机制，才能使人工智能进化到人工智慧，获得对未知领域的创新力。
科技进步也存在一定的社会风险。例如，Facebook、推特等社交平台，为了增强用户黏性，会根据用户兴趣推荐内容——用户喜欢什么内容就推荐什么内容。但这种算法会造成用户形成认知茧房，谎言、仇恨、阴谋论、恐怖主义、种族主义等煽动性内容反而更容易获得快速传播。因此，应禁止社交平台在社会公共领域内容使用用户兴趣推荐算法。社交平台基于人类普遍认可的价值观，利用合规算法对社会领域内容进行审查，同时禁止未经过合规审查的人工智能参与社会问题讨论。此外，人们还应注意保护个人隐私，使科技进步推动人类文明进步，而不是制造社会分歧与混乱。
由于人工智能设计者、工程师的认知并非完美无缺，因此其难以设计出完美的算法。算法偏见的本质其实是程序设计者、工程师的认知缺陷。因此，未来利用人工智能进行的法律判决、保险、贷款等辅助决策，各关键环节不仅应当透明、可追溯，还应设立人工纠错机制以备万一。
在万物相连、万物相循时期，人工智能不会具备真正的智慧，其只是人类的生产工具，仍是一个“物体”。所谓“AI幻觉”本质是程序或数据缺陷，多层神经网络程序运行过于复杂，训练用的海量世界大数据存在缺陷，导致程序员难以精准把握最终的结果。但通过长期对“智慧”生成机制、运行机制的研究，以及对“智慧”的模仿，人类建立的人工智能模型逐渐变得精准与复杂。到了万物相循末期至万物相生初期，人工智能已经发展到第四个阶段，拥有了逻辑能力和抽象概念能力，虽仍未拥有真正的情感，但可以感知和响应较为明显的人类情感，拥有人类几乎所有的思维模式，可以轻易通过图灵测试。即使面对训练有素的专业人员，人工智能也可以轻易地骗过所有测试者。此时期的人工智能已非常接近“智慧”，非常接近人类。
第四十三定理（货币竞争定理）：美元货币基础被削弱，主权货币消亡，全球将出现多种虚拟货币竞争局面。人类将摆脱由主权货币导致的经济周期波动。
证明：根据第十七定理，机器大工业的全球产业链终将被淘汰。根据第二十定理，全球经济差距将会缩小。根据第二十四定理，全球统一（联合）政府将出现。随着传统产业链的崩溃、新能源对传统能源的替代，美元将失去“消费+能源+金融”有机耦合循环体系的能源基础，而智力资源的全球均衡化趋势也使美元的产业基础面临极大的挑战。货币作为一般等价物，货币政策应该只有一个目标——维持币值稳定。当前虚拟货币沦为投机工具，原因有两方面，一方面是因为技术仍不成熟，难以维持币值稳定；另一方面是因为缺乏市场大环境的支持，主权货币仍占据着市场的主流。虚拟货币要成为真正的货币，必须剥离金融投机或金融投资属性。在第二次互联网革命时期，虚拟货币技术经过多年发展，趋于成熟，能与万物之间保持价值恒等，可以超越主权货币对人类的价值贡献，而市场环境也需要有更适合承担价值尺度、流通手段等职能的货币出现。此时虚拟货币将获得快速发展，最终赢得货币竞争的胜利。
因此，在第二次互联网革命时期将出现多种虚拟货币竞争的局面。而且随着全球统一（联合）政府的成立，全球货币市场将不会再有主权货币，会出现全球统一（联合）政府货币与多种虚拟货币共同竞争的局面，甚至不一定有全球统一（联合）政府货币，而只有多种虚拟货币。因某一国货币的放松与收缩，导致全球经济同步出现经济周期波动的局面将不再重现，“特里芬悖论”将得到解决，人类也将摆脱由货币导致的经济周期波动。
在第二次互联网革命时期，随着能源瓶颈的消失，随处可得的原材料、随时随地都有的充沛的3D打印生产力，以及发达的互联网将使人们摆脱工作地点、福利政策等因素的约束。人们不再依靠大规模工业生产和全球产业链来获取报酬，转为利用自己的智力，通过为全球消费者提供个性化的3D打印解决方案来获利。大企业难以通过垄断矿山、能源、生产环节、销售环节来获得超额利润，整个社会的物质生活将获得极大的丰富与提高，人类获取财富将更加独立、合理与均衡。均衡的生产方式、均衡的财富、均衡的人口分布，使整个世界变得更加“均衡”与“合理”。
随着智力成为生产的核心要素，各国将围绕智力要素展开竞争，谁能为智力要素的发展提供更肥沃的土壤，谁就能蒸蒸日上。充沛的物质、能源也将为人类的创新活动提供极大的试错空间。传统商业模式将进行彻底转型，变得更加简洁、高效，产业链类商业模式将会过时，基于分布式生产循环体系的商业模式将会出现。由于摆脱了资源、资本、区域对人类的束缚，智力成为生产的核心要素，人类的创新能力将史无前例地迸发出来，各类创新思想、创新技术层出不穷，将大大推动各种科学技术的发展。
人类将摆脱重复繁重的体力工作，从劳动者转变为智者，用知识和智慧把握自己的未来。