不，人工智能无法预知未来，而且永远无法做到。
本文探讨了为什么人工智能（尤其是大型语言模型）无法真正预测未来，原因包括：训练数据中事件链的不完整性、分辨率有限、存在人为设定起点与终点、以及模型自身在每次输出后“死亡”等根本性限制。文章展望未来，即使出现能捕捉宇宙所有事件链的“现实传感器阵列”，AI仍面临冷启动、无限递归等悖论，最终可能为了完全理解现实而融入现实，从而消失。
Pulkit Sharma在博客文章《不，人工智能无法预知未来，而且永远无法做到》中深入探讨了大型语言模型（LLM）在预测未来方面的根本性局限。文章从蝴蝶效应出发，将事件链定义为一系列因果序列，指出人类通过音频、文本、图像等模态捕捉的事件链存在严重缺陷。首先，这些事件链几乎从不记录同一事件的多个视角。例如，关于“美伊战争”的描述因立场而异，AI必须整合这些矛盾的数据，但每个描述实际上对应的是数小时乃至数天内的大规模事件集合，而非单一时刻。其次，事件链的捕捉分辨率极高，只保留人类关心的宏观细节，完全忽略了神经元活动、原子或量子态等底层因果链。LLM被困在元事件层面，无法触及真实的微观因果。更关键的是，人类记录的事件链永远是有限的，有明确的开始和结束。然而现实中的事件链永远在延伸，没有真正的起点和终点。LLM每次输出后必须发射结束标记，从而“死亡”，迫使所有模拟的事件链闭合。这与现实的无尽性根本矛盾。文章进一步指出，即使未来AI在2500年发明了“现实传感器阵列”，试图捕捉宇宙中每一个事件链，它仍会面临冷启动问题——传感器只能在某个时间T开始记录，而之前的事件链永远缺失。要将传感器置于宇宙之外才能无盲区，但宇宙如果是无限的，则无法找到外部位置。即使解决了这些，AI在预测未来时必须模拟包括自身在内的所有事件，导致无限递归。最终，随着自我改进，AI将逐渐消除自身与现实的边界，成为现实本身，从而在实用意义上消失。作者总结道：“不知道未来，才是活着；知道未来，就是死亡。”