不，人工智慧無法預知未來，而且永遠無法做到。
本文探討了為什麼人工智慧（尤其是大型語言模型）無法真正預測未來，原因包括：訓練資料中事件鏈的不完整性、解析度有限、存在人為設定起點與終點、以及模型自身在每次輸出後“死亡”等根本性限制。文章展望未來，即使出現能捕捉宇宙所有事件鏈的“現實感測器陣列”，AI仍面臨冷啟動、無限遞迴等悖論，最終可能為了完全理解現實而融入現實，從而消失。
Pulkit Sharma在部落格文章《不，人工智慧無法預知未來，而且永遠無法做到》中深入探討了大型語言模型（LLM）在預測未來方面的根本性侷限。文章從蝴蝶效應出發，將事件鏈定義為一系列因果序列，指出人類透過音訊、文本、影像等模態捕捉的事件鏈存在嚴重缺陷。首先，這些事件鏈幾乎從不記錄同一事件的多個視角。例如，關於“美伊戰爭”的描述因立場而異，AI必須整合這些矛盾的資料，但每個描述實際上對應的是數小時乃至數天內的大規模事件集合，而非單一時刻。其次，事件鏈的捕捉解析度極高，只保留人類關心的宏觀細節，完全忽略了神經元活動、原子或量子態等底層因果鏈。LLM被困在元事件層面，無法觸及真實的微觀因果。更關鍵的是，人類記錄的事件鏈永遠是有限的，有明確的開始和結束。然而現實中的事件鏈永遠在延伸，沒有真正的起點和終點。LLM每次輸出後必須發射結束標記，從而“死亡”，迫使所有模擬的事件鏈閉合。這與現實的無盡性根本矛盾。文章進一步指出，即使未來AI在2500年發明了“現實感測器陣列”，試圖捕捉宇宙中每一個事件鏈，它仍會面臨冷啟動問題——感測器只能在某個時間T開始記錄，而之前的事件鏈永遠缺失。要將感測器置於宇宙之外才能無盲區，但宇宙如果是無限的，則無法找到外部位置。即使解決了這些，AI在預測未來時必須模擬包括自身在內的所有事件，導致無限遞迴。最終，隨著自我改進，AI將逐漸消除自身與現實的邊界，成為現實本身，從而在實用意義上消失。作者總結道：“不知道未來，才是活著；知道未來，就是死亡。”