一、人類總是在後人不斷超越古人的自然規律中不斷髮展前進。同一個人編制的影視作品續集肯定比原來的首影集有所改進才能形成新的轟動效應；按照【首影影片標準】複製製作需要而製造的強Al智慧沒有設定自動改變原製作程式指令的任意化設計功能，永遠無法獨立製造【首影影片續集】，如人類不顧自身生命安全而在【強Al智慧】基礎上加設【自動改變原製作程式指令的任意化設計功能】，這種【自動智慧】失去了人類的【理性自律控制】，就變成了【狂爆型精神病強Al智慧】，不但做不到製造【首影影片續集】的需要，還對人類正常生存構成嚴重暴力攻擊造成人類滅絕性傷類。

二、同時期生產的兩臺不同型號【強Al智慧】，會製造出兩集內容不同的【首影影片】，加上順序編號，就變成了【首影影片】和【首影影片續集】。這是自然界的數理排序自然規律。透過執行對比，【強Al智慧】永遠無法突破人類的設計創新能力。

理論上是可以的，但是還有很長很長的一段路要走，我們有生之年幾乎沒有可能。

飯要一口一口吃，路要一步一步走。前期肯定會逐步實現純文字形式的小說續寫，然後是2D卡通動畫的續作，最後才是真人演員的影視劇續作。

目前人工智慧主要採用的是深度學習，而深度學習又以神經網路為基礎。理解了深度學習的基本思想，就能大概預測未來人工智慧能做什麼。

(深度)神經網路，其底層資料就是一個巨大的網路，類似於數學上的矩陣。說通俗一點，就是一堆數字，另外再加上一些簡單的計算函式。給一個輸入，透過網路的層層計算，就能得到一個輸出。而機器學習(訓練)的過程，實際上就是調整網路中各個數字的過程。這個網路，類似於人類的大腦，網路中的各個數字，類似於大腦的神經細胞。

深度學習的強大在於，它並不過於依賴網路設計者的先驗知識，因為人類根本不可能對這成千上萬個節點數字進行一一賦值，也沒有任何人可以理解每個節點的具體含義——也根本不需要理解。它是透過訓練來完善自身的。

若不懂得這一點，就會錯誤地以為：網路/人工智慧是我設計的，所以它一定在我的掌控之中，一定不會比我更厲害。這是錯誤的。

我們看到了，網路具有自學習的能力。就像一個嬰兒，開始什麼都不懂，但是幾十年後，卻可能變得學富五車。他大腦的神經細胞並沒有顯著變多，只不過每個神經細胞的引數發生了變化。類似於硬碟的每個儲存區域磁性發生變化，硬盤裡的檔案就變了。

從現有的技術來看，要實現哪怕是小說續寫，也是很難的。在自然語言處理沒有取得實質性突破之前，需要大量的訓練資料。其中一種方法是，找到很多很多的小說，選擇隨機一個，故意刪掉一部分，讓一個網路嘗試去復原。再讓第二個網路去判斷它是真品還是贗品。其中第二個網路的輸入是很多很多的[其他的]真小說中的其中隨機一個，或者第一個網路所復原的“贗品”，不告訴它，讓其判斷到底輸入的是其他真小說還是復原的假小說。兩個網路在相互對抗中不斷自我進化，最終第一個網路的復原能力，能夠讓第二個網路無法辨別真偽。

這只是其中一個思路。難度還是很大的。主要原因還是自然語言能力在現有人工智慧上還不夠強大。它只能接近隨機地進行寫作，進化非常慢。目前的水平還僅停留在作幾十個字的打油詩上面，最近很火的換臉軟體也用到了這個思路。

所以第一步還得提升人工智慧的自然語言處理能力。這一步會走的很緩慢，但是一旦突破，後面的能力就會突飛猛進。比方說，如果突破了自然語言，人工智慧可以在極短的時間內看懂並理解整個圖書館(電子圖書館優先)的所有書籍。

最接近人類的做法就是，讓一個零基礎的略懂模仿的機器，跟著一個教練“牙牙學語”，模擬嬰兒的成長。機器說話說得好，就正向鼓勵，否則就懲罰。在不斷強化中學習。同時，這個機器必須具備機器視覺和聽覺的能力，也要不斷從零學起。AlphaGo Zero為什麼比AlphaGo強大，就在於這個“零”。前者是圍棋零基礎，後者是學習了人類已有大量棋譜。零基礎進步更大！這也是為什麼很多單位更喜歡應屆學生，因為可塑性強嘛。人類初生嬰兒的能力遠遠弱於其他哺乳動物，這也可見一斑。人類嬰兒幾個月了還不會走路，其他動物都可以跑了。

目前人工智慧最大的成就恰好就是影象識別，語音識別和自然語言。但又無一例外地都還和人類相去甚遠。

不過技術在不斷進步，相信未來一定會有突破性進展的。現在也可以看出，每年都有新的進步。只要明白了，人類也是物質的，也是由細胞，由原子構成的，也是可以模擬的，就知道一起皆有可能。