，现在用ai几分钟就能出初稿。
但生成内容的“原创性”和“准确性”是个大问题。一方面，部分生成内容存在“抄袭痕迹”——大模型是靠学习互联网数据训练出来的，如果训练数据里有别人的原创作品，大模型可能会在生成内容时“照搬”里面的句子、结构，导致侵权。比如某ai写作工具生成的文章，里面有一大段和某作家的散文一模一样，就是因为训练数据里包含了这篇散文。另一方面，大模型容易出现“幻觉”——就是生成不存在的信息，还说得跟真的一样。比如写学术论文时，大模型可能会编造虚假的参考文献（作者、期刊、发表时间都是假的）；写技术文档时，可能会给出错误的技术参数（比如把某设备的功率写成1000瓦，实际只有100瓦）。这些错误如果没被发现，很可能会导致严重后果，比如学术造假、产品设计出错。
再看“逻辑推理能力”：大模型能解简单题，但搞不定“复杂推理”。在简单逻辑任务中，大模型的表现已经很优秀了，比如数学计算，某数学大模型能解决高中阶段的数学题（比如函数、几何、概率），准确率超过90，比很多学生都厉害；再比如逻辑判断，像“如果a是b的爸爸，b是c的妈妈，那么a和c是什么关系”这样的问题，大模型能快速给出答案（祖孙关系）。
但面对“复杂逻辑推理”，大模型就容易“断片”。比如多步骤数学证明，像证明“勾股定理”“费马小定理”这样的问题，需要一步步推导，每一步都要基于前面的结论，大模型可能推到中间就出错了，或者跳过关键步骤，导致整个证明过程逻辑断裂。再比如复杂问题拆解，像“如何解决城市交通拥堵问题”，需要从交通规划、公共交通、限行政策、智慧交通等多个方面分析，还要考虑各方面的关联性（比如增加公交车数量可能会减少私家车，但也可能导致道路更拥挤），大模型只能给出零散的建议，没法形成完整的、有逻辑的解决方案。
除此之外，大模型的能力还受“训练数据”限制。一方面，训练数据有“偏见”，模型就会有“偏见”。比如训练数据里如果有很多“性别偏见”的内容（比如“女性不适合做工程师”“男性不适合做护士”），大模型生成的内容也会带有这种偏见——当用户问“谁适合做工程师”时，模型可能会回答“男性更适合”。另一方面，训练数据有“时效性”，模型没法回答“最新问题”。大模型的训练数据都是截止到某个时间点的（比如某模型的训练数据截止到2024年3月），如果问它2024年3月以后的新事件（比如“2024年世界杯冠军是谁”“2024年新发布的手机有哪些”），它就会回答“不知道”，因为这些信息没包含在训练数据里。