如今的生成式 AI，不仅能生成文本、翻译、摘要等传统任务，还能处理复杂主题，进行跨领域知识整合。它们还可以帮助用户撰写风格各异的邮件，快速提炼冗长报告的核心要点，甚至能够解释微生物学、量子计算、市场营销策略等专业领域的复杂概念。
那么有什么是生成式 AI 做不到的呢？
首先，生成式 AI 的知识受限于训练数据的时间范围，无法主动了解其训练结束之后的新事件、新知识。若没有外部信息渠道，模型对最新发展的反应就如同与世隔绝的人，难以获取实时动态。此外，训练过程中无法保证每一条数据都准确无误，这导致模型有时会重复或拼接出看似合理但实际谬误的信息。这种现象也被称为“幻觉”，即模型自信地给出错误答案。
另一个不可忽视的局限是 “上下文窗口”。模型每次对话只能处理有限的信息，超出范围的内容会被“遗忘”，影响其理解和连贯性。
此外，模型的输出并非每次都完全一致。由于其本质是基于概率生成文本，同样的问题每次都会得到略有差异的答案。这种 “非确定性” 一方面带来了创意和多样性，另一方面也对需要高度一致和准确的场景提出了挑战。部分平台允许用户调整生成内容的随机性参数，如“温度”，以平衡创意与稳定性，但用户仍需根据实际需求作出权衡。
在复杂推理、数学等需要多步完成的逻辑问题上，模型岁有进步，但表现依然差强人意。目前，虽然已有不少具有思维链的模型（例如 DeepSeek R1、GPT o3、Gemini 2.5 等），但与人类的推理相比，尚有差距。同时，模型能否访问特定数据源或工具，也直接影响其能否胜任某些任务。这种局限与现实场景中的信息孤岛极为相似。即使 AI 再“聪明”，如果无法获取关键数据，也难以发挥其价值。
人类具备批判性思维、判断、创造力，能够对伦理进行把关，模型则在处理海量信息、发现模式、提升效率方面表现优异。只有充分理解模型的长处和不足，才能够帮助我们更合理地与 AI 协作。
全部课程视频
https://pan.baidu.com/s/58zsRl9ELk8wfs73E-OxTXQ? 复制这段内容后打开百度网盘手机App。
