『壹』 人工智慧遭遇算力物理極限
在物理世界中，布雷莫曼極限設定了一個上限，這個極限限制了任何獨立系統在單位時間內能實現的最高速度運算，以1千克物質為例，其上限約為每秒1050次的計算能力。目前，全球最強大的超級計算機美國Frontier的運算速度為每秒110億億次，盡管與極限值還有很大的差距，但隨著摩爾定律的約束，工藝製程的提升變得困難且成本高昂，這意味著算力的增長速度無法滿足元宇宙等高需求應用的提升。
為了達到元宇宙級別的沉浸體驗，所需算力需要比現有水平提升1000倍。然而，目前的算力瓶頸使得許多元宇宙構想難以實現，例如，實現16K的沉浸感，需要的帶寬高達280.7Gbps，這些都是現有技術難以觸及的挑戰。
更為嚴峻的是，如果人工智慧想要完全模仿人腦，僅用最強大的計算方式，效率也會降低3361倍，這還是僅針對一個大腦。考慮到全球80億人腦和日益增長的社會生活計算需求，所需算力將是一個天文數字，遠遠超過了當前晶元的物理極限所能承載的范圍。
『貳』 人工智慧需要什麼基礎
人工智慧（AI）基礎：
1、核心三要素——算力、演算法、數據（三大基石）：
演算法、算力、數據作為人工智慧（AI）核心三要素，相互影響，相互支撐，在不同行業中形成了不一樣的產業形態。隨著演算法的創新、算力的增強、數據資源的累積，傳統基礎設施將藉此東風實現智能化升級，並有望推動經濟發展全要素的智能化革新。讓人類社會從信息化進入智能化。
1）算力：
在AI技術當中，算力是演算法和數據的基礎設施，支撐著演算法和數據，進而影響著AI的發展，算力的大小代表著對數據處理能力的強弱。
（2）演算法：
演算法是AI的背後「推手」。
AI演算法是數據驅動型演算法，是AI的推動力量。
（3）數據：
在AI技術當中，數據相當於AI演算法的「飼料」。
機器學習中的監督學習和半監督學習都要用標注好的數據進行訓練，由此催生了大量數據標注公司，它們將處於未經處理的初級數據，轉換為機器可識別信息。只有經過大量的訓練，覆蓋盡可能多的各種場景才能得到一個良好的模型。
2、技術基礎：
（1）文藝復興後的人工神經網路。
人工神經網路是一種仿造神經元運作的函數演算，能接受外界資訊輸入的刺激，且根據不同刺激影響的權重轉換成輸出的反應，或用以改變內部函數的權重結構，以適應不同環境的數學模型。
（2）靠巨量數據運作的機器學習。
科學家發現，要讓機器有智慧，並不一定要真正賦予它思辯能力，可以大量閱讀、儲存資料並具有分辨的能力，就足以幫助人類工作。
（3）人工智慧的重要應用：自然語言處理。
自然語言處理的研究，是要讓機器「理解」人類的語言，是人工智慧領域里的其中一項重要分支。
自然語言處理可先簡單理解分為進、出計算機等兩種：
其一是從人類到電腦──讓電腦把人類的語言轉換成程式可以處理的型式；
其二是從電腦回饋到人──把電腦所演算的成果轉換成人類可以理解的語言表達出來。