经验主义亦称“经验论”。作为一种认识论学说，与“理性主义”相对。经验主义认为感性经验是知识的来源，一切知识都通过经验而获得，并在经验中得到验证。 这正是ChatGPT的思考和学习路径。 而虚拟进化又指数级放大了基于经验的学习速度。在波普尔看来，科学发展本身就是一种进化。
ChatGPT是经验主义的进化论的“胜利产物”。 人工智能是如何思考的？又是如何决策的？
有别于齿轮般的演绎推理，我们需要借助概率在证据和结论之间建立起联系。
AI的任务是做决策，在不确定性下结合信念与愿望，选择动作。
黄仁勋说：“AI既是深度学习，也是一种解决难以指定的问题的算法。这也是一种开发软件的新方法。想象你有一个任意维度的通用函数逼近器。”在黄仁勋的比喻中，“通用函数逼近器”确实是对深度神经网络的一个精确且富有洞见的描述。这个比喻突出了深度神经网络的核心特性：它们可以学习并逼近任意复杂的函数映射，只要网络足够深，参数足够多。
这种“函数逼近”的能力使得深度学习能够应对各种各样的任务，从图像分类和语音识别到自然语言理解和生成，甚至是更复杂的任务，如游戏和决策制定。
麦卡洛克和皮茨在1943年提出的神经元模型，构成了今天我们称之为人工神经网络的基础。 他们的模型描绘了一种简化的神经元，当其接受到的输入超过一定阈值时，就会被激活并向其它神经元发送信号。 这个模型的一个关键思想就是，即使每个单独的神经元都很简单，但是通过将它们联接在一起，就能形成一个能处理非常复杂问题的网络。 虽然单一的麦卡洛克-皮茨神经元只能完成简单的逻辑任务，但是，当将这些神经元组成一个复杂的网络时，神经网络就能进行复杂的计算，从而表现出图灵完备性。
神经网络是实现人工智能（AI）的重要方法之一。
通过设计不同的网络结构，并使用大量的数据对网络进行训练，人工神经网络可以学习到完成各种任务的能力，包括图像识别、语音识别、自然语言处理等等。
任何足够强大的形式系统，都存在一些在该系统内部既不能被证明也不能被反驳的命题。
1936年，图灵在一篇论文里研究了希尔伯特的“计算性”和“判定性问题”。
为了解决这个问题，图灵首先定义了“计算”这个概念，并创建了图灵机，这是一种理论上的计算设备。然后，他通过构造了一个图灵机无法解决的问题（即停机问题）来证明判定问题实际上是无法解决的。
这意味着没有一个通用的算法能对任何可能的问题都给出答案。
热力学第二定律指出一个物理系统中的熵，或言无序度，总是在增长。依照这一定律，宇宙中的秩序必然在减少，那么由于生命存在所增加的秩序又要如何解释？薛定谔的回答是，生命需要吸收“负熵”（negative entropy），或自由能——即我们常说的食物和阳光。根据第二定律，阳光加热地球时破坏掉的有序度，必大于由于植物生长所增加的有序度。
“生命定律”不仅适用于地球生命，也可以描述地外生命；它不只局限于生物学，更适用于广义的物理世界。