GPT能够识别英语里边的每个词。它采用空间词义法。一个词的意义，是由它在词义空间里的位置决定的。说的白一点，经常出现在一起的两个词，比如毛泽东与中国，紫檀与50万等等，放在一起，他们词义空间里边的距离近。不经常出现在一起的两个词，比如毛泽东与法国巴黎，牛顿与杜甫等等，他们在词义空间的距离就非常远。通过AI机器学习，英语的每一个词都在英语的词义空间里占有一席之地。所以当GPT使用者输入一个单词，或者一个句子时，GPT可以接龙，依靠输入这个词的词义空间，找到距离自己最近的那个词，那个词就是它的接龙的下一个词。如此循环往复，直到一篇文章完成（具体的比较复杂，这里严重简化）。
从中可以看出，GPT 本身是完全不了解，不懂每一个词的意思的。一篇文章的每个句子，每个段落里的那些词，之所以组合在一起，完全是依靠词义空间来决定的。值得注意的是，GPT 也不清楚不了解不懂它写出文章的每句话每个段落之间的语法。
一句话，现在GPT 生成出来的东西，看似非常精准，非常的人话，非常的语法，内容非常的可信服，但其实它完全不知道自己在说什么。道理很简单，因为它生成这些东西的唯一的依据是词义空间。
这导致了GPT生成的答案，每次都可能不一样。
很显然，AGI 仅仅依靠词义空间是不够的。GPT生成的东西，必须要有逻辑，而且这种逻辑还必须是可控的。
一个很显然的结论是，现在AI，比如GPT除了词义空间的算法，必须也要“逻辑空间”的算法。两者缺一不可。
"逻辑空间"算法如何搞，现在没有定论。
山姆奥特曼这些蔑视数学，蔑视物理等等AI 红脖子门（绝大部分的西洋人都属于这类），他们推崇简单粗暴的算力。他们想如法炮制”词义空间“，通过机器学习，通过大量的文本训练，找出每个民族，每个学科等等的“逻辑空间”。
华人喜欢数学，喜欢物理，喜欢硬核。他们觉得词义空间走暴力运算行得通。但是，“逻辑空间”不太可能通过简单的GPU 堆叠就能实现。他们更加倾向于，每一个学科，每一个专业，每一个行业，组织大量的专家学者研究生本科生，人工标志高水平的本学科，本行业的”逻辑空间“。
词义空间法不是新东西。50年代的语言学家其实就做过这些事。比如他们通过分析一个民族语言里的，比如水稻的词义空间数量的大小多寡，能得出一个民族是水稻民族，还事畜牧民族。语言学家，社会学家，民族学家等等一直这么做，一直证明行得通。只不过以前的GPU 算力不行，没人敢想到穷尽一个语言的全部词汇建立词义空间的地步。
逻辑空间算法以前也有人做。最著名的就是乔姆斯基的生成语法。事实证明，乔姆斯基的万能语法，生成语法等等是失败的。逻辑空间算法的突破，不是那么容易的。
