无限猴子定理认为，让一只猴子在打字机上随机地按键，当按键时间达到无穷时，几乎必然能够打出任何给定的文字，比如莎士比亚的全套著作。在这个定理中，“几乎必然”是一个有特定含义的数学术语，“猴子”也不是指一只真正意义上的猴子，而是被用来比喻成一台可以产生无限随机字母序列的抽象设备。
这个理论说明，把一个很大但有限的数看成无限的推论是错误的，即使可观测宇宙中充满了一直不停打字的猴子，它们能够打出一部《哈姆雷特》的概率仍然少于1/10^183800。而且，即使给无数只猴子无限的时间，它们也不会懂得如何欣赏吟游诗人诗意的措辞。“人工智能（AI）也是如此，”牛津大学计算机科学教授Michael Wooldridge这样说道。
在Wooldridge看来，虽然GPT-3等AI模型借助数百亿或数千亿的参数展现出了令人惊讶的能力，但它们的问题不在于处理能力的大小，而在于缺乏来自现实世界的经验。例如，一个语言模型可能会很好地学习“雨是湿的”，当被问及雨是湿的还是干的时，它很可能会回答雨是湿的，但与人类不同的是，这个语言模型从未真正体验过“潮湿”这种感觉，对它们来说，“湿”只不过是一个符号，只是经常与“雨”等词结合使用。
然而，Wooldridge也强调，缺乏现实物理世界知识并不能说明AI模型无用，也不会阻止某一AI模型成为某一领域的经验专家，但在诸如理解等问题上，如果认为AI模型具备与人类相同能力的可能性，确实令人怀疑。在当前的AI创新浪潮中，数据和算力已经成为AI系统成功的基础：AI模型的能力直接与其规模、用于训练它们的资源以及训练数据的规模成正比。
对于这一现象，DeepMind研究科学家Richard S. Sutton此前就曾表示，AI的“惨痛教训”是，它的进步主要是使用越来越大的数据集和越来越多的计算资源。在谈及AI行业的整体发展时，Wooldridge给出了肯定。“在过去15年里，AI行业的发展速度，特别是机器学习（ML）领域的发展速度，一再让我感到意外：我们不得不不断调整我们的预期，以确定什么是不可能的，以及什么时候可能实现。
”但是，Wooldridge却也指出了当前AI行业存在的问题，“尽管他们的成就值得称赞，但我认为当前大多数大型ML模型受到一个关键因素的限制：AI模型没有真正体验过现实世界。在Wooldridge看来，大多数ML模型都是在电子游戏等虚拟世界中构建的，它们可以在海量数据集上进行训练，一旦涉及到物理世界的应用，它们就会丢失重要信息，它们只是脱离实体的AI系统。另一方面，语言AI模型也会受到同样的限制。
可以说，它们已经从荒唐可怕的预测文本演变为谷歌的LAMDA。今年早些时候，一个前谷歌工程师声称人工智能程序LAMDA是有知觉的，一度成为了头条新闻。“无论这个工程师的结论的有效性如何，很明显LAMDA的对话能力给他留下了深刻的印象——这是有充分理由的，”Wooldridge说，但他并不认为LAMDA是有知觉的，AI也没有接近这样的里程碑。
“这些基础模型展示了自然语言生成方面前所未有的能力，可以生成比较自然的文本片段，似乎也获得了一些常识性推理能力，这是过去60年中AI研究的重大的事件之一。”这些AI模型需要海量参数的输入，并通过训练来理解它们。例如，GPT-3使用互联网上千亿级的英语文本进行训练。
大量的训练数据与强大的计算能力相结合，使得这些AI模型表现得类似于人类的大脑，可以越过狭窄的任务，开始识别模式，并建立起与主要任务似乎无关的联系。但是，Wooldridge却表示，基础模型是一个赌注，“基于海量数据的训练使得它们在一系列领域具备有用的能力，也进而可以专门用于特定的应用。
”Wooldridge认为，为了产生更智能的AI，这种“可能即正确”（might is right）的方法将AI模型的规模不断扩大，但忽略了真正推进AI所需的现实物理世界知识。“公平地说，有一些迹象表明这种情况正在改变，”Wooldridge说。今年5月，DeepMind宣布了基于大型语言集和机器人数据的基础模型Gato，该模型可以在简单的物理环境中运行。
“很高兴看到基础模型迈出了进入物理世界的第一步，但只是一小步：要让AI在我们的世界中工作，需要克服的挑战至少和让AI在模拟环境中工作所面临的挑战一样大，甚至可能更大。”在论文的最后，Wooldridge这样写道：“我们并不是在寻找AI道路的尽头，但我们可能已经走到了道路起点的尽头。”