到目前為止，人工智慧的發展已經跨越了以規則為基礎（rule based）的AI（例如社群媒體平台篩選與推送訊息的AI等等）、內容覺察與留存處理AI（context awareness & retention）的時期（例如Siri及Alexa等等），而到特定領域（domain-specific）專用型AI（例如下棋的AlphaGo、蛋白質結構摺疊的AlphaFold等等）。
GPT算是一個集大成的AI，因為它是基於內容覺察與留存處理的Transformer架構所開發出的超級接龍機器人，也就是一種專用型的聊天機器人；更由於它在被訓練的時候也使用到程式設計師平台GitHub的內容，所以它也是一個不錯的程式設計師－近期OpenAI為了GPT推出的外掛程式Code Interpret就說明了這一點。正因為它駕馭語言的能力超乎之前的想像，所以常被誤認為通用型的AI。那麼新AI從現在的GPT到未來的超級AI（通用型AI）的到來之前，需要突破的技術或其他門檻，又有哪些？
．學習並掌握人類的思考與形成想法（thinking & reasoning）：當前的深度學習模型，通常依賴於人類設定的目標和獎勵信號。要使機器超越人腦的思維框架，可能需要讓它們具有自主學習和設定目標的能力。這可能涉及到研究新的強化學習方法，以及如何讓機器從環境中自動發現有趣和有價值的目標。在這個階段，AI可以真正讀懂一本書，並能如人類一般地理解與精心策畫計謀。
．社會智慧和情感智慧：要讓深度學習超越人腦，以便在人類社會中更好地交流和協作，這需要研究如何讓模型理解和模擬人類的情感、意圖和信念，以及如何根據這些訊息做出適當的行為決策。人類與AI將可運用我們在第二部說明的認知拓展方式，一起攜手並進。
．可擴展性和泛化能力：這是為了超越人類思維，以便在各種不同的任務和環境中取得高性能。這可能涉及研究新的機器學習方法，譬如元學習（meta-learning）、遷移學習（transfer learning）和多任務學習（multi-task learning），以及開發更有效的模型架構和訓練策略。在這個階段的AI，基本上已經掌握了人類的思考與認知能力，所以也可以被稱為強AI或AGI，因為此時AI已掌握人類所有面向的智慧。
．能源效率和計算資源：要使深度學習超越人腦，機器需要在有限的能源和計算資源下實現高性能。這可能需要研究新的硬體設計和神經網路結構，以及開發更高效的算法和優化技術。目前的人工智慧在計算上的能源效率比起人腦還差了幾個數量級，例如讀者可能也常聽到GPT每個月的電費都是天文數字，而人類的大腦功能無所不包，但用到的能量幾乎只等同於一個20瓦的燈泡。因此，讓AI跨越這個能量效率的門檻，以達到接近甚至超越人腦的運作效能，將極為重要。
