我觉得这样比喻有点失准，应该说单纯把人工智能分成“强人工智能”与“弱人工智能”
● 弱人工智能
专注于某项特定任务，举例来说如果有个人工智能能自动依照作战环境来切换雷达的扫描模式、自动选择滤波算法，这样就算弱人工智能
而且“弱人工智能”不一定能够跟你交互，或是说你只能透过它专精的事情来达成交互
○ 如果把 F-14 的 WSO 用弱人工智能来取代
那就相当于一个无口属性的机娘自动帮你切换 APG-71 的扫描模式，切换电子对抗，但你并不能够直接跟它对话，而是透过在雷达光点上点选或是按钮，然后这位有点呆的 WSO 酱就会帮你处理好雷达跟武器，你只要开火就好
空战中它会透过摄影机还有雷达警告接收器帮你看六点，被咬的时候就发出声音提醒你，不过建议你问工程师可不可以换自订语音
● 强人工智能
或是说“通用人工智能”则更全面，它不仅能够理解“如何驾驶战斗机、如何空战并取胜”，更重要的是它够理解人类透过口语或是战术链所下达的战术命令，并调整自己的行为
如果美军之前实验的 X-62 VISTA 可以在预先输入的飞行计画内，依据战术指令去改变行为，而且能够以语音或其他方式回馈这些改变，或是说它能够从模拟战场环境去接收各种情报后灵活的应对，那就算“通用人工智能”
把“弱人工智能”想成“凰牙”，“通用人工智能”想成“阿斯拉”就可以理解了，“凰牙”只能专注于开 CF，甚至写死在拼圈速这点，但它就是可以做到超越人类
然而“阿斯拉”虽然一开始表现平平，但它可以逐渐发掘出更多可能性，不论是在赛道上还是被关在车库里赌气想怎么挖苦人
● 封锁高阶 GPUPU 跟 3nm 以下的 EDA 是两个互补的招式
你缺乏高阶 GPUPU 就无法在能源与经费预算可行的情况下搭建算力农场来训练通用人工智能模型，那在有时间与预算压力下你能达到的效用就会缩减，而封锁三奈米以下 EDA 则可以压制对方 FGPA/ASIC 的性能跟迭代速度
以机械学习为例，通常用 Python 写出可执行的程式后，如果要把速度提升跟最佳化，会考虑用更底层的 C 重写一次运算与执行，来减少编译层数跟延迟
这之间的差异就是:
⊙ Python