王金桥：ChatGPT基本上把2021年及以前互联网上所有的数据都学习了一遍，相当于一个世界知识的统一建模。在如此规模的参数量下，更好的关联推理就能够实现了，也能够通过算法更好地模拟人的意图。所以业内很多人认为ChatGPT是人工智能的再一次革命性突破。
　　但也有人不认可，认为ChatGPT还只是世界知识的一个组合，基于组合产生了一些观点和判断。
　　我认为ChatGPT现在的问题，一是对常识的建模弱了点，很多网友晒出了ChatGPT“翻车”、令人啼笑皆非的回答；二是缺乏多模态的信息，目前它的推理较弱，理解不了诸如“说曹操曹操到，到底是小明到了还是曹操到了”这样的信息。
　　车万翔：回顾自然语言处理发展史，可以发现一个有趣现象：20世纪50年代，自然语言处理初代范式诞生，主要是做专家知识系统，或用小规模的规则系统实现机器自处理，这一阶段持续了约40年；之后进入浅层机器学习算法阶段，持续了约20年；2010年后开启了深度学习算法时代，直到2018年第一代GPT等的面世，又带我们走进大规模预训练模型的时代；4年后，正是2022年末，ChatGPT引爆全球关注——每一代突破性技术诞生的间隔，都差不多是上一代的一半。按“摩尔定律”继续推演，我们可以憧憬，到2025年可能会有新的、更强大的AI诞生。
　　凌强：ChatGPT比我想象得要好。在我的想象中，ChatGPT可能会给我“和稀泥”的回答，相当于没有对也没有错，但实际上它给我的答案还是有针对性的，从AI技术的角度讲，ChatGPT在特征工程上应该有非常强大的方案。
　　另外，当我用同一问题反复问它，它的回答并非千篇一律，而是具有一定的差异性。这也让它更像“人”，毕竟问一个人想吃什么，他每次会有不同的回答，这说明ChatGPT的随机决策模型也做得不错。
　　沈阳：我认为，ChatGPT在技术上是弱人工智能走向强人工智能的重要节点。从商业上来说，应该会引发一场大洗牌。对善于使用网络的人来说，ChatGPT可以成为非常好的助手，在文案写作、检索等领域，能简化三四成的工作量。
　　杨君：ChatGPT最具突破性的方面在于逻辑衔接能力，但我认为它还不具备独立推理能力。有用户用三段论跟它对话，它得出了不太符合常识的推论，这是AI还赶不上人脑的一大方面。人脑的强大，就在于归纳和推理能力。有人拿阿尔法狗战胜围棋世界冠军，来证明人脑比不过“AI脑”，然而，目前的智能决策都还仅限于特定场景，算法在特定规则下才能表现出非常强的能力。我认为，能适应和突破变化的规则，是强人工智能的重要发展方向。
　　吴楠：不少用户发现，ChatGPT在一些常识性的、正常人绝对不会犯错的问题上经常犯错，需要人工干预和修正。而到底什么是常识性问题呢？这个界定其实是很困难的，触碰到了比模型本身更高一层、更加原始的“源问题”。对此的研究和探讨，有助于厘清AI在哪些地方需要人的修正和帮助，划分出人机边界。
　　季逸超：在搜索场景下，ChatGPT还面临一些挑战。对于事实性的问题，机器通过学习能得出一致的答案，比如“中国的首都在哪里？北京”。但对于观点性的、百家争鸣的问题，如何保证机器学习后，能给我们一个全面公正、没有偏见的结果？
　　陈雨强：我问了ChatGPT一个问题：如果要做生意，是卖咖啡好还是卖椰子水好？这个问题背后，其实是对商业模式的判断。对ChatGPT而言，如果曾有人在互联网上对比过卖咖啡和卖椰子水，而且分析得有见地，那么ChatGPT就能给出令人满意的回答；但如果先前从未有人写过这类文章，ChatGPT是不能产生相关见解的。