迄今为止，提到“四色定理”，还无法用人类已掌握的数学来证明。
但这是否就意味着，人类需要接受计算机给出的，并非显明、仅仅是有限穷举而得到的所谓证明呢，这就是一个见仁见智的问题。
与数学界的诸多高深学问不同，四色定理，寻常人也一眼就能看懂，即便其背后蕴含的数学原则想必极为高深，却并不妨碍人类经由观察、思考，再加上一点人所特有的直觉洞察，主观上倾向于认为“这一猜想是正确的”。
即便如此，对计算机的有限穷举，算不算是严格的证明了四色定理呢；
方然对此持谨慎的否定态度。
之所以持否定态度，并非是说，在他眼中计算机的一切证明、推演，都毫无价值，而是在像“四色定理”这样的问题上，暴力验证手段，要面对的目标空间是无穷大，这时穷举法事实上已经失效，不论是人用纸和笔，还是计算机用逻辑电路与电磁波来进行，都不会改变这一原则性的事实。
在面对此类问题时，迄今为止，计算机并不被认为有这样一种能力：
越人类的分析、洞察与推理，独立解决这些人力所不能及的自然科学领域之难题。
换句话说，按it领域的一句公理，至少到目前为止还是不容置疑的总结，“人做不到的事，计算机同样做不到”。
这里的“能”与“不能”，是在不考虑时间、资源等因素的前提下，进行的判断。
就是对任何一个命题，倘若人，人类，人类文明，始终维持当前的认识水平，即便花费再长时间也无法解决，那么对计算机而言，即便同样有无限长的时间可用，这命题也注定会是无法解决的。
演绎到数学领域，原则上，只要是人证不出来的命题，计算机也一定证不出来。
这一判断，不仅在it领域，在自然科学领域也是一种共识，直到今天，也没有明确的迹象表示，计算机能够突破这样的限制，具备越人脑的智慧。
至于当下的人工智能，看名称，仿佛就是计算机也能因此而具有智慧，实质却是在架构层面的一种模仿，试图利用算法、乃至硬件来模拟人类大脑的神经元活动，从而具备此前为人所独有的学习、记忆、联想乃至推断能力。
指导思想大抵如此，具体到每一种实现策略，不论神经网络、还是深度学习，效果在本质上也都是相近的。
与人类的大脑相比，目前的ai体系，不论是在软件层面的算法和架构，还是在硬件层面的逻辑电路、存储器件，具有远人脑的数值计算能力和数值存储空间，然而，却一直没有实现远人类的意识和思维能力。
而“国际商用机器”在夏洛特的研中心，负责人工智能方向的aig1~5都主攻这一领域，在方然的aig4，“阿尔法”组的主要方向是新架构，即在不改变现有硬件基础——数字逻辑电路的条件下，提出创造性的新架构，试图创造出能力更加强大的人工智能，或者，让现有人工智能的算力需求大幅下降。
与前沿探索的“阿尔法”组不同，“贝塔”组的方向，则更加现实，专注于现有人工智能体系的调整、优化，在应用平台上混合ai与传统逻辑模块，提升系统的实际性能。
作为新手，一开始在“贝塔”组工作，这是很自然的安排。
夏洛特的信息基础研中心里，有若干aig这样的组，之前面试过方然的肯*汤普森则是中心的项目负责人之一，也是五个aig小组的总管，但他想必很忙，来到夏洛特中心很多天，方然都没在见过他本人。
除非是开讨论会，他倒是通过投影屏幕见过两三次，毕竟也和现场不一样。
目标明确，小组里负责带新人的工程师也挺友善，认识到自己要展现能力、显露才华，才能如愿以偿的留在研中心，方然很投入，和小组中资历更老的其他员工不一样，他每天都会准时去工作室，下班时间后，还会在住处的电脑前继续忙碌。
天资平平，眼前一切全凭实打实的努力，方然清楚自己的斤两。
不过这样的投入度，也不全是受眼前目标的驱使：在动身前几乎刺探、评估过夏洛特研中心的一切，对于“努力到什么程度才能留在ib，方然很有把握。
对人工智能，具体的讲，对未来的人工智能，究竟会展到一个什么样的程度，他的确很感兴趣，既然工作需要，索性就全身心的投入其中，先尝试解决内心早已有之、却始终没有解答的困惑：
正如四色定理的证明，原则上，并不能作为计算机越了人的证据；
他想知道，计算机、人工智能、自动化体系的能力上限，究竟在哪里，人的智慧、思维、能力，会不会是这一切新生事物的天花板。
人无法解决的问题，原则上，计算机更无法解决。
直到不久之前，不，直到坐在电脑前思考的这一刻，方然都清楚的知道，这句话还是工程界、计算机界乃至自然科学界的共识。
未来尚未可知，眼前的情形却不容置疑，