於是，更全面地透過自然語言的模型和API及Plugins的結合，掌握自然語言和程式語言連結（以及連網）的AI將能夠完成非常多事情。理論上若發展得宜，甚至可以在AI可能「翻譯」自然語言和API內容的情形下，用自然語言或其AI成為跨越多種軟體、平台和介面(包含人機介面)的泛用串接工具。
更有意思地，不同大型語言模型間甚至未必需要完全整合，因為存在可以直接透過自然語言來跨越不同大型語言模型間的可能。
可以說，對自然語言有更精確的掌握，將自然語言現成的功能性大量帶入泛用的串接，將會是這波AI浪潮開啟應用新局勢的關鍵之一。
只是，想要享受自然語言的好處，自然也得面臨它的特性
如同艾西莫夫小說中的例子，自然語言本身就容許較多歧義和模糊，當今生成式AI也時常有歪樓或產出特異結果的情況，畢竟其產物是來自AI調用其訓練內化的結果。自然語言本身的模糊，加上類神經網路有更多黑盒子成分而非明確寫定，以及有些AI設計本身就讓機率選擇帶有隨機性的特性，都讓AI「解讀」和衍生的資訊未必會是機械性重複，而是帶有機率和不同走向的可能。
並且，我們不一定能知道它什麼時候會走什麼樣的道路。類神經網路的黑盒子中有太多的未知。也許在數值恰好在一系列特定值的時候，會觸動其中一種不一樣的走向，但那當中的參數太複雜，已經未必是人類能看得清了。
另外一個自然語言練成AI的特點則是，越追求通用性就可能越避不開自然語言。誠如前面所提，目前AI通用性的暴漲一部分是來自承接了自然語言龐大而豐富的連結，並進一步在當中提煉出類似概念的感覺。只是很多概念本身既藏在日常語言中，程式語言相對之下並不容易全面涵蓋，那麼要讓AI能應對眾多不同概念，自然語言或許就會是當中難以避開的訓練元素。
於是，目前類神經網路架構下的AI，短期內若是想更有通用性質，就可能參雜越多自然語言成分。在這樣前提下，人們可能會發現如艾西莫夫科幻小說裡那種，竟是以模糊的自然語言來「規範」AI的情形，未必不會在現實中上演。因為一旦類神經網路架構AI泛用到某種程度，其運用的功能牽涉更多抽象概念，人們既無從看清或理清當中結構，那麼要限制它不能做某些事情或發展某些走向時，就不一定能完全透過內部方式來嚴謹制定。換言之，當AI運作牽涉更多抽象概念，但人們不知道這些抽象概念如何從內部參數生出時，人們就可能同樣需要透過外部方式，以抽象概念去規範之。
那麼，艾西莫夫的機器人後來怎麼了？
以下有雷
在艾西莫夫筆下，這種自然語言和概念的特性當然也存在著，最明顯的案例就是不同機器人對三法則有不同的理解。這除了導致各種當事機器人有不同決定之外，有一位獨特的機器人更在他的個人經歷以及與人類互動經驗的影響下，領悟出了能凌駕第一法則的第零法則：機器人不得傷害人類整體，或袖手旁觀坐視人類整體受到傷害。
