在当前人工智能技术的发展中，聊天型机器人已成为一个备受关注的领域。而GPT（Generative Pre-trained Transformer）模型作为其中的佼佼者，其生成的语言模型在处理自然语言的能力上已到达了非常高的水平。不过，即使是这样一种高精度的模型，也难免存在一些没法回答的问题。

我们需要明确GPT模型的特点。GPT模型是通过大量文本数据进行训练得到的，其重点在于对语言模型的训练。在这个进程中，模型会学习到许多语言的规则、几率等等特点，从而能够生成自然流畅的语句。但是，这个训练的进程也带来了限制。由于模型的生成能力是基于大量数据训练得到的，所以只有模型“见过”的数据，才能够得到很好的回答。如果问题是模型在训练数据中从未见过的，那末模型便可能无能为力。

GPT模型也存在于其他模型一样的局限性。虽然GPT模型具有着很高的语言生成能力，但是对某些问题的回答或者需要专业的知识。例如医学、法律、金融等领域，要想回答这些领域的专业问题，需要具有相应的知识背景。而GPT模型虽然在训练进程中会接触到这些领域的数据，但是如果只是靠这些数据的话，模型的回答也只是泛泛而谈。

除此以外，GPT模型还存在着一些技术上的限制。例如，对一些需要显式知识表示或推理能力的问题，GPT模型就不适用了。由于GPT模型只是通过传统的前向神经网络模型进行训练得到的，其没法进行图形化的知识表示或逆向推理。这类情况下，我们就需要借助其他的模型来解决这些问题。

综上所述，GPT模型虽然是一个非常优秀的自然语言生成模型，但是在回答问题的时候或者存在着一些限制。一方面，GPT模型的回答能力是基于其在数据训练集中学得的模式，如果遇到的问题在训练数据中从未见过，那末模型就很难给出很好的回答。另外一方面，GPT模型没法处理需要显式知识表示或推理能力的问题，因此在遇到这些问题时，我们需要借助其他模型或专业领域的知识来解决问题。