[[343495]]

【51CTO.com快譯】雖然我們仍處于人工智能革命的初期，但人工智能做不到的事情并不多。從業務困境到社會問題，人工智能被要求解決缺乏傳統解決方案的棘手問題。希望無限，人工智能的能力有沒有什么局限性?

是的，人工智能和機器學習確實有一些明顯的局限性。任何希望實施人工智能的組織都需要了解這些局限性，以免陷入麻煩，對人工智能產生誤解。不妨看一下人工智能面臨的三大難關。

1. 數據問題

人工智能離不開機器學習算法。這些算法或模型耗用大量數據以識別模式并得出結論。這些模型使用標記數據加以訓練，標記數據體現了人工智能實際會遇到的無數場景。比如說，醫生必須標記每張X光片，表明是否存在腫瘤、哪種類型的腫瘤。只有檢查成千上萬張X光片后，人工智能才能自主地正確標記新的X光片。數據的這種收集和標記對于人類來說是很耗時的過程。

在一些情況下，我們缺乏足夠的數據來充分構建模型。自動駕駛汽車在處理遇到的所有挑戰時面臨難題。試想一場傾盆大雨，您看不到擋風玻璃前面兩英尺的情況，更不用說道路標線了。人工智能可安全地應對這些情況嗎?訓練人員要記錄數十萬英里，才會遇到所有這些棘手的使用場景，以了解算法如何做出反應并相應地進行調整。

在其他情況下，我們有足夠的數據，但因引入偏差而無意中污染數據。當我們查看私藏大麻的種族逮捕記錄時，我們會得出一些錯誤的結論。黑人被捕的可能性是白人的3.64倍。這可能導致我們得出以下結論：黑人是大量使用大麻的種族。然而，如果不分析大麻使用方面的統計信息，我們看不到種族之間僅有2%的差異。如果我們不考慮數據中的固有偏差，就會得出錯誤的結論。當我們共享有缺陷的數據集時，這個問題會進一步復雜化。

無論是需要手動記錄數據還是缺少高質量數據，都有大有希望的解決方案。強化學習有一天可能會在標記過程中將人變成監督者。這種訓練機器人，并運用正負強化的方法可用于訓練人工智能模型。說到丟失的數據，虛擬模擬可以幫助我們填補空白。它們模擬目標環境，讓我們的模型可以在物理世界之外學習。

2. 黑盒子效應

任何軟件程序都以邏輯為基礎。可以跟蹤饋入到系統中的一組輸入，查看它們如何觸發結果。對于人工智能而言，它并不那么透明。基于神經網絡而建，最終結果可能很難解釋。我們稱之為黑盒子效應。我們知道它可行，但是無法告知它是如何運行的。這會導致問題。在求職者無法找到工作或罪犯被判刑期過長這種情況下，我們必須證明算法運用合理、值得信賴。如果我們無法解釋這些龐大深度學習網絡如何做出這些決定，一大堆法律和法規難題就迎面而來。

克服黑盒子效應的最佳方法是分解算法的功能，并為其饋入不同的輸入，看看有什么影響。簡而言之，是人類解釋人工智能的行為。這不是什么科學。還需要做更多的工作，才能使人工智能跨過這個巨大的障礙。

3. 通用系統遙不可及

任何擔心人工智能會在未來接管世界的人大可放心。人工智能在模式識別方面非常出色，但是別指望它在更高水平的意識下也能起作用。Steve Wozniak稱之為咖啡測試。機器可以進入普通的美國家庭、沖泡一杯咖啡嗎?這包括找到咖啡研磨器、找到杯子、識別咖啡機、添水并點擊正確的按鈕。這名叫強人工智能：人工智能有了飛躍，可以模擬人類智能。雖然研究人員竭力研究這個問題，但其他人質疑人工智能能否果真實現這一目標。

人工智能和機器學習是不斷發展的技術。今天的局限性就是明天的成功。關鍵是繼續進行試驗，找到可以為企業組織增值的地方。雖然我們應認識到人工智能的局限性，但不應該任由它阻礙這場革命。

原文標題：3 Hurdles to Overcome for AI and Machine Learning，作者：Mark Runyon

【51CTO譯稿，合作站點轉載請注明原文譯者和出處為51CTO.com】