雖然人們還處于人工智能革命的初級階段，但沒有多少是人工智能做不到的。從商業(yè)困境到社會問題，它被要求解決缺乏傳統(tǒng)解決方案的棘手問題。擁有這無盡的希望，人工智能可以做些什么？

人工智能和機器學習具有明顯的局限性。希望實施人工智能的企業(yè)需要了解這些界限是怎么劃定的。這樣他們就不會因為認為采用人工智能技術而陷入麻煩。以下了解人工智能需要克服障礙的三個關鍵領域。

1.數(shù)據(jù)問題

人工智能是由機器學習算法驅動的。這些算法或模型通過大量數(shù)據(jù)來識別模式并得出結論。這些模型使用標簽數(shù)據(jù)進行訓練，這些數(shù)據(jù)反映了人工智能在野外會遇到的無數(shù)場景。例如，醫(yī)生必須在每張X光片上貼上標簽，以表明是否存在腫瘤以及腫瘤類型。只有在審查了成千上萬張X光片之后，人工智能技術才能正確地標記X光片。對人類來說，收集和標記數(shù)據(jù)是一個非常耗時的過程。

在某些情況下，人們缺乏足夠的數(shù)據(jù)來充分構建模型。自動駕駛汽車在應對各種挑戰(zhàn)方面正經(jīng)歷著坎坷的歷程。例如在傾盆大雨中，人們看不到擋風玻璃前兩英尺的地方，更不用說路上的標志了。人工智能技術能安全地駕馭這些情況嗎？培訓人員需要在數(shù)十萬英里的路程中遇到所有這些困難的用例，以了解算法是如何反應的，并做出相應的調整。

2.黑盒效應

任何軟件程序都以邏輯為基礎。可以跟蹤輸入到系統(tǒng)中的一組輸入，以查看它們如何觸發(fā)結果。對于人工智能來說它并不那么透明。基于神經(jīng)網(wǎng)絡，其最終結果可能難以解釋。人們稱其為黑盒效應。我們知道它有效，但是無法告訴如何操作。這會帶來一些問題。在求職者無法找到工作或罪犯被判更長的徒刑的情況下，必須證明其算法是公平適用的并且值得信賴。當人們無法解釋如何在這些大型深度學習網(wǎng)絡中做出這些決定時，將會面臨法律和法規(guī)方面的問題。

克服黑盒效應的最佳方法是分解算法的功能并將其輸入不同的輸入，以查看其產生的差異。簡而言之，是人類在解釋人工智能在做什么。這江是科學。要想讓人工智能跨過這個巨大的障礙，還需要做更多的工作。

3.通用人工智能系統(tǒng)遙不可及

任何擔心人工智能技術將會在終結者接管未來世界的人們都可以放心。人工智能在模式識別方面非常出色，但是不能指望它能在更高的意識水平上發(fā)揮作用。行業(yè)專家以咖啡測試為例。一臺機器可以進入家庭并沖泡咖啡嗎？這其中包括查找咖啡機，找到杯子，加水并點擊正確的按鈕。這被稱為人工智能，人工智能在其中飛躍地模擬了人類的智能。盡管研究人員在這個問題上致力于進行研究，但其他人則質疑人工智能是否能夠實現(xiàn)這一目標。

人工智能和機器學習是不斷發(fā)展的技術。如今的局限就是明天的成功。關鍵是要繼續(xù)試驗，找到可以為組織增加價值的地方。雖然人們應該認識到人工智能的局限性，但不應該讓它阻礙革命性發(fā)展。
責任編輯：tzh