经历了几年前“万物皆可AI+”的短暂狂热后，人工智能研发和应用降温的速度似乎更快。一度热衷于该领域的心脏病学家艾瑞克·托波尔（Eric Topol）2019年调研医疗AI领域后写道：“AI炒作的水平远远超过了AI科学的水平，尤其是在患者护理的验证和实施能力方面。”
在真实商业环境中运作的真实经理人更发现AI难以实施，风投基金MMC对欧洲AI创业公司的一项调查发现，有四成公司似乎根本没有用到任何AI——‘投资者营销’可能比技术走得更远。人工智能的最大短板，究竟出现在哪儿？
四年前，当AlphaGo打败李世石之后，世人都担心，机器替代人类的新纪元——也就是孙正义曾寄予厚望的“奇点”——即将来临。


现实却是，AI降温的速度比热潮来得更快。
人们发现，搭建一个客服聊天机器人要比研发一台超强围棋机器还难。围棋只有两个可能的结果（输或赢），并且都可以轻松判断。一个游戏可以有无数种不同的进展方式，但基本规则很少而且很明确。此类明确定义的问题非常适合机器学习培养出来的AI。
相比之下，航班取消后的一个客户来电这种现实场景，则有“多得多得多”的可能出现的情况。面对满口抱怨的客户，AI的那几个从案例库中培养出来的小脑筋就跟不上了。


人工智能到底是聪明还是“智障”？
现有人工智能的最大短板，其实是缺乏常识。

它们难以做出推理、归纳自己发现的规则，也难以获得通用的应变能力——对于这种能力，研究人员找不到更精确的称法，而叫它“常识”。其结果就是出现一个“人工弱智专才”（an artificial idiot savant）——在清晰界定的任务上表现杰出，但如果遇到意料之外的输入，就可能错得离谱。
诸如聊天机器人和个人助理之类处理语言的系统都建立在统计方法之上，它们会生成一种肤浅的理解的表象，而脱离现实。这将限制它们的用处。而如果不出现一项新的突破，这些弊端就从根本上限定了AI可以做什么，不能做什么。


AI研究人员称这个问题为
莫拉维克悖论
，以加拿大机器人专家汉斯·莫拉维克（Hans Moravec）命名。莫拉维克指出，尽管复杂算术和形式逻辑对机器来说很容易，但诸如协调运动等人类完全司空见惯的任务却让它们苦苦挣扎。


归根结底，现有的AI只是强大的模式识别工具，或者说是一种先进的
模式匹配
工具，但没有对生物大脑而言理所当然的诸多认知能力。


了解到这些，你就能理解以下的这些“为什么”：
  • 为什么马斯克说2018年自动驾驶就会来临，却遥遥无期？因为“弱智”的AI无法应付工程师们说的“边缘案例”，即训练数据中不常见的异常情况。
  • 为什么很多公司都夸耀自己的AI技术，但其实AI工程师至少80%的时间用在各种数据整理上？虽说“数据是新的石油”，但是数字石油的冶炼术还很原始。
  • 为什么一个从X光胸片识别肺炎的AI系统，判定X光片子来自哪家医院的准确度大大高于判定肺炎的准确度？因为它们记住了X片子角上的小块金属标记——各家医院的标记各不相同。
从很多方面来说，现在的AI还是个黑匣子。经历了2016年之后的狂热之后，AI产业显然进入到了寒风瑟瑟的秋季。到底该如何预测AI的未来？《经济学人·商论》七月刊最新技术季刊《AI及其局限：比预期更陡峭》系列为你解答：
  • 为什么大数据不够大？《没那么大》（Not so big）
  • 为什么算力可能不是衡量智慧最好的指标？《机器学习中》（Machine, learning）
  • 为什么无人驾驶可能是个自欺欺人的泡泡？《路障》(Road block)
  • 为什么“无聊的AI”最可爱？《算法和军队》(Algorithms and armies)
  • 为什么AI的炒作过头了？《面对现实》(Reality check)
直接订阅《经济学人·商论》季度，现低至每周13元！加入全球百万精英的知识圈。更可同步解锁发刊至今的2000余篇往期双语文章+1000多篇文章的英文原声音频。并选择免费加入官方学习社区。
点击“阅读原文”，直接订阅《经济学人·商论》App：
继续阅读
阅读原文
关键词
结果
能力
准确度
机器
数据