近年來，有兩種說法改變了人們對人工智能的看法。一是對新機會感到困惑。另一個描述了對被機器剝奪權力的焦慮，並預測了一系列不利影響，例如大規模裁員。現在，這種情緒已經冷卻下來，取而代之的是冷靜的分析。我們現在可以更清楚地看到算法技術的優勢及其局限性。讓我們仔細看看後者。
一些關於AI 的預測從未實現，而另一些則證明不如最初設想的那麼令人興奮。我們現在意識到我們多年前持有的許多誤解。事實證明，我們並沒有被自動駕駛汽車驅使，醫學仍然不信任人工智能，物聯網並沒有改變大城市的生活，區塊鏈並沒有徹底改變所有交易。然而，機器和深度學習以及它們處理大型數據集和即時檢測模式的能力帶來了巨大的好處。算法和神經網絡使企業以某種方式轉變成為可能，這使全球企業能夠蓬勃發展，增強財務和管理，顯著提高流程效率並提高總結。
慢慢但肯定地，人工智能看起來不像是一種黑暗的形而上學力量。雖然我們仍然記得埃隆馬斯克在2018 年聲稱人工智能有一天會面對我們面臨的巨大生存危機，但隨著每一天的過去，我們發現它也可能是無聊和無能的。它的缺點和不可預見的弱點可能會嚴重減緩其進一步擴張。下面，我將討論可能阻礙人工智能發展的基本因素。
弱點一：處理器跟不上
根據OPEN AI 研究實驗室的說法，基於算法的技術將發展得更慢，因為計算機處理器的速度每兩年翻一番，速度不夠快。為了保持當前人工智能部署的速度，計算機必須每三到四個月將其功率增加一倍。這是經濟放緩即將到來的關鍵原因之一。許多其他硬件挑戰實際上是微不足道的。物聯網是一種由連接到全球網絡的數字設備組成的技術，預計將使用大量數據流。規則是，神經網絡接收的數據越多，它們的性能就越好，從而使數字設備能夠獲得某種智慧，從而推動實際改進。其中包括咖啡機在感應到你進入廚房時自動響應、交通燈預測交通擁堵和對天氣數據做出反應等等。從理論上講，所有這些聽起來都非常有希望。然而，物聯網專家承認，許多項目由於傳感器不良導致設備無法同步並導致其校準失控而失敗。也許這些問題的答案在於量子計算，但該技術仍處於起步階段。看來我們只能拭目以待了。
弱點2：失控的預算
Jerome Pesenti 曾在IBM 負責人工智能開發，兩年來一直擔任Facebook 的人工智能負責人，他同意硬件問題可能會抑制人工智能的進一步發展。他還指出了人工智能擴展的另一個障礙：成本。他在接受《連線》雜誌採訪時說：“如果你看看頂級實驗，每年的成本都會增加十倍。 現在，一個實驗可能需要七位數，但不會達到九位數或十位數，這是不可能的，沒有人負擔得起。” 這個例子很好地說明了他的預測，這是眾多例子之一：OPEN AI 實驗室今年發布的著名自然語言模型GPT-3 的訓練耗資超過450 萬美元。而這只是基本成本（例如上傳字典），不包括大量調整和復雜的產品改進。
弱點三：AI 不是好搭檔
近年來，“人工智能”被視為開啟芝麻開門的神奇詞組。公司和投資基金已經從市場上為應用程序籌集資金，這些應用程序雖然很流行，但一直無法產生利潤。對於許多選擇將銷售、營銷和物流基於算法的公司來說，缺乏投資回報令人沮喪。如今，他們的管理層更加自信：人工智能可以改進一些流程，但會生成太多普通數據經理難以理解的數據，讓他們感到沮喪。簡而言之：銷售人員不知道為什麼他們應該按照算法的建議完成交易x。結果？國際數據公司對使用AI 的全球公司進行的一項調查發現，只有25% 的公司選擇採用全面的全公司解決方案。大多數受訪者承認他們的項目充滿了錯誤，而四分之一的受訪者表示人工智能部署的失敗率高達50%。這表明人工智能不容易擴展，並且可能難以理解且令人沮喪。
弱點4：AI犯下嚴重錯誤
2019 年，Google Health 在《自然》雜誌上自豪地宣布，他們的乳腺癌診斷軟件的表現優於人類。這篇論文引發了一連串的批評。 Benjamin Haibe-Kains 在《技術評測》中寫道，谷歌健康報告與其說是一項合法的科學研究，不如說是一種炫酷技術的廣告。這不是科學界第一次對研究突破持懷疑態度。直到今天，還有一個經常被引用的IBM 案例，它吹噓說，一旦獲得足夠的醫學文獻，它的驕傲IBM Watson 計算機將成為地球上最好的醫生。但就目前而言，該公司不得不為沃森博士的眾多錯誤做出解釋，例如開出的藥物會顯著增加大出血患者的出血量。事實證明，沃森試圖解開COVID -19 之謎的嘗試是一個驚人的失敗。 DeepMind 使用其AlphaFold 人工智能係統來預測和發布冠狀病毒相關結構並沒有產生令人滿意的結論。事實證明，大流行期間產生的數據流難以解釋。儘管用於機器學習的神經網絡可以有效地識別模式，正如面部識別的進步所證明的那樣，但這種能力不適用於我們在病毒情況下處理的那種異構數據。
弱點5：算法不靈活
算法擅長解決特定問題和執行特定任務，例如在國際象棋遊戲中遇到的那些。然而，面對新的情況和信息，他們往往會掙扎。有人稱之為“非經常性工程”。這種狹隘的算法專業化及其功能剛性在機器人技術等領域顯而易見。雖然媒體大量宣傳機器狗的體操壯舉，但很少有機器可以從執行一項活動順利過渡到另一項活動的例子。這種僵化的一個更複雜的表現是負責處理自然語言的語音助手的問題。只要提出的陳述和問題始終保持準確，助理就可以流利地交談。一旦說話者走出預定義的概念和情境上下文，機器人的回答就會轉向荒謬。許多專家一致認為，人工智能永遠無法理解社會、概念和情境背景。機器將永遠是受過訓練的生物，儘管存在一定的不可預測性（黑匣子問題），但它們永遠無法超越其特定的有限技能組合。這是否意味著人工智能永遠無法通過著名的圖靈測試？
接下來是什麼？
AI 開發遵循創新技術中常見的開發週期。這個週期從一系列事件和部署開始，這些事件和部署激發了人們對給定技術的興趣並產生了炒作。噪音越大，就越有可能是期望過高，突破性進展的夢幻般的願景已經激起了市場參與者、媒體和消費者的胃口。不幸的是，這個階段往往伴隨著幻滅和（所謂的）承諾沒有兌現的感覺。但是，通過強調實際好處的冷靜反思，也有一個圓滿結局的空間。就人工智能而言，我認為我們正在進入一個我不願稱之為失望的階段，因為那是不公平的。我認為“批判性反思”一詞更合適。
意識到人工智能的幾個基本缺點會讓人耳目一新。我們值得一點樂觀：我們不必在我們的大腦中植入芯片來跟上機器的步伐。就目前而言，是機器難以跟上人類的步伐。還有一點值得記住：我們這個星球上取得的所有真正進步都只有那些有動力解決周圍問題並使世界變得更美好的人才能實現。機器學習永遠不會經歷做任何事情的個人動機，無論好壞。在我看來，僅此限制就可以讓人們在晚上睡得更好。
. . .
參考文獻：
OpenAI、Dario Amodei、Danny Hernandez、Girish Sastry、Jack Clark、Greg Brockman、Ilya Sutskever，人工智能和計算：AlexNet 到AlphaGo Zero：計算增加300,000 倍，Link，2020。
WIRED, WILL KNIGHT，Facebook 的AI 負責人表示該領域將很快“撞牆”，Jerome Pesenti 對人工智能的進步感到鼓舞，但也看到了當前深度學習方法的局限性，Link，2020。
BusinessWire、Ritu Jyoti、IDC 調查發現人工智能是組織的優先事項，但很少有人實施企業範圍的戰略，Link，2021 年。
. . .
相關文章：
– 源於我們偏見的算法
– 算法會犯戰爭罪嗎？
– 機器，你什麼時候才能學會和我做愛？
– 人工智能是一種新電力
資訊來源：由0x資訊編譯自DATADRIVENINVESTOR，版權歸作者Norbert Biedrzycki所有，未經許可，不得轉載