阿爾法狗打敗圍棋高手、索菲亞任你問答、無人車陸續量產，人工智能正日益為人類社會帶來不可思議的改變。人工智能一方面在不斷挑戰人類的想象力，一方面又顯得十分智障，人工智能呈現出兩種不同的面貌。
日前，中國科學院院士、清華大學人工智能研究院院長張鈸發表了題為《人工智能產業化面臨的挑戰》的演講，用AI的經典案例，闡述了人工智能的“特點”與“雷區”。
帶著鎖鏈跳舞：人工智能的五把枷鎖
張鈸院士認為，目前的AI的應用場景主要在，交通、家庭、健康、教育、低資源群體、安全、僱員與工作場所、娛樂、金融與智能製造領域。
以醫療場景的例子而言，AI可進行腫瘤檢測，但醫院目前無法大規模應用這項技術。首先由於深度學習具有不可解釋性，即AI不能像醫生一樣對病因進行有效解釋，其更傾向於做出直接的的判斷；其次因為AI其魯棒性不夠強，稍許噪聲都會對機器產生很大幹擾，其差別甚至會大到使機器將“雪山”識別成“狗”。
因而，AI在醫療中需要解決三個問題，包括AI系統的可解釋性和魯棒性；個人數據的隱私和保護；規章與制度改革問題。尤其要解決解釋性的問題，就需要AI學習醫生的知識，用醫生的知識去對病情進行解釋，不然AI無法解釋，也無法與醫生進行交互。
因而，實際上說，對人工智能來說最重要的能力是知識，而不是數據。機器應用數據的能力強於人類、人類應用知識的能力強於機器，如果不能兩者結合起來，人工智能就無法很好與產業進行結合。
而在更廣的領域，人工智能要應用到具體場景，必須要滿足下面的5個限制：有豐富的數據或者豐富的知識、完全信息、確定性信息、靜態與結構性環境、單任務與有限領域。AI要實現，這五個條件缺一不可。
AlphaGo：深度學習的大師，但橋牌不敵人類
如AlphaGo打敗李世石，成為AI發展史上的一個里程碑，AlphaGo拋棄了傳統下棋程序的編程方法，創造性的利用機器學習來獲取下棋的經驗與直覺。其不僅學習了以往圍棋大師們已下過的所有棋局——約幾千萬棋局，還通過強化學習（自己與自己對弈），學習了上億個新棋局。
這就意味著，AlphaGo下過的棋是任何一位圍棋大師一生下過棋的幾百上千倍。由於圍棋棋局空間很大（約2x10170），在圍棋幾千年的歷史中人類只是探索了其中的一部分，AlphaGo利用計算機的超強計算能力，不僅把人類已經探索過的空間加以優化，還探索了新的空間（即新的棋局）。正由於此，人類棋手在AlphaGo面前才顯得十分被動。
但張鈸院士認為，研究AlphaGo不過是為了研究人工智能解決這類問題的方法以及可能達到的水平，其為完全信息博弈，信息完全和確定，遵循著完全確定的遊戲規則演化，擁有靜態與結構性環境。而計算機打麻將就難以超越人類，因為牌類是不完全信息博弈，因而人工智能學習比棋類困難。
Watson：有限問答，對話系統推理能力差
再舉Watson的例子，Watson為IBM創建的對話系統，其中知識庫包括百科全書、有線新聞、文學作品等，所有知識用紙質來表示可達2億頁，用存儲量表示可達到4TB，並且其具有一定的推理機制。
而Watson能回答什麼問題呢？ 如“1974年9月8日誰被總統赦免”，計算機用「1974年9月8日」、「被總統赦免」幾個關鍵詞就可以在文獻中檢索出“尼克松”這個答案。
而要回答“與美國沒有外交關係的國家中哪個最靠北”此類問題，就需要智能推理了。與美國沒有外交關係的國家可以檢索出有4個，但哪個國家最靠北，沒有直接答案，於是要用到推導，從各個國家所處的緯度、氣候寒冷的程度等分析出，答案是“北朝鮮”。
但Watson的智能僅體現在初步的智能推理上，開放領域的人機對話難以實現，如面向開放領域人機對話的索菲亞機器人就體現了這一缺陷。
此前曾有一箇中國記者給索菲亞提出了4個問題，其只答對了一個。詢問「你幾歲了」，索菲亞的回答是「你好，你看起來不錯」；「你能回答多少問題呢」，其回答是「請繼續，沒聽懂」；詢問「你希望我問你什麼問題呢」，索菲亞回答「你經常在北京做戶外活動嗎」……
如上，目前開放領域的問答只能進行少量的智能推理，Watson已經算其中的佼佼者。而索菲亞，只能做娛樂和研究，不能進行產業應用，不然“離騙子也不會太遠”。
自動駕駛：不適應不確定性環境，犯錯就是必然性錯誤
而對於目前較為樂觀的自動駕駛領域，可以通過數據驅動的方法，學習不同場景下的圖象分割，並判別是車輛還是行人、道路等，然後建立三維模型，在三維模型上規劃行駛路徑，應用硬件可以做到實時。
但目前自動駕駛依然不能解決所有問題，如果路況比較簡單，行人、車輛很少，勉強可以使用，複雜的路況就難以實現。其主要原因在於，行人或司機都會有意無意破壞交通規則，使得數據驅動方法失效，各種各樣的行為是難以用數據訓練就能學習的。如果行人違反規則，計算機不能正確反應，就會造成不可避免的危險。而駕駛員的經驗和知識，此時就變得尤為重要。
從犯錯誤的概率來說，人類也優於人工智能：人類犯錯誤是偶然的；而機器一旦犯錯誤，就是系統性錯誤，必然錯誤。
AlphaGo、Watson、自動駕駛……這些人工智能領域的典型代表和場景，也都存在著侷限。因而，目前人工智能只能在豐富的數據或者豐富的知識、完全信息、確定性信息、靜態與結構性環境、單任務與有限領域下才能更好發揮能力。
但在不滿足條件的情況下，人工智能產業化會很難走，這些就是創業的雷區。避開這些雷區，才能更少的造出“人工智障”。
閱讀更多 億歐網 的文章
