這兩年來(lai)，雖然人工(gong)智能技術(shu)已經令人們變得興奮(fen)不已，但實(shi)(shi)際上目前(qian)它的(de)發(fa)展(zhan)所需(xu)要的(de)技術(shu)、工(gong)具與流程還(huan)沒有完(wan)全成形，研究人員正積極解決各類最為棘手的(de)現實(shi)(shi)問(wen)題，作為企業，現在應該做的(de)就是抓緊時間了解AI前(qian)沿所發(fa)生的(de)一切，并(bing)以此為基礎定位組織與學(xue)習思(si)路，最終利用甚(shen)至推動由此帶來(lai)的(de)一切可能性。

人(ren)工智(zhi)能就像個不斷移動的標靶，而企業要做的就是努(nu)力“正中靶心”。

當然，當我們看到Alexa、Siri以及(ji)AlphaGO不(bu)斷占據新聞頭(tou)條的同時，不(bu)得不(bu)承(cheng)認的另一個(ge)現實情況是——包括機器學(xue)習(xi)、深(shen)度學(xue)習(xi)等在內的諸(zhu)多人工智能技術(shu)仍然存在非常多的局限性，這還需要我們投(tou)入巨大的精力和時間去克服。

為此，在(zai)今天的(de)文章中，我(wo)們(men)將全(quan)面探(tan)討人工(gong)智(zhi)能(neng)技術目前(qian)面臨的(de)障礙(ai)以及對應的(de)解決方法。

據麥(mai)肯(ken)錫全球研(yan)究院在最近的研(yan)究報告(相關文章《麥(mai)肯(ken)錫在全球調研(yan)分析了(le)160個案例，給出(chu)(chu)5個行(xing)業的34個AI應(ying)用(yong)場景(jing)》)中指出(chu)(chu)，行(xing)業中的領導(dao)企業往往更青睞(lai)于對人工智能(neng)技術(shu)的投資(zi)和應(ying)用(yong)。

因此，要提升(sheng)企業在(zai)未來的競爭力(li)，就必須要有能(neng)力(li)掌握更(geng)為(wei)充(chong)分的信息以應對人(ren)工智能(neng)難題。換句話來說，我們(men)不僅需要理解(jie)AI在(zai)促進創新、洞察力(li)以及(ji)決策、推動營收增長乃至改(gai)進效率水平(ping)等(deng)層面的現實意義，同時也有必要深(shen)入了解(jie)人(ren)工智能(neng)還無(wu)法(fa)實現價(jia)值的領域。

挑戰、局限與(yu)機遇(yu)：從深度學習技術談起

可以說(shuo)，深度學習是(shi)人工智能(neng)領域目前最(zui)(zui)受關注的發展成(cheng)果，利用包含(han)數百(bai)萬(wan)個(ge)分層(ceng)構建的模擬“神(shen)經元”的大型神(shen)經網絡(luo)(luo)，它(ta)正在幫助我們(men)提升分類與預測的準(zhun)確(que)性。其中，最(zui)(zui)常見的網絡(luo)(luo)被(bei)稱(cheng)為卷積神(shen)經網絡(luo)(luo)(簡稱(cheng)CNN)與遞歸神(shen)經網絡(luo)(luo)(簡稱(cheng)RNN)。這(zhe)些神(shen)經網絡(luo)(luo)能(neng)夠通過數據訓(xun)練，并配合(he)反(fan)向傳播(bo)算法實現“學習”。

雖然(ran)這一(yi)技術已經取得(de)了一(yi)系列進(jin)展，但需要(yao)注意的(de)(de)(de)是(shi)，其中還有最關鍵的(de)(de)(de)一(yi)步，就是(shi)如何(he)將人(ren)工(gong)智能(neng)方法與問題和可用數(shu)據(ju)匹配起(qi)來(lai)(lai)。由于這些系統是(shi)“訓練”而(er)來(lai)(lai)，而(er)非(fei)編(bian)程而(er)來(lai)(lai)的(de)(de)(de)，因此其學習(xi)過程往往需要(yao)大量標(biao)記(ji)數(shu)據(ju)才(cai)能(neng)準確執行(xing)復雜的(de)(de)(de)任務。然(ran)而(er)，獲取大規模數(shu)據(ju)集往往相當困難，即(ji)使(shi)能(neng)夠實現(xian)，標(biao)記(ji)工(gong)作也需要(yao)巨(ju)大的(de)(de)(de)人(ren)力投(tou)入。

此外(wai)，我們很難(nan)判斷深(shen)度學(xue)習訓(xun)練所使(shi)用(yong)(yong)的(de)數學(xue)模(mo)型要如何才能達成特定的(de)預測(ce)、推薦或(huo)決策要求(qiu)。這就是“黑匣子”問題，即使(shi)模(mo)型能夠(gou)支持實現(xian)既定的(de)目標，但效用(yong)(yong)恐怕也將十分有限。考慮到這一點(dian)，用(yong)(yong)戶有時(shi)候的(de)確需(xu)要了(le)解(jie)這背(bei)后的(de)運(yun)作原理(li)，以(yi)及(ji)為何在特定情(qing)況下某些因素(su)的(de)權重要比其它因素(su)更(geng)高等等。然而(er)，這并不(bu)容易。

基于(yu)此，我們列(lie)舉了人工智能技術及其應用目前存在的五(wu)大局限，以及與(yu)之對(dui)應的解決方案：

1- 需要大量的數據標記(ji)

大(da)多數(shu)現有的(de)AI模型都是(shi)通過(guo)“監督學習”訓練(lian)而成(cheng)的(de)。這意味著人類必(bi)須對樣本數(shu)據(ju)進行標(biao)記與(yu)分類，但這一過(guo)程很可能存(cun)在一些難以察覺的(de)錯誤。強化(hua)學習與(yu)生成(cheng)式對抗網(wang)絡(GAN)是(shi)解決這一問題的(de)兩個重要(yao)手段。

強化(hua)學習(xi)(xi)。強化(hua)學習(xi)(xi)是(shi)(shi)一種無監督(du)學習(xi)(xi)的(de)方法，它(ta)允許(xu)算法通過(guo)反復(fu)試(shi)驗完成(cheng)學習(xi)(xi)任務(wu)。有點像是(shi)(shi)“胡蘿卜(bu)加大棒”的(de)簡單訓練方式：即對于算法在(zai)執行任務(wu)時所做出的(de)每一次嘗試(shi)，如果其行為獲得成(cheng)功，則給予(yu)“報(bao)酬”(例如更(geng)高的(de)分數); 如果不成(cheng)功，則給予(yu)“懲罰(fa)”。經過(guo)不斷重(zhong)復(fu)，使得學習(xi)(xi)環境能夠準確反映(ying)現實情(qing)況，從(cong)而(er)提升模型的(de)效能。

目前這一方法已(yi)經廣泛應用于游戲領(ling)域，AlphaGo就是一個典型(xing)例子(zi)。此外，強化學(xue)習還擁有在商業領(ling)域應用的巨(ju)大潛力，比如，通(tong)過(guo)構建(jian)一套人(ren)工智能驅動(dong)型(xing)交(jiao)易組合，從(cong)而在盈利與(yu)虧損之間(jian)學(xue)習發現(xian)正確的交(jiao)易規(gui)律(lv); 比如，打(da)造(zao)產品推薦引擎，以積分方式(shi)為銷售活動(dong)提供決策建(jian)議; 甚至以按時交(jiao)付或減少(shao)燃油消耗作為報酬指標，開發運輸路線選擇的軟件等(deng)等(deng)。

生(sheng)(sheng)成(cheng)式對(dui)(dui)抗網絡(luo)(luo)。生(sheng)(sheng)成(cheng)式對(dui)(dui)抗網絡(luo)(luo)是一(yi)種半監督(du)學習(xi)的(de)方(fang)法，通過兩套(tao)相(xiang)互對(dui)(dui)抗的(de)神經網絡(luo)(luo)，不(bu)斷完(wan)善各自對(dui)(dui)同一(yi)概念的(de)理(li)解。以識別鳥類圖(tu)(tu)像為例(li)，一(yi)套(tao)網絡(luo)(luo)負責正確分辨鳥類圖(tu)(tu)像，而另(ling)一(yi)套(tao)網絡(luo)(luo)則負責生(sheng)(sheng)成(cheng)與鳥類非常相(xiang)似(si)的(de)其它圖(tu)(tu)像對(dui)(dui)前者進行(xing)迷惑(huo)。當兩套(tao)網絡(luo)(luo)的(de)表現最(zui)終趨于(yu)穩定(ding)時，其各自對(dui)(dui)鳥類圖(tu)(tu)像也擁有(you)了更(geng)為準確的(de)認知。

生(sheng)成(cheng)式對抗(kang)網(wang)絡(luo)能夠在(zai)一定程度上降低對數(shu)據(ju)(ju)集數(shu)量的(de)要求。舉(ju)例(li)來說，通(tong)過(guo)訓(xun)練算法(fa)從(cong)(cong)醫學(xue)圖(tu)像(xiang)當中識(shi)別(bie)不同(tong)類型(xing)的(de)腫瘤(liu)時，以(yi)往科學(xue)家們往往需要從(cong)(cong)人(ren)類標記的(de)數(shu)百萬(wan)張包含特定腫瘤(liu)類型(xing)或階段的(de)圖(tu)像(xiang)當中提取信息并創建數(shu)據(ju)(ju)集。但經過(guo)訓(xun)練的(de)生(sheng)成(cheng)式對抗(kang)網(wang)絡(luo)就可(ke)以(yi)通(tong)過(guo)繪制逼真的(de)腫瘤(liu)圖(tu)像(xiang)，從(cong)(cong)而訓(xun)練腫瘤(liu)檢(jian)測算法(fa)，在(zai)此基礎上將小(xiao)型(xing)人(ren)類標記數(shu)據(ju)(ju)集與生(sheng)成(cheng)對抗(kang)網(wang)絡(luo)的(de)輸出結(jie)果相結(jie)合，快速完成(cheng)學(xue)習。

2- 需(xu)要海量的數據集

目(mu)前，機器學習(xi)技術要(yao)(yao)求訓(xun)練數據(ju)集不(bu)僅(jin)包(bao)含人工(gong)注(zhu)釋信息，同時在(zai)(zai)體量上(shang)也需要(yao)(yao)夠大、夠全(quan)面(mian)。而深度學習(xi)也要(yao)(yao)求模型能(neng)夠對(dui)(dui)成(cheng)千上(shang)萬條(tiao)(tiao)的(de)數據(ju)記錄進(jin)行學習(xi)，才能(neng)獲得相對(dui)(dui)理想的(de)分類能(neng)力(li); 甚至在(zai)(zai)某些情況下(xia)，其需要(yao)(yao)學習(xi)的(de)數據(ju)要(yao)(yao)達到(dao)(dao)數百萬條(tiao)(tiao)才能(neng)實現(xian)與人類相近的(de)判斷準(zhun)確率(lv)。舉(ju)例來說，如果希望讓自動駕駛車輛學會如何(he)在(zai)(zai)多種天氣條(tiao)(tiao)件下(xia)行駛，就需要(yao)(yao)在(zai)(zai)數據(ju)集當(dang)中輸入可能(neng)遇到(dao)(dao)的(de)各類不(bu)同環(huan)境條(tiao)(tiao)件。

然而，在現(xian)實應(ying)用(yong)中大量(liang)(liang)數據集往往很難獲取。對(dui)此，一(yi)次性學(xue)習(One-shot learning)是一(yi)種(zhong)能夠減少對(dui)大型(xing)數據集需(xu)(xu)求的(de)技術，只(zhi)需(xu)(xu)要利(li)用(yong)少量(liang)(liang)現(xian)實的(de)演示或示例(在某(mou)些情況下甚(shen)至(zhi)只(zhi)需(xu)(xu)要單一(yi)示例)就可以(yi)完成學(xue)習，快速掌握新技能。如此一(yi)來，人(ren)工智能的(de)決策行為將(jiang)更接(jie)近(jin)于人(ren)類，即(ji)只(zhi)需(xu)(xu)要單一(yi)的(de)樣(yang)本就可以(yi)精確識別(bie)(bie)出同一(yi)類別(bie)(bie)的(de)其它多種(zhong)實例。

具體而言，數據科學(xue)(xue)家(jia)們(men)首(shou)先(xian)會在變化的虛(xu)擬環境中預先(xian)訓練出一套模型，使其能夠利用自身的知識(shi)順利找到正確的解決方案。一次性學(xue)(xue)習(xi)通常被認(ren)為是計(ji)算機視覺(jue)中的對象分類問題(ti)，旨在從(cong)一個(ge)或(huo)僅少數幾個(ge)訓練圖像中學(xue)(xue)習(xi)關(guan)于對象類別的信息，并且(qie)已經成功應用到包(bao)括計(ji)算機視覺(jue)和藥物研(yan)發在內的具有高維數據的領域(yu)。

3- “黑匣子”問(wen)題

可解釋性(xing)對于人(ren)工智能系統絕不是(shi)什么新問題。隨著深度學(xue)習的逐步普及，其應用范圍將(jiang)不斷(duan)擴(kuo)大。但這也意味著，更(geng)為多樣(yang)化以及更(geng)前沿(yan)的應用往(wang)往(wang)存在著更(geng)嚴重(zhong)的不透明問題。

規(gui)模(mo)更(geng)大(da)、復雜度更(geng)高的模(mo)型使(shi)得人們很難解釋計算機作(zuo)出某(mou)項決策的原因。然而，隨(sui)著人工智能應用(yong)范圍的擴(kuo)大(da)，監(jian)管機構將對人工智能模(mo)型的可(ke)解釋性作(zuo)出嚴格(ge)規(gui)定。

對此，目前有兩種新(xin)的(de)方法用以(yi)提高模(mo)型的(de)透(tou)明度，分(fen)別為與(yu)模(mo)型無關(guan)的(de)解釋技(ji)術(Local Interpretable Model-Agnostic Explanations，簡(jian)稱LIME)與(yu)關(guan)注技(ji)術(attention techniques)

LIME方法是(shi)在一套(tao)經過訓練的(de)模型(xing)當(dang)中(zhong)，確定(ding)(ding)其作出(chu)某個(ge)決策過程中(zhong)更多依賴的(de)那(nei)部分(fen)輸入數(shu)據，并利用可解釋代理模型(xing)對此進行(xing)預(yu)測。這(zhe)種方法通過對特定(ding)(ding)的(de)數(shu)據區段進行(xing)分(fen)析，并觀察預(yu)測結果的(de)變化，從(cong)而(er)對模型(xing)進行(xing)微調(diao)，最終(zhong)形(xing)成更為精確的(de)解釋。

關注(zhu)技(ji)術(attention techniques)則是對模型認為最重(zhong)要的(de)輸入數據進(jin)行可視化處理，并分析這部(bu)分數據與(yu)所作出(chu)決策之(zhi)間的(de)關系。

除此之外，還有另(ling)一種方法(fa)——廣(guang)義相加模(mo)(mo)型(簡稱GAM)(簡稱GAM)。線性(xing)模(mo)(mo)型簡單、直觀、便于理解，但是(shi)，在現實生活中，變(bian)量的(de)(de)作(zuo)用(yong)通(tong)常不(bu)是(shi)線性(xing)的(de)(de)，線性(xing)假設很(hen)可能(neng)不(bu)能(neng)滿(man)足實際需求，甚至直接違背(bei)實際情況。廣(guang)義加性(xing)模(mo)(mo)型是(shi)一種自(zi)由靈活的(de)(de)統計模(mo)(mo)型，它可以用(yong)來(lai)探測(ce)到(dao)非線性(xing)回歸的(de)(de)影響(xiang)。通(tong)過對單特征模(mo)(mo)型的(de)(de)利用(yong)，它能(neng)夠限(xian)制(zhi)不(bu)同變(bian)量的(de)(de)相互(hu)作(zuo)用(yong)，從而(er)確保每項(xiang)特征的(de)(de)輸出(chu)更容易被加以解釋。

通過這(zhe)些方法(fa)，我們正在慢慢揭開人(ren)工智能決策(ce)的“神秘面(mian)紗”，這(zhe)一點對于增強人(ren)工智能的采用范圍(wei)具有極為重要的現實意義。

4- 學習模型的“通用(yong)性”

與人類的學(xue)習方式不(bu)同(tong)，人工智能模型很(hen)難將其學(xue)習到的經驗(yan)舉一(yi)反三。因此，即使在相似度(du)很(hen)高的案(an)例(li)中，企業也必須多次投(tou)入(ru)資源來訓(xun)練(lian)新的模型，而(er)這就(jiu)意味著新的成本。

解(jie)決(jue)這個(ge)問(wen)題其中的(de)(de)一(yi)種的(de)(de)有效方(fang)式是遷(qian)移學(xue)習。即把(ba)一(yi)個(ge)領(ling)(ling)域(yu)(即源領(ling)(ling)域(yu))的(de)(de)知識,遷(qian)移到另外一(yi)個(ge)領(ling)(ling)域(yu)(即目標領(ling)(ling)域(yu)),使(shi)得目標領(ling)(ling)域(yu)能夠取得更好的(de)(de)學(xue)習效果(guo)。在人工智(zhi)能領(ling)(ling)域(yu)，就(jiu)是通過訓練(lian)人工智(zhi)能模型(xing)完成某(mou)項任務，并將其迅速遷(qian)移至另一(yi)項類似但有所(suo)不(bu)同的(de)(de)任務環境中來實現(xian)“舉一(yi)反三(san)”。

隨著遷移學習的(de)逐步成(cheng)熟，其將能(neng)夠(gou)幫助(zhu)企業(ye)更快構建(jian)起新型的(de)應用程(cheng)序(xu)，并(bing)為現(xian)有的(de)應用程(cheng)序(xu)提(ti)供更多(duo)功(gong)能(neng)。

舉例(li)來說，在創建(jian)虛擬助(zhu)理時，遷移學習(xi)能(neng)夠將用(yong)戶在某一領域(例(li)如(ru)音樂)的偏好推廣(guang)到其它領域(例(li)如(ru)書籍)。再比(bi)如(ru)，遷移學習(xi)還能(neng)幫助(zhu)石油天然氣生(sheng)產商，擴大(da)AI算法訓練規模，從(cong)而對管道及(ji)鉆井平臺等設備進行預(yu)測性維護。

另一種方法，是利用能夠在多個問題(ti)當中(zhong)(zhong)應用的廣義性架構。譬如DeepMind在AlphaZero當中(zhong)(zhong)就設計(ji)了一套對應三種不同(tong)游(you)戲的架構模型。

5- 數據與算法中(zhong)的“偏(pian)見”

如果輸入的(de)(de)數(shu)(shu)據(ju)摻(chan)雜(za)了人的(de)(de)偏(pian)好(hao)或者某(mou)些(xie)數(shu)(shu)據(ju)被(bei)忽略(lve)、某(mou)些(xie)數(shu)(shu)據(ju)被(bei)偏(pian)重，那么就有可能使得算法(fa)結果存在“偏(pian)見(jian)”。在具體的(de)(de)應用(yong)中，有可能造成錯誤的(de)(de)招聘(pin)決(jue)策、不當的(de)(de)科學(xue)或醫療預測(ce)、不合(he)理的(de)(de)金融模式(shi)或刑(xing)事司法(fa)決(jue)策，甚至在法(fa)律層面(mian)引發濫用(yong)問題(ti)。但是，在大多數(shu)(shu)情況下，這些(xie)“偏(pian)見(jian)”往往難以被(bei)察覺(jue)。

目前，業界正在進行多項(xiang)研(yan)究(jiu)工(gong)作，從而(er)建立最佳實(shi)踐以解(jie)決學術、非營(ying)利(li)與私營(ying)部門所面臨的這一實(shi)際問題。

企業應該如何擊(ji)中(zhong)“移動中(zhong)的(de)標靶”

要解決上面提到的(de)這些局限性(xing)難題，我們還(huan)有很長的(de)路要走(zou)。然而，事實上，人工(gong)智能(neng)面臨的(de)最(zui)大局限可能(neng)在于我們的(de)想象力。麥肯錫為(wei)希望利(li)用人工(gong)智能(neng)技術實現飛躍的(de)企(qi)業領導者(zhe)提出(chu)了一(yi)些建議：

做(zuo)好功(gong)(gong)課，緊盯(ding)目標，并隨時(shi)跟進。雖然大多數(shu)高(gao)管并不需要了解卷(juan)積(ji)神經網絡與遞(di)歸神經網絡之間的區別，但也要對(dui)目前它(ta)們(men)所(suo)能(neng)(neng)實現的功(gong)(gong)能(neng)(neng)有大致了解，在(zai)掌握(wo)其短期發展的可(ke)能(neng)(neng)性的同時(shi)著眼(yan)未(wei)來。

了解數(shu)據科學與(yu)機(ji)器學習專家(jia)提出的專業知識(shi)，同時與(yu)AI先行(xing)(xing)者們進行(xing)(xing)交流，補齊自己(ji)的短板。

采用(yong)精準的(de)數據策略。人工智能(neng)算法需(xu)要人為(wei)的(de)幫助與引導(dao)，為(wei)此，企業(ye)可以(yi)提前制定全面的(de)數據策略。該(gai)策略不僅需(xu)要關注對來自(zi)不同(tong)系統的(de)數據進行匯(hui)總(zong)的(de)技術，同(tong)時還(huan)應關注數據可用(yong)性，以(yi)及數據的(de)獲取、標記(ji)、治理等任(ren)務。

雖然如上文所(suo)說，一些(xie)方法可以減少AI算(suan)法訓練(lian)所(suo)需要(yao)的數據(ju)量，但(dan)監督式(shi)學習仍然是目前的主流。同時，減少對(dui)數據(ju)的需求并不意味著不需要(yao)數據(ju)。因此(ci)，企業最關鍵的還是要(yao)了解并掌握自己的數據(ju)，并考(kao)慮如何對(dui)其加以利用(yong)。

打通(tong)數(shu)據，橫向思考。遷移學習技(ji)術目前仍(reng)處于(yu)起步階段。因(yin)此，如果您需要解(jie)(jie)決大型(xing)倉(cang)儲體系的預測性維護(hu)問題，您是(shi)否能夠(gou)利用(yong)相(xiang)同的解(jie)(jie)決方案(an)支(zhi)持消費(fei)產品(pin)?面對多種銷售渠道(dao)(dao)，適用(yong)于(yu)其(qi)中之一的解(jie)(jie)決方案(an)是(shi)否也能夠(gou)作用(yong)于(yu)其(qi)它渠道(dao)(dao)?因(yin)此，要讓算法能夠(gou)“舉一反三(san)”，還應該(gai)鼓勵業務部門進行數(shu)據共享，這(zhe)對于(yu)未來(lai)人(ren)工智能的應用(yong)將具(ju)有非常重要的意義。

主動(dong)當一(yi)個先行者(zhe)。當然(ran)，只是(shi)單純跟上(shang)當前的人工智(zhi)能技(ji)術還(huan)不(bu)足(zu)以保持企業(ye)長(chang)期(qi)的競爭優勢。企業(ye)領導(dao)者(zhe)需要鼓勵自己的數據科(ke)學(xue)工作人員或(huo)合作伙伴與外(wai)部專(zhuan)家(jia)合作，利用新興(xing)技(ji)術來解決應(ying)用問(wen)題。

此外(wai)，要(yao)隨時(shi)了(le)解技術的可(ke)行性與可(ke)用(yong)性。目(mu)前各類機器學習(xi)工具、數據集(ji)以及標準應(ying)用(yong)(包(bao)括語音、視覺與情緒檢測)類訓練模(mo)型正得到廣泛應(ying)用(yong)。隨時(shi)關注(zhu)相(xiang)關項(xiang)目(mu)，并(bing)對其(qi)加以利用(yong)，將有效提升企業的先發(fa)優勢。

這(zhe)兩年來，雖然人(ren)工智能技(ji)術(shu)已經(jing)令人(ren)們變得興奮不已，但實際上目前(qian)它的(de)(de)(de)發展(zhan)所需要的(de)(de)(de)技(ji)術(shu)、工具與流程還(huan)沒有完全成形，研究人(ren)員正積(ji)極解決各類最為棘手的(de)(de)(de)現(xian)實問題，作為企業，現(xian)在應該(gai)做的(de)(de)(de)就是抓緊(jin)時(shi)間(jian)了(le)解AI前(qian)沿所發生的(de)(de)(de)一切，并(bing)以此(ci)(ci)為基礎定位組(zu)織與學習思(si)路，最終利用甚(shen)至推動由此(ci)(ci)帶(dai)來的(de)(de)(de)一切可能性。

文章編輯：CobiNet(寧波)  
本公司專注于電訊配件,銅纜綜合布線系列領域產品研發生產超五類，六類,七類線，屏蔽模塊，配線架及相關(guan)模(mo)塊配件的(de)研發(fa)和(he)生產。