第五节 AI解决的痛点与存在的不足
人工智能经过三起三落后，又一次进入到了公众的视野。2016年和2017年，人工智能被炒得很火，尤其是AlphaGo相继击败了李世石和柯洁。在围棋界，AlphaGo可以说是横行无忌，无人能敌。
从AlphaGo开始，人工智能逐渐走入大众的视野，经过各媒体的竞相报道，人工智能被炒得非常高。如今，人工智能虽然还是很热，但热度已经被区块链夺走。但是，无论是世界上有能力的各国，还是国际上有实力的科技巨头，都在布局人工智能领域，例如，谷歌收购了与人工智能相关的十几家公司，其中就包括设计出AlphaGo的DeepMind公司。
1．人工智能需解决的痛点
人工智能未来必然是我们发展的方向，那么在人工智能发展的过程中有哪些痛点需要解决呢？
（1）道德价值观判定
人工智能遇到伤害事件发生的时候，应该如何抉择？举个例子：
如今，无人驾驶在如火如荼地发展，人工智能很可能将首先应用到无人驾驶领域。但是，在无人驾驶领域有时候会出现这样的情况：如果无人驾驶的汽车行驶在道路上，正前方忽然冲出一个人，左右两边正好有人，无论车辆如何操作，都无法避免伤害，这时候人工智能该如何抉择？
计算机世界是一个概率世界，如果正前方是老人，左右是小孩，就要分析小孩比老人更有价值，完成所有的最优解。但是，这明显是违背道德常识的。
（2）莫拉维克悖论
人工智能，简单理解就是像人类一样的智能。如此，人工智能所遵循的逻辑或者方法应该是类人类，但现实中，人工智能与人类智能完全不同。
莫拉维克悖论，是由人工智能和机器人学者发现的一个跟常识相左的现象。不同于传统假设，计算机要想完成人类所独有的高阶智慧能力，只需要极少的计算能力，例如：推理。但是，要想完成无意识的技能和直觉，却需要极大的运算能力。
（3）算力的限制
目前，要想搭建人工智能算力平台，需要大量的CPU和GPU。谷歌公司的AlphaGo使用的TPU，是类似于GPU的一种算法芯片，有着极高的能耗功效。训练AlphaGo需要的算力，相当于市面上常见的消费级1080Ti，大约12000块，至少千万级别的开支。
对于谷歌、Facebook、腾讯等巨头公司，这样的开销也许不算什么；但是，对于一些规模较小的公司，这将是非常大的一个问题。因此，人工智能想要步入成熟期，必须解决算力成本问题。
（4）缺少必要的数据
AI模型不仅仅需要人工对信息进行标记，也需要巨量数据，才能达到人类正确识别的程度。以AlphaGo为例，击败李世石的那个版本的AlphaGo，进行了3000万次图谱学习；击败柯洁的那个版本，进行了400多万次自我对弈。除了对数据量的需求极大外，对数据的维度也要尽可能全面。总之，将最好的都给我，越全面越好。但是实际情况却是，现实中无法获得结构性的全面的数据，同时也很难获得比较准确的数据。
（5）可信任性
在处理可评测结果的应用中，AI模型可能表现得非常出色，比如：在图像识别领域，可以用一个确定的概率来评价AI模型的正确识别度。但是，如果在未来的应用场景，需要AI模型提供一定的商业决策或给出一些建议，我们并没有很好的参照体系来评价AI模型的决策和建议是否准确、是不是最优解，如此就会影响决策的方向和准确，为商业人士带来很多不必要的困扰。
（6）模型可移植性差
AI模型的可用性是随着训练的数据量增大而逐渐增高的，但是需要的数据量非常大，即使是重复度很高的模型，也无法从上一个模型中获得经验，只能从头开始训练。如此，就会带来一些问题，比如：增加数据获取成本、时间成本、能耗成本等，这将给发展中的企业带来极大的困扰。模型的可移植性差，必然会影响到技术的发展传播速度，增加传播成本。
（7）隐私安全问题
在很多行业，隐私安全问题都是非常重要的话题，人工智能行业的隐私安全也就成了制约它的痛点。要想利用人工智能来提高人们的生活效率和品质，就需要尽可能多地获取个人信息，可能需要将个人信息上传到云端。另外，目前，还没有办法依靠本地的算力支撑人工智能。隐私与便利是一对矛盾，但如果人工智能想获得更好的发展，必须二者兼顾。
（8）相关人才稀缺
人工智能在人才方面极度稀缺，数据显示，全球在人工领域的人才不足25万人，其中在美国的人才最多，其他主要分布在欧洲、印度、中国、加拿大等，有10年以上工作经验的不足30%。在这些国家，企业要想在人工智能领域做出成绩，首先就要争夺人才，比如：中兴被美国制裁，引起对“国芯”的发问，首先出现的问题就是人才稀缺。
（9）黑匣子问题
在人工智能设计发展之初，赋予其相应的发展方向是：根据人为制定的规则和人为制造的逻辑执行相应的任务。但是，这样做，无法让人工智能得到令人满意的实际应用。AI模型的自动生成，存在不可解释的问题。只要AI模型得出或做出出乎意料的事情，我们根本就没有能力来解释背后的原因。
（10）需要大量的数据标记
目前，现有的AI模型都需要大量的数据标记，因为多数模型是监督学习模型。大量的数据标记，不仅会要求更多的人力资源，同时人的参与也会为数据带来一定的误差。目前，要想很好地解决这一问题，就要利用强化学习的方式，进行无监督学习。
2．人工智能的不足
人工智能虽然能够助力企业发展，但也不是万能药。事实上，与其他任何技术一样，也存在自身技术的局限性。
（1）AI可能不适合低功耗设备
多数物联网设备都是低功耗小数据量的，一旦恶意攻击者将恶意软件植入到这一层次，人工智能的作用就无法发挥了。原因在于，人工智能作用的发挥，需要大量内存、计算能力及大数据，必须将数据发送到云端进行处理；而物联网设备通常不具备这几个条件。
比如，发生车祸时，车载AI会自动拨打报警电话并报告车辆所处位置，但我们却无法改变车祸已经发生的事实；同样，车辆自动报警可能比路人报警节省时间，但无法预防撞车。也就是说，人工智能只能有助于在设备完全失控之前检测出出现问题的地方。
（2）AI无法分析自己不知道的东西
世界是缤纷多彩的，是不受控的，AI虽然能在严格控制的网络上运行良好，却无法感知“网络”以外的未知。人工智能有四大痛点：影子IT、BYOD项目、SaaS系统和雇员，不论给AI注入多少大数据，都得同时解决这四大痛点，而这却是几乎不可能完成的。
尤其是在一家企业中，很多员工都会通过不安全的Wi-Fi网络在电脑上打开企业办公邮件，最直接的结果就是导致敏感数据的流失，而人工智能却无法知道是否发生了这件事，最终结果就是，公司内部应用可以受到AI保护，防止用户误操作，却无法感知员工使用的终端设备。此外，只提供智能手机APP，却不提供企业访问控制、实时日志的云系统，又如何引入AI？如此，企业是无法成功利用机器学习的。