人工智能已经从理论走向了日常生活。在AI变得愈加强大之时，其弱点也十分明显。牛津大学计算机系主任Michael Wooldridge教授发出提醒：人工智能局限颇多。以下内容根据Wooldridge教授在市北·GMIS 2019全球数据智能峰会上的《机器学习之局限》讲话整理，由氢云资讯编辑。

一般来说，我们都爱分享一些人工智能的最新创新成果。但今天我想要说的，是人工智能和机器学习正在面对的一些挑战。

20年前，人工智能似乎还像科幻片一样。但近10年来，人工智能和机器学习已经取得了巨大突破，如面部识别这样的技术应用已经非常普遍。人们对于人工智能显得异常兴奋，砸下了许多投资，也怀着极高的期望。

计算机在一些方面能力极强，但在另一些方面却非常弱。在数学运算方面，计算机能够可靠完成每秒10亿次级的计算，还可以不眠不休地工作，这是人类无法做到的。但有些对于人类来说微不足道的事情，有些我们每个人时刻都具备的能力，对计算机而言却很难。

其实，有不少事是计算机不在行的。比如，长期推理（如计算机无法预见到吸烟的危害是长期积累而导致的）、解决表述不准确的问题、认知（如视觉和语言）以及判断（尤其当缺少精确规则的时候）。

为什么这些事对计算机来说那么难呢？这里有两种可能性。首先，由于我们的算法是基于理论来解决问题的，但这样的算法在现实中就效果不佳，因为解决问题还需要大量记忆和时间。这里所说的大量往往达到天文数量级，就会让运算变得十分低效。其次，对于像认知这类能力，传统的软件开发与算法无法提供借鉴，需要完全不同的技术路径。

现代AI的突破本质上就是要解决以上两大问题，AI的发展历史也是两种不同路径的发展史——自上而下和自下而上。

所谓自上而下，是指基于知识的AI，也就是让人来明确告诉计算机如何完成任务。这就要求把人类知识转化成明确的计算机语言，并传递给计算机。这种方式在一些情况下效果很好，比如专家系统，但在机器人领域和现实问题方面却效果不佳。另外，这样的方式也不能解决认知问题。

所谓自下而上，就是机器学习的方式，通过输入和输出形成知识。比如，给计算机输入不同时期（少年、青年、中年）艾伦·图灵的照片，让计算机学习其中的关联，那么下一次再有一张计算机没见过的图灵照片出现时，它也能认出这是图灵。监督学习是这当中最简单的技术，采用的是成对的（输入对应输出）训练数据。而神经网络和深度学习是当前的主流训练方式。

现在的AI大量基于数据，但缺陷是AI无法做到真正的“理解”。这一缺陷在语言处理中体现的尤为直观和明显，比如目前的翻译程序无法创造性地在翻译意思的同时产出优美的文字。我坚信，无论给这样的翻译程序输入多少各种语言的文本，它仍然不会明白字面意思之下的丰富涵义。

一个典型的例子是下面这段极其简短的对话。

男：我要离开你了。
女：她是谁？

任何人应该都能从中读出很多意思，甚至是丰富的画面感。但这样的理解是基于人类的经验以及成长过程的各种经历，与其他人打交道的过程。缺乏这些经验和经历的计算机程序自然是无法理解的。

因此，我们需要明白的是，人工智能可以是深度学习，但深度学习却非人工智能。

• 以上内容仅代表作者个人观点，不代表氢云资讯观点及立场
• 以上内容及观点不构成任何投资建议，据此投资后果自负