越來越多的人工智能（AI）投入實際應用，包括在線客服、網絡搜尋、甚至臉書上的訊息呈現，背后其實都是靠強大的算法執行。只不過，AI本身的局限性，也將在投入應用越來越明顯，這也將是決定AI乃至于人類生活能否持續進步的一大關鍵。在AI領域中，引領風騷的不只是掌握用戶數據、用戶數量龐大的科技巨人，從生產制造端切入，在某個特定產業稱王的也大有人在。日本的Preferred Networks（PFN）就是最好的例子。2014年創業的PFN，可以說是不折不扣的新創獨角獸。他們專精的領域，是把深度學習（Deep Learning）技術導入在產業應用上，目前在三大應用領域：運輸、制造生產以及醫療上，都與日本的一級大廠進行合作研發，例如從創業開始，PFN就與豐田汽車一起投入自駕車技術，去年（2017）七月更與日本國家癌癥中心合作，建構癌癥的早期血液診斷系統。在PFN看來，深度學習的本質，其實就是建構統計性的預測模型。PFN Fellow丸山宏形容，深度學習具備大量的參數，經過多次的反復操作后，可以形成任何多維、非線性的函數系統，逼近人類的思考模式，可以大幅提升預測的準確度。機器學習本質，不脫統計歸納分析這種預測模型該如何建立？以國際兩大溫度單位：攝氏（℃）與華氏（℉）的對應關系為例，從人類的觀點看，因為已經有一套標準的換算公式，丸山宏解釋，對于任何一個給定的華氏溫度，只要套入公式運算，就能得出相對應、即使測量也不會出錯的攝氏溫度；但對于機器來說，如果這套換算公式并不存在，就只能靠長期觀測、記錄攝氏與華氏兩套溫度數據，再對這些數據進行分析，慢慢推導出兩者之間的對應關系（圖1）。

圖1：使用觀測數據進行訓練，使機器學習溫度單位換算的方法

因為機器學習的對象只有被給定的參數，不論給定的參數再多、數據的規模再大，得出的僅是「近似」結果。丸山宏指出，歸納法的限制之一，就是只能根據過去的歷史資料預測未來；但如果未來出現不可知或根本無法預測的意外，任何AI技術都無法得出對的結果。此外，機器學習所處理的參數，多半都被嚴格定義過，如果此時出現了與眾不同的參數，也就是訓練數據中未曾出現的稀有事件，系統對其也無能為力。“機器學習或者AI，還是跟人腦不一樣，”丸山宏指出，“它不會靈光乍現，也不會進行臨機應變的處理，更難以避免偏誤的發生。”技術面以外，關于AI另一個更嚴肅的議題，可能發生在應用場域上。丸山宏解釋，在自動駕駛上，現在PFN的技術，已經達到可以同時控制多部車輛依其規劃路線行駛，又不至于出現壅塞。“在這輛紅色汽車上，我們的算法更可以設定所有車輛一碰到他就得轉彎或減速，降低車禍發生率。”這套系統明明運作地相當完美，但丸山宏卻提出另一個尖銳問題：這輛紅色汽車的“安全系數”該拉到多高？AI的應用，仍然有其局限性

圖2：Preferred Networks開發的分布式自動駕駛系統

他補充，一般人可能認為，為了避免發生危難，安全系數當然越高越好，“可是我們發現，當這輛紅色車的安全系數不斷提高、其他車輛在這個參數環境下不斷學習之后，居然都靜止不動了！”丸山宏解釋，正因為其他車輛被訓練的內容是“絕對不能碰到紅色車”，而只要一開動就會有碰撞的風險，所以才出現全部靜止的結果。只不過，這樣一來交通系統也跟癱瘓無異了。因為機器只能在被給定的參數框架內思考，如果人們給予的指令過于簡化，在實際生活中恐怕會出現難以預料的結果。他舉例，“好比你今天命令機器人去星巴克幫你買杯咖啡，如果指令內容只是『把咖啡拿過來』，那么機器人的行動，可能是到星巴克，把排隊的其他客人都打開推開甚至殺死，再把咖啡拿給你。”AI跟人類一樣并非萬能，類似這樣的“框架問題（Frame Problem）”，是人工智能領域中困擾許久卻尚未解決的問題。隨著這項技術逐漸被人類社會所使用，我們一方面固然可以因為生活更加方便而欣喜，但更要謹記的是必須以謹慎、注意的態度來使用這些科技，才不會制造更多無解的難題。