企業中的人工智能：8個神話被揭穿？

編者按：作者是海外獨立撰稿人。文章觀點，我們都有過零碎認知。同類文章也不少。

之所以還囫圇吞棗翻譯（有精簡）、轉來，是因看到前兩天中國工程院院士徐匡迪先生提的一個問題：“中國有多少科學家投入到人工智能的基礎算法研究中？”東南大學教授萬遂人強調：“我們人工智能領域真正搞算法的科學家鳳毛麟角。”最近幾年，AI炒翻天。有太多商業泡沫遮蔽了我們的認知。即便有些雖然看上去合理的討論，也容易被扭曲。比如，前年下半年、去年上半年，幾個行業大人物圍繞中美AI核心競爭力做著比較，最后我們大都在強調自己的數據優勢、場景優勢，而美國強調了自己的算法與底層的綜合技術。夸克君應該是最早提出“互聯網沙文主義”概念的一個。對于AI的認知，也持有同樣的觀點。當然我們絕不是否定它的價值。

我們對任何新技術都容易產生誤解。AI方面似乎特別明顯。這跟它的潛在影響范圍已產生一定神話性有關。

“AI通常被誤解。因為，我們需要探索一個巨大的宇宙，探索未知會讓人感到困惑和恐懼，” Very的工程副總裁Bill Brock說。

對于試圖在企業中構建AI實際應用的IT領導者來說，這已成一個特殊問題。

“AI在企業中變得越來越普遍，但應用場景、如何改進或更新過往系統仍有很多誤解，”布洛克說，雖然可將“機器人成為同事”的說法“浪漫化”，仍有必要了解不同類型的技術如何增強我們的系統并創造更有效的環境。

事實上，“浪漫化技術”是天空銷售推銷的主要內容，而非戰略CIO通過AI實現的底線結果。

此外，浪漫化的現實往往會產生妨礙可行目標的各種神話。因此，這里請Brock和其他專家確定當今企業中關于AI的常見神話，以幫助IT領導者和其他商業人士將事實與虛構分開。

神話1:AI等于機器學習

不是。理解兩者之間的差異，至關重要。機器學習更像是AI的子學科。

“我發現，許多交流中，這些術語之間沒什么區別，” SigOpt的研究科學家Michael McCourt說 ，這很有問題。

比如，如果一個公司領導層認為建立分類模型等于使用數據鞏固決策過程，就會忽視建立模型的結構和含義的重要步驟。這將導致公司對AI投入不足，沒有足夠的人力深入更大場景，最后導致失敗。

神話2:AI與自動化是一回事

AI和自動化也常常混淆。它們之間確實存在重要的關聯。

“隨著人們越來越熟悉AI，會了解到它是一種能思考的機器 ，至少能根據一系列預先定義的模型、算法做出明智決策。而‘自動化’只是在沒有人為干預的情況下完成任務而已。 ”布羅克說說，“自動化并不一定意味著AI，但AI最具影響力的一些案例，會以戲劇性的方式增強自動化。”

神話3：數據多就能帶來更好的AI結果

這誤解已深。好像AI成功的唯一真正先決條件是“數據”。

眼下，AI和機器學習團隊的工作，幾乎完全集中在數據挖掘與清理上。

“重要的不是數據的數量，而是質量，” LexisNexis Legal and Professional首席數據官Rick McFarland認為，“大量不良或標記不統一標的數據，并不能讓您更接近結果。它們實際上可以通過創建‘精確’結果來欺騙建模器，因為方差公式與樣本大小成反比。”

他說，從早期AI故障中學到的常見經驗之一是：我們只是在其中投入大量數據并假設它可行。早期階段，海量數據未必更好。

“質量數據是有效算法不可或缺的一部分，”Very公司的Brock表示，無論解決什么問題，不良數據都會產生糟糕的結果。

“最佳實踐是，使用結構化方法和偏差測試，來創建更好的訓練數據集 。”McFarland說，建模人員實際上可使用以較低成本獲得的較小數據集。

神話4:AI將從部署一刻起傳遞價值

不是說數據多反而不好。 事實上，隨著時間推移，它會變得越來越必要，只是數量和質量必須同步。一般來說，沒有人期望AI計劃立馬獲得投資回報，但有時，很多人還是不斷描述，只需打開，就能看到魔術。

“AI和ML引擎需要培訓，需要大量數據才能學習。一些數據可以播種，“”NetEnrich首席技術官Javed Sikander說 ，但是，大部分數據來自部署的域，以及AI / ML系統集中學習的地方。因此，期望系統第1天就提出建議和見解并不合理。我們需要建立流程，并在各種環境中分配資源，逐步學習，只有那時才會產生魔力。

神話5：AI和機器學習基本上只是“軟件開發”

Algorithmia首席執行官Diego Oppenheimer認為，組織與其他任何軟件開發的方式相同，都在接近AI和ML。

“AI / ML開發只是軟件開發的一個神話，”奧本海默說，事實上，大多數ML項目失敗的很大原因，在于ML工作負載與傳統軟件行為非常不同，它們需要一套不同的工具、基礎架構、流程，才能大規模部署與管理。

奧本海默指出了以下問題：

1、異質性：有一個龐大且不斷增長的語言和框架菜單。2、可組合性： AI和ML涉及多組件協同，每個組件可能用不同語言、由不同團隊構建。3、開發過程： 傳統軟件開發中，輸出是“受控環境中執行的代碼”。機器學習中，輸出是“一個不斷發展的生態系統”。這需要一個更具迭代的循環。4、硬件/基礎設施： CPU、TPU、GPU、邊緣計算以及任何新選擇， 每個都有不同優勢、挑戰。5、性能指標： 沒有適用于每個人甚至許多人的標準指標集。

神話6：AI只是另一種需要考慮的“技術”

有時，我們通過新舊比較，來讓一些令人生畏的東西看起來更容易管理一些。好像往事重現一樣。

AllCloud數據與AI副總裁Guy Ernest說 ，這可能會導致IT團隊只是將AI視為另一個技術周期。事實上并非如此。

“AI更像人類的大腦或身體：你用得越多，它變得越強大，越聰明。”他說。

他同時強調，大多數技術都很“脆弱”。使用它們越多，它們也會變得越復雜，也就越容易破碎。

神話7：AI只適合科技公司

不。AI并非是每個業務問題的解決方案。

SigOpt的McCourt說，最差的情況是，一家公司可選擇退出AI革命，目前趨勢若持續下去，也只能讓公司跟隨而不是領導它。

他說，神話滲透到商業世界，讓人以為AI的早期開發者和采用者都是技術最精明和最先進的公司。

神話8：AI取代了對人類智能的需求

AI的神秘地位，部分來自Ai對人類智能的超越。這一時刻，“機器人稱霸”的敘事，開始進入高潮。

“機器可以像它們獲得的數據以及編程采取的行動一樣聰明，”Sikander說，“AI和機器學習可以幫助我們識別數據海洋中的模式，并自動執行操作，幾乎不需要人工干預。但是，用于決策的算法和模型，仍必須由人類提供。”

LexisNexis 首席數據官麥克法蘭表示，以為AI學習“就像人類一樣”，其實是一種誤解。

“人類在學習或解決問題方面具有內在的優勢。比如無聊，”麥克法蘭說，“AI模型永遠不會感到無聊或看到自身方式的愚蠢。他們從幾乎無限的可能性中尋求最佳答案，甚至深深追逐到一個可能永遠出不來的‘兔子洞’（夸克君注：概念來自《愛麗絲夢游仙境》）。相比之下，人類會厭倦追求無限的可能性，會重新考慮現狀，主動追求不同的道路。”

夸克，最小的粒子，微末的洞察