人工智能就像個不斷移動的標靶，而企業(yè)要做的就是努力“正中靶心”。

當然，當我們看到Alexa、Siri以及AlphaGO不斷占據(jù)新聞頭條的同時，不得不承認的另一個現(xiàn)實情況是——包括機器學習、深度學習等在內(nèi)的諸多人工智能技術(shù)仍然存在非常多的局限性，這還需要我們投入巨大的精力和時間去克服。

為此，在今天的文章中，我們將全面探討人工智能技術(shù)目前面臨的障礙以及對應的解決方法。

據(jù)麥肯錫全球研究院在最近的研究報告(相關(guān)文章《麥肯錫在全球調(diào)研分析了160個案例，給出5個行業(yè)的34個AI應用場景》)中指出，行業(yè)中的領(lǐng)導企業(yè)往往更青睞于對人工智能技術(shù)的投資和應用(如圖1)。

因此，要提升企業(yè)在未來的競爭力，就必須要有能力掌握更為充分的信息以應對人工智能難題。換句話來說，我們不僅需要理解AI在促進創(chuàng)新、洞察力以及決策、推動營收增長乃至改進效率水平等層面的現(xiàn)實意義，同時也有必要深入了解人工智能還無法實現(xiàn)價值的領(lǐng)域。

挑戰(zhàn)、局限與機遇：從深度學習技術(shù)談起

可以說，深度學習是人工智能領(lǐng)域目前最受關(guān)注的發(fā)展成果，利用包含數(shù)百萬個分層構(gòu)建的模擬“神經(jīng)元”的大型神經(jīng)網(wǎng)絡，它正在幫助我們提升分類與預測的準確性。其中，最常見的網(wǎng)絡被稱為卷積神經(jīng)網(wǎng)絡(簡稱CNN)與遞歸神經(jīng)網(wǎng)絡(簡稱RNN)。這些神經(jīng)網(wǎng)絡能夠通過數(shù)據(jù)訓練，并配合反向傳播算法實現(xiàn)“學習”。

雖然這一技術(shù)已經(jīng)取得了一系列進展，但需要注意的是，其中還有最關(guān)鍵的一步，就是如何將人工智能方法與問題和可用數(shù)據(jù)匹配起來。由于這些系統(tǒng)是“訓練”而來，而非編程而來的，因此其學習過程往往需要大量標記數(shù)據(jù)才能準確執(zhí)行復雜的任務。然而，獲取大規(guī)模數(shù)據(jù)集往往相當困難，即使能夠?qū)崿F(xiàn)，標記工作也需要巨大的人力投入。

此外，我們很難判斷深度學習訓練所使用的數(shù)學模型要如何才能達成特定的預測、推薦或決策要求。這就是“黑匣子”問題，即使模型能夠支持實現(xiàn)既定的目標，但效用恐怕也將十分有限。考慮到這一點，用戶有時候的確需要了解這背后的運作原理，以及為何在特定情況下某些因素的權(quán)重要比其它因素更高等等。然而，這并不容易。

基于此，下面我們列舉了人工智能技術(shù)及其應用目前存在的五大局限，以及與之對應的解決方案：

1- 需要大量的數(shù)據(jù)標記

大多數(shù)現(xiàn)有的AI模型都是通過“監(jiān)督學習”訓練而成的。這意味著人類必須對樣本數(shù)據(jù)進行標記與分類，但這一過程很可能存在一些難以察覺的錯誤。強化學習與生成式對抗網(wǎng)絡(GAN)是解決這一問題的兩個重要手段。

強化學習。強化學習是一種無監(jiān)督學習的方法，它允許算法通過反復試驗完成學習任務。有點像是“胡蘿卜加大棒”的簡單訓練方式：即對于算法在執(zhí)行任務時所做出的每一次嘗試，如果其行為獲得成功，則給予“報酬”(例如更高的分數(shù)); 如果不成功，則給予“懲罰”。經(jīng)過不斷重復，使得學習環(huán)境能夠準確反映現(xiàn)實情況，從而提升模型的效能。

目前這一方法已經(jīng)廣泛應用于游戲領(lǐng)域，AlphaGo就是一個典型例子。此外，強化學習還擁有在商業(yè)領(lǐng)域應用的巨大潛力，比如，通過構(gòu)建一套人工智能驅(qū)動型交易組合，從而在盈利與虧損之間學習發(fā)現(xiàn)正確的交易規(guī)律; 比如，打造產(chǎn)品推薦引擎，以積分方式為銷售活動提供決策建議; 甚至以按時交付或減少燃油消耗作為報酬指標，開發(fā)運輸路線選擇的軟件等等。

生成式對抗網(wǎng)絡。生成式對抗網(wǎng)絡是一種半監(jiān)督學習的方法，通過兩套相互對抗的神經(jīng)網(wǎng)絡，不斷完善各自對同一概念的理解。以識別鳥類圖像為例，一套網(wǎng)絡負責正確分辨鳥類圖像，而另一套網(wǎng)絡則負責生成與鳥類非常相似的其它圖像對前者進行迷惑。當兩套網(wǎng)絡的表現(xiàn)最終趨于穩(wěn)定時，其各自對鳥類圖像也擁有了更為準確的認知。

生成式對抗網(wǎng)絡能夠在一定程度上降低對數(shù)據(jù)集數(shù)量的要求。舉例來說，通過訓練算法從醫(yī)學圖像當中識別不同類型的腫瘤時，以往科學家們往往需要從人類標記的數(shù)百萬張包含特定腫瘤類型或階段的圖像當中提取信息并創(chuàng)建數(shù)據(jù)集。但經(jīng)過訓練的生成式對抗網(wǎng)絡就可以通過繪制逼真的腫瘤圖像，從而訓練腫瘤檢測算法，在此基礎上將小型人類標記數(shù)據(jù)集與生成對抗網(wǎng)絡的輸出結(jié)果相結(jié)合，快速完成學習。

2- 需要海量的數(shù)據(jù)集

目前，機器學習技術(shù)要求訓練數(shù)據(jù)集不僅包含人工注釋信息，同時在體量上也需要夠大、夠全面。而深度學習也要求模型能夠?qū)Τ汕先f條的數(shù)據(jù)記錄進行學習，才能獲得相對理想的分類能力; 甚至在某些情況下，其需要學習的數(shù)據(jù)要達到數(shù)百萬條才能實現(xiàn)與人類相近的判斷準確率。舉例來說，如果希望讓自動駕駛車輛學會如何在多種天氣條件下行駛，就需要在數(shù)據(jù)集當中輸入可能遇到的各類不同環(huán)境條件。

然而，在現(xiàn)實應用中大量數(shù)據(jù)集往往很難獲取。對此，一次性學習(One-shot learning)是一種能夠減少對大型數(shù)據(jù)集需求的技術(shù)，只需要利用少量現(xiàn)實的演示或示例(在某些情況下甚至只需要單一示例)就可以完成學習，快速掌握新技能。如此一來，人工智能的決策行為將更接近于人類，即只需要單一的樣本就可以精確識別出同一類別的其它多種實例。

具體而言，數(shù)據(jù)科學家們首先會在變化的虛擬環(huán)境中預先訓練出一套模型，使其能夠利用自身的知識順利找到正確的解決方案。一次性學習通常被認為是計算機視覺中的對象分類問題，旨在從一個或僅少數(shù)幾個訓練圖像中學習關(guān)于對象類別的信息，并且已經(jīng)成功應用到包括計算機視覺和藥物研發(fā)在內(nèi)的具有高維數(shù)據(jù)的領(lǐng)域。

3- “黑匣子”問題

可解釋性對于人工智能系統(tǒng)絕不是什么新問題。隨著深度學習的逐步普及，其應用范圍將不斷擴大。但這也意味著，更為多樣化以及更前沿的應用往往存在著更嚴重的不透明問題。

規(guī)模更大、復雜度更高的模型使得人們很難解釋計算機作出某項決策的原因。然而，隨著人工智能應用范圍的擴大，監(jiān)管機構(gòu)將對人工智能模型的可解釋性作出嚴格規(guī)定。

對此，目前有兩種新的方法用以提高模型的透明度，分別為與模型無關(guān)的解釋技術(shù)(Local Interpretable Model-Agnostic Explanations，簡稱LIME)與關(guān)注技術(shù)(attention techniques)(如圖2)。

LIME方法是在一套經(jīng)過訓練的模型當中，確定其作出某個決策過程中更多依賴的那部分輸入數(shù)據(jù)，并利用可解釋代理模型對此進行預測。這種方法通過對特定的數(shù)據(jù)區(qū)段進行分析，并觀察預測結(jié)果的變化，從而對模型進行微調(diào)，最終形成更為精確的解釋。

關(guān)注技術(shù)(attention techniques)則是對模型認為最重要的輸入數(shù)據(jù)進行可視化處理，并分析這部分數(shù)據(jù)與所作出決策之間的關(guān)系。

除此之外，還有另一種方法——廣義相加模型(簡稱GAM)(簡稱GAM)。線性模型簡單、直觀、便于理解，但是，在現(xiàn)實生活中，變量的作用通常不是線性的，線性假設很可能不能滿足實際需求，甚至直接違背實際情況。廣義加性模型是一種自由靈活的統(tǒng)計模型，它可以用來探測到非線性回歸的影響。通過對單特征模型的利用，它能夠限制不同變量的相互作用，從而確保每項特征的輸出更容易被加以解釋。

通過這些方法，我們正在慢慢揭開人工智能決策的“神秘面紗”，這一點對于增強人工智能的采用范圍具有極為重要的現(xiàn)實意義。

4- 學習模型的“通用性”

與人類的學習方式不同，人工智能模型很難將其學習到的經(jīng)驗舉一反三。因此，即使在相似度很高的案例中，企業(yè)也必須多次投入資源來訓練新的模型，而這就意味著新的成本。

解決這個問題其中的一種的有效方式是遷移學習。即把一個領(lǐng)域(即源領(lǐng)域)的知識,遷移到另外一個領(lǐng)域(即目標領(lǐng)域),使得目標領(lǐng)域能夠取得更好的學習效果。在人工智能領(lǐng)域，就是通過訓練人工智能模型完成某項任務，并將其迅速遷移至另一項類似但有所不同的任務環(huán)境中來實現(xiàn)“舉一反三”。

隨著遷移學習的逐步成熟，其將能夠幫助企業(yè)更快構(gòu)建起新型的應用程序，并為現(xiàn)有的應用程序提供更多功能。

舉例來說，在創(chuàng)建虛擬助理時，遷移學習能夠?qū)⒂脩粼谀骋活I(lǐng)域(例如音樂)的偏好推廣到其它領(lǐng)域(例如書籍)。再比如，遷移學習還能幫助石油天然氣生產(chǎn)商，擴大AI算法訓練規(guī)模，從而對管道及鉆井平臺等設備進行預測性維護。

另一種方法，是利用能夠在多個問題當中應用的廣義性架構(gòu)。譬如DeepMind在AlphaZero當中就設計了一套對應三種不同游戲的架構(gòu)模型。

5- 數(shù)據(jù)與算法中的“偏見”

如果輸入的數(shù)據(jù)摻雜了人的偏好或者某些數(shù)據(jù)被忽略、某些數(shù)據(jù)被偏重，那么就有可能使得算法結(jié)果存在“偏見”。在具體的應用中，有可能造成錯誤的招聘決策、不當?shù)目茖W或醫(yī)療預測、不合理的金融模式或刑事司法決策，甚至在法律層面引發(fā)濫用問題。但是，在大多數(shù)情況下，這些“偏見”往往難以被察覺。

目前，業(yè)界正在進行多項研究工作，從而建立最佳實踐以解決學術(shù)、非營利與私營部門所面臨的這一實際問題。

企業(yè)應該如何擊中“移動中的標靶”

要解決上面提到的這些局限性難題，我們還有很長的路要走。然而，事實上，人工智能面臨的最大局限可能在于我們的想象力。下面，麥肯錫為希望利用人工智能技術(shù)實現(xiàn)飛躍的企業(yè)領(lǐng)導者提出了一些建議：

做好功課，緊盯目標，并隨時跟進。雖然大多數(shù)高管并不需要了解卷積神經(jīng)網(wǎng)絡與遞歸神經(jīng)網(wǎng)絡之間的區(qū)別，但也要對目前它們所能實現(xiàn)的功能有大致了解，在掌握其短期發(fā)展的可能性的同時著眼未來。

了解數(shù)據(jù)科學與機器學習專家提出的專業(yè)知識，同時與AI先行者們進行交流，補齊自己的短板。

采用精準的數(shù)據(jù)策略。人工智能算法需要人為的幫助與引導，為此，企業(yè)可以提前制定全面的數(shù)據(jù)策略。該策略不僅需要關(guān)注對來自不同系統(tǒng)的數(shù)據(jù)進行匯總的技術(shù)，同時還應關(guān)注數(shù)據(jù)可用性，以及數(shù)據(jù)的獲取、標記、治理等任務。

雖然如上文所說，一些方法可以減少AI算法訓練所需要的數(shù)據(jù)量，但監(jiān)督式學習仍然是目前的主流。同時，減少對數(shù)據(jù)的需求并不意味著不需要數(shù)據(jù)。因此，企業(yè)最關(guān)鍵的還是要了解并掌握自己的數(shù)據(jù)，并考慮如何對其加以利用。

打通數(shù)據(jù)，橫向思考。遷移學習技術(shù)目前仍處于起步階段。因此，如果您需要解決大型倉儲體系的預測性維護問題，您是否能夠利用相同的解決方案支持消費產(chǎn)品?面對多種銷售渠道，適用于其中之一的解決方案是否也能夠作用于其它渠道?因此，要讓算法能夠“舉一反三”，還應該鼓勵業(yè)務部門進行數(shù)據(jù)共享，這對于未來人工智能的應用將具有非常重要的意義。

主動當一個先行者。當然，只是單純跟上當前的人工智能技術(shù)還不足以保持企業(yè)長期的競爭優(yōu)勢。企業(yè)領(lǐng)導者需要鼓勵自己的數(shù)據(jù)科學工作人員或合作伙伴與外部專家合作，利用新興技術(shù)來解決應用問題。

此外，要隨時了解技術(shù)的可行性與可用性。目前各類機器學習工具、數(shù)據(jù)集以及標準應用(包括語音、視覺與情緒檢測)類訓練模型正得到廣泛應用。隨時關(guān)注相關(guān)項目，并對其加以利用，將有效提升企業(yè)的先發(fā)優(yōu)勢。

這兩年來，雖然人工智能技術(shù)已經(jīng)令人們變得興奮不已，但實際上目前它的發(fā)展所需要的技術(shù)、工具與流程還沒有完全成形，研究人員正積極解決各類最為棘手的現(xiàn)實問題，作為企業(yè)，現(xiàn)在應該做的就是抓緊時間了解AI前沿所發(fā)生的一切，并以此為基礎定位組織與學習思路，最終利用甚至推動由此帶來的一切可能性。