人工智能發(fā)展的不可回避的十大痛點

　　從1956年的達特茅斯會議開始，標志人工智能技術正式誕生。人工智能經(jīng)過三起三落，如今又一次的進入到了公眾的視野。2016和2017年兩年人工智能炒得很火，尤其是AlphaGo相繼擊敗了李世石和柯潔。在圍棋界，AlphaGo可以說是橫行無忌，無人能敵。

　　從AlphaGo開始，人工智能走入大眾的視野。媒體競相報道，將人工智能的熱度炒到非常高的高度。如今人工智能雖然還是很熱，但是熱度已經(jīng)被區(qū)塊鏈奪了走。但是無論是世界上有能力的各個國家，還是國際上的有實力的科技巨頭，都在布局人工智能領域，例如谷歌收購了與人工智能相關的十幾家公司，其中就包括被谷歌收購了的研發(fā)了AlphaGo的DeepMind公司。

　　無疑，人工智能未來必然是我們發(fā)展的方向，那么在人工智能發(fā)展的過程中有哪些痛點需要解決呢?Innov100平臺分析認為有以下10個痛點。

　　1.人才稀缺

　　人工智能在人才方面極度稀缺。據(jù)領英數(shù)據(jù)顯示，全球在人工領域的人才不足25萬人，其中在美國的人才最多。其余主要分布在歐洲，印度，中國，加拿大等。其中有10年以上工作經(jīng)驗的不足30%。所以那個國家，企業(yè)想在人工智能領域做出成績，首先就是人才的爭奪。如最近中興被美國制裁，引起對“國芯“的發(fā)問，首先出現(xiàn)的問題就是人才稀缺，人才的優(yōu)秀程度，人才的聚集程度，決定了一個企業(yè)走向欣榮還是衰敗。

　　2.道德價值觀判定

　　當人工智能遇到傷害事件發(fā)生的時候應該如何抉擇。

　　例如無人駕駛如今也在如火如荼的發(fā)展。人工智能很有可能將首先應用到無人駕駛領域。但是在無人駕駛領域有時候會出現(xiàn)這樣的情況，當無人駕駛汽車行走在道路上，正前方忽然沖出來一個人，左右兩邊也正好有人，無論車輛如何操作都無法避免的會造成傷害，那么這個時候人工智能該如何抉擇。

　　在計算機的世界，是一個概率的世界，如果正前方是老人，左右是小孩的話，是不是會分析小孩比老人更有價值，然后完成所有的最優(yōu)解。但是這很明顯是違背道德常識的。

　　3.莫拉維克悖論

　　人工智能，簡單理解就是像人類一樣的智能。那么人工智能所遵循的邏輯或者方法應該是類人類的才對?？墒菍嶋H上人工智能與人類智能完全不同。

　　莫拉維克悖論(Moravec'sparadox) 是由人工智能和機器人學者所發(fā)現(xiàn)的一個和常識相佐的現(xiàn)象。和傳統(tǒng)假設不同，計算機完成人類所獨有的高階智慧能力只需要非常少的計算能力，例如推理。但是完成無意識的技能和直覺卻需要極大的運算能力。這個理念是由漢斯·莫拉維克、布魯克斯(Rodney Brooks)、馬文·閔斯基等人于1980年代所闡釋。

　　4.算力限制

　　目前進行人工智能算力平臺的搭建，需要大量的CPU和GPU。而谷歌公司的AlphaGo使用的TPU，類似與GPU的一種算法芯片，能耗功效比非常高。訓練AlphaGo需要的算力相當于我們市面上常見的消費級1080TI 大約12000塊，至少千萬級別的開支。

　　對于谷歌，F(xiàn)acebook，騰訊等這樣的巨頭公司，這樣的開銷也許不算什么。但是對于一些規(guī)模較小的公司，這將是非常大的一個問題。畢竟人工智能想要步入成熟期，必須解決算力成本問題。

　　5.隱私安全問題

　　隱私安全問題在很多行業(yè)都是非常重要的話題，為什么說人工智能行業(yè)的隱私安全會成為制約他的痛點。

　　因為如果要利用人工智能來提高人們的生活效率和品質，那么必須盡量多的獲取個人信息，因為AI模型需要訓練，所以很可能需要將個人信息上傳到云端。另外，目前沒有辦法依靠本地的算力支撐人工智能。隱私與便利常常矛盾，但是人工智能如果想有好的發(fā)展，必須兩者兼顧。

　　最近，F(xiàn)acebook因為泄漏了多達8000萬的用戶信息，扎克伯格被美國政府要求出席美國國會聽證會，并被詢問的總時長達10小時。并在聽證會中多次提到用人工智能來解決部分業(yè)務需求。

　　6.需要大量的數(shù)據(jù)標記

　　目前現(xiàn)有的AI模型都需要大量的數(shù)據(jù)標記，因為模型大多數(shù)是監(jiān)督學習模型。大量的數(shù)據(jù)標記，不僅僅會要求更多的人力資源，同時人的參與難免會為數(shù)據(jù)帶來一定程度的誤差。

　　目前可以很好解決這一問題是利用強化學習，進行無監(jiān)督學習。谷歌公司的AlphaGo就是利用無監(jiān)督學習進行訓練的。

　　7.數(shù)據(jù)稀缺

　　AI模型不僅僅目前不僅需要進行人工對信息標記，同時也需要巨量數(shù)據(jù)才可以達到人類正確識別的程度。以AlphaGo為例，在擊敗李世石的那個版本AlphaGo進行了3000萬次圖譜學習。擊敗柯潔的那個版本，進行了400多萬次，自我對弈。

　　除了對數(shù)據(jù)量的需求極大，對數(shù)據(jù)的維度也要求盡可能的全面?？傊褪?，能有最好都給我，越全面越好。但是實際情況就是，結構性的全面的數(shù)據(jù)在現(xiàn)實生活中很難獲得，而且也很難獲得比較準確的數(shù)據(jù)。

　　8.黑匣子問題

　　在人工智能設計之初，賦予其相應的發(fā)展方向是，根據(jù)人為制定的規(guī)則和人為制造的邏輯執(zhí)行相應的任務。但是實際發(fā)現(xiàn)這樣的并沒有辦法使得人工智能有非常讓人滿意的實際應用。

　　一直到如今非常熱門深度學習，通過一定程度人為干預，AI模型經(jīng)過數(shù)據(jù)訓練和結果干預，會自己生成一個擬合算法，生成人類預期的結果。但是由于是AI模型自動生成，會存在不可解釋的問題。如果有一天AI 模型得出或者做出出乎我們意料之外的事情，我們卻沒有能力來解釋這個時間背后的原因。

　　9.模型可移植性差

　　AI模型的可用性是隨著訓練的數(shù)據(jù)量增大而增高。但是所需要的數(shù)據(jù)量是個非常大的量級，但即使是重復度很高的模型，也沒有辦法從上一個模型中獲得其一些經(jīng)驗，只能自己從頭開始訓練。

　　這樣會帶來一些問題，比如會增加數(shù)據(jù)獲取成本，時間成本，能耗成本等，這將給發(fā)展中的企業(yè)帶來極大的困擾。模型的可移植性差，勢必影響技術的發(fā)展傳播速度，也會增加傳播成本，這對于一個需要快速發(fā)展的新興科技，確實是一個非常重要的問題。

　　10.可信任性

　　這個一個復合的問題。AI模型在處理可評測結果的應用中可能表現(xiàn)非常出色，比如在圖像識別領域，我們可以用一個確定的概率來評價AI模型的正確識別度，也可以說是可信任度是明確可見的。

　　但是，如果在未來的應用場景中，需要AI模型提供一定的商業(yè)決策，或者給出一些建議。我們并沒有很好的參照體系來評價AI模型的決策和建議是否是準確的，是否是最優(yōu)解。這將影響決策的方向和準確，也會為很多商業(yè)人士帶來不必要的困擾。

　　目前，生活中已經(jīng)有很多智能模型輔助決策了，但是這樣的模型都是可以解釋的，只對決策起到一定的參考作用。但是AI模型，我們是無法解釋其得出結論的原因的，那么其可信任度將是一個無法逃避的問題。

　　人工智能從概念誕生之起，到如今已經(jīng)有60年的歷史。如今其已經(jīng)在一些領域開始發(fā)揮其重要的作用了，雖然有很多痛點有待解決，但是哪一個新技術從開始到成熟沒有經(jīng)歷過各種問題。而且，人工智能未來的潛力十分巨大，相信未來可以有更好的發(fā)展和突破。