【科技．未来】应用局限频现 AI炒作冷却
随着基础运算硬件研发竞赛愈见激烈，人工智能（AI）近来再度流行，这期间却也让我们看到诸多问题和局限。回顾昔日一些专家或业者的大胆预言，不少都没有兑现，甚至AI热潮也开始有冷却之势。这会否继上世纪七、八十年代后，再次迎来“AI寒冬”？
无疑，机器学习已有不少进步。AI擅长识别数据规律，令它能在多种领域中发挥所长。利用AI，医院可以自动诊断疾病；鸟类学家把雀鸟叫声分类；天文学家寻找星系；银行评估信用风险和防止诈骗；中国消费者可以“刷脸”购物……甚至对于最近的新冠肺炎，AI公司BlueDot声称，早于去年12月已察觉到新型疾病爆发。
炒作超出科学水平
然而，AI是否真能为世界带来翻天覆地的变化，却愈来愈受质疑。事实上，近年不少AI应用的进展未能追上人们的期待。例如自动驾驶汽车，即使有些能载客的公司，例如Waymo和文远知行，都只限于一定的地理范围内，并仍需有人类司机在车上。现时业者更喜欢说的是“司机辅助”工具；新一批的初创公司也刻意收敛野心，只希望汽车在细小、有限区域如机场、老人退休社区内自动行驶，又或在行人路上缓慢行走自动送货。
其他领域亦如是。对于医疗AI，美国心脏科医生Eric Topol去年坦言：“AI的炒作程度已超出了AI在科学上的水平，尤其是在患者护理的验证和实施能力方面。” Facebook的AI副总裁Jerome Pesenti也承认：“深度学习和当前的AI有很多限制……有些对AI的批评也确实合理：例如传播人类的偏见、没有常识、是规律配对多于扎实的语意理解等。”
数据模型挑战重重
这些与想像或计划的落差，在于AI研发及实际应用上有很多挑战，其中之一是AI赖以学习的数据偏偏是不少问题的来源。适合AI应用训练的数据不一定广泛存在和足够。即使有数据，也要将其转换为连贯、可用的格式。数据中的偏见也是老问题，普遍人脸辨识的准确率，都是白人远优于有色人种。
数据之上，AI模型的应用本身也有局限。由于AI是从众多案例中学习而非遵循明确的规则，因此很难知道和解释它如何得出某个判断或回答，科研人员一般将此称为“黑盒”问题。机械人专家Rodney Brooks指出，这现象提醒我们的是，深度学习方法从根本上是以统计的方式找出训练数据的规律，从而完成某种任务，这令它们无法应付所谓“边缘案例”。
理想与现实的落差
技术障碍之外，对很多企业来说，要实际采用AI并非想像般容易。波士顿咨询集团和美国麻州理工学院（MIT）一项对近2,500位公司老板的调查发现，七成人表示他们的AI项目未有带来多少效果；而在AI有“重大投资”的人中，五分之二报称尚未得到任何好处。
上文节录自第222期《香港01》周报（2020年7月13日）《突破AI运算瓶颈 芯片研发竞赛展开》。如欲阅读全文请按此订阅周报，或按此试阅周报电子刊，浏览更多深度报道。
更多周报文章︰【01周报专页】
《香港01》周报，各大书报摊、OK便利店及Vango便利店有售。
【其他精彩内容】