【科技.未來】應用局限頻現 AI炒作冷卻

撰文:孔祥威
出版:更新:

隨着基礎運算硬件研發競賽愈見激烈,人工智能(AI)近來再度流行,這期間卻也讓我們看到諸多問題和局限。回顧昔日一些專家或業者的大膽預言,不少都沒有兌現,甚至AI熱潮也開始有冷卻之勢。這會否繼上世紀七、八十年代後,再次迎來「AI寒冬」?

無疑,機器學習已有不少進步。AI擅長識別數據規律,令它能在多種領域中發揮所長。利用AI,醫院可以自動診斷疾病;鳥類學家把雀鳥叫聲分類;天文學家尋找星系;銀行評估信用風險和防止詐騙;中國消費者可以「刷臉」購物……甚至對於最近的新冠肺炎,AI公司BlueDot聲稱,早於去年12月已察覺到新型疾病爆發。

炒作超出科學水平

然而,AI是否真能為世界帶來翻天覆地的變化,卻愈來愈受質疑。事實上,近年不少AI應用的進展未能追上人們的期待。例如自動駕駛汽車,即使有些能載客的公司,例如Waymo和文遠知行,都只限於一定的地理範圍內,並仍需有人類司機在車上。現時業者更喜歡說的是「司機輔助」工具;新一批的初創公司也刻意收斂野心,只希望汽車在細小、有限區域如機場、老人退休社區內自動行駛,又或在行人路上緩慢行走自動送貨。

AI應用在許多方面都未如預期,自動駕駛汽車就是一個例子。(路透社)

其他領域亦如是。對於醫療AI,美國心臟科醫生Eric Topol去年坦言:「AI的炒作程度已超出了AI在科學上的水平,尤其是在患者護理的驗證和實施能力方面。」 Facebook的AI副總裁Jerome Pesenti也承認:「深度學習和當前的AI有很多限制……有些對AI的批評也確實合理:例如傳播人類的偏見、沒有常識、是規律配對多於扎實的語意理解等。」

數據模型挑戰重重

這些與想像或計劃的落差,在於AI研發及實際應用上有很多挑戰,其中之一是AI賴以學習的數據偏偏是不少問題的來源。適合AI應用訓練的數據不一定廣泛存在和足夠。即使有數據,也要將其轉換為連貫、可用的格式。數據中的偏見也是老問題,普遍人臉辨識的準確率,都是白人遠優於有色人種。

除了在技術上,AI的數據和模型有其局限,現實應用上,中小企似乎也無法複製科技巨頭利用AI帶來的效率提升。圖為「無人商店」Amazon Go店內的鏡頭陣。(Getty Images)

數據之上,AI模型的應用本身也有局限。由於AI是從眾多案例中學習而非遵循明確的規則,因此很難知道和解釋它如何得出某個判斷或回答,科研人員一般將此稱為「黑盒」問題。機械人專家Rodney Brooks指出,這現象提醒我們的是,深度學習方法從根本上是以統計的方式找出訓練數據的規律,從而完成某種任務,這令它們無法應付所謂「邊緣案例」。

理想與現實的落差

技術障礙之外,對很多企業來說,要實際採用AI並非想像般容易。波士頓諮詢集團和美國麻省理工學院(MIT)一項對近2,500位公司老闆的調查發現,七成人表示他們的AI項目未有帶來多少效果;而在AI有「重大投資」的人中,五分之二報稱尚未得到任何好處。

上文節錄自第222期《香港01》周報(2020年7月13日)《突破AI運算瓶頸 晶片研發競賽展開》。如欲閱讀全文請按此訂閱周報,或按此試閱周報電子刊,瀏覽更多深度報道。

相關文章︰【科技.未來】突破AI運算瓶頸 晶片研發競賽展開

更多周報文章︰【01周報專頁】

《香港01》周報,各大書報攤、OK便利店及Vango便利店有售。

222期《01周報》精選內容:

【封面報道】第三波疫情非突如其來 防疫豈能有漏網之魚

【深度解讀】返深留港兩徬徨 跨境學童被遺忘

【其他精彩內容】

如何理解公務員「宣誓效忠」?

解封後人潮洶湧 英國酒吧文化:放縱背後的憂鬱

獨家專訪電影導演楊凡:追憶繼園臺的逝水年華

突破AI運算瓶頸 晶片研發競賽展開

推動社保新政 提升扶貧成效