AI最重要的能力是知识，而不是数据

人工智能正在给人类社会带来难以置信的变化，阿尔法狗打败围棋大师，苏菲亚让你提问和回答问题，无人驾驶汽车正在生产。人工智能一方面不断挑战人类的想象力，另一方面它显得很迟钝，人工智能呈现出两种不同的面貌。

最近，中国科学院院士、清华大学人工智能院院长张炳发表了题为“人工智能产业化的挑战”的演讲。在人工智能的经典案例中，他阐述了人工智能的“特征”和“雷场”。

带着锁链跳舞：人工智能的五把枷锁

张院士认为，目前的人工智能应用场景主要在交通、家庭、卫生、教育、低资源群体、安全、员工和工作场所、娱乐、金融和智能制造等领域。

在医学场景中，AI可以用于检测肿瘤，但是医院目前无法大规模地使用该技术。首先，由于深层学习的不可解释性，也就是说，人工智能在解释疾病原因方面不如医生有效，它倾向于做出直接的判断；其次，由于人工智能不够健壮，少量的噪声将对机器造成很大的干扰，这种差异将导致让机器“雪山”成为“狗”。

因此，AI在医疗领域需要解决三个问题，即AI系统的可扩展性和健壮性、个人数据的隐私和保护、监管和制度改革。特别是要解决解释性问题，人工智能必须学习医生的知识，利用医生的知识来解释疾病，否则人工智能就不能解释，也不能与医生互动。

因此，事实上，人工智能最重要的能力是知识，而不是数据。机器应用数据的能力比人和人应用知识的能力要强于机器。如果两者不能结合，人工智能就不能很好地与工业结合。

在更广阔的领域中，人工智能必须满足以下五个限制才能应用于特定的场景：丰富的数据或丰富的知识、完整的信息、确定性信息、静态和结构环境、单个任务和有限的区域。要达到人工智能，这五个条件是必不可少的。

AlphaGo：深度学习的大师，但桥牌不敌人类

例如，阿尔法击败李世石，成为AI历史上的一个里程碑。Alpha Go抛弃了传统的国际象棋程序设计方法，创造性地运用机器学习来获得国际象棋的经验和直觉。它不仅可以学习大师们过去玩过的所有国际象棋游戏，大约几千万个国际象棋游戏，还可以通过强化学习（自学）学习数以亿计的新国际象棋游戏。

这意味着，当任何一个国际象棋大师一生都在下国际象棋时，阿尔法戈所下国际象棋的数十万次。因为围棋游戏有很多空间（大约2×10 170），人类只探索了一部分数千年，而Alpha围棋则利用了计算机的超级计算能力，不仅优化了人类探索的空间，而且探索了新的空间（即新的棋子g.ames）正因为如此，人类的棋手在阿尔法戈面前非常被动。

但是张院士认为，研究Alpha Go的目的只是研究人工智能的方法和可能的水平来解决这些问题。它是一个完全信息博弈，具有完全确定的信息，按照完全确定的博弈规则演化，具有静态和结构环境。而电脑麻将很难超越人类，因为卡片类是不完整的信息游戏，所以人工智能学习比象棋类更难。

Watson：有限问答，对话系统推理能力差

例如，Watson为IBM创建了一个对话系统，其中知识库包括百科全书、有线新闻、文学作品等，所有知识都可以用长达2亿页的纸来表示，存储表高达4TB，并且具有一定的推理机制。

沃森能回答什么问题呢？例如，“谁在1974年9月8日被总统赦免”，计算机可以在文献中搜索“1974年9月8日”和“总统赦免”对“尼克松”的答案。

要回答“哪个国家与美国没有外交关系是最北部的”这一问题，需要明智的推理。与美国没有外交关系的四个国家可以检索到，但是没有直接的答案是哪个国家最北，所以用推导的方法分析每个国家的纬度、寒冷天气的程度等，得到的答案是“朝鲜”。

但沃森的智能只体现在基本的智能推理中，在开放的领域中很难实现人机对话。例如，面向开放领域的人机对话的Sofia机器人体现了这一缺陷。

一位中国记者曾经问索菲亚4个问题，其中只有一个答案正确。问你多大了，索菲亚回答：“你好，你看起来不错”，“你能回答多少问题”。答案是“请继续，不明白”。问：“你想让我问你什么问题？”索菲亚回答说：“你经常在北京做户外活动吗？”

例如，沃森是一个最好的开放领域问题回答者之一，在少量的智能推理方面。然而，索菲亚只能做娱乐和研究，而不是工业应用，或者“离骗子不太远”。

自动驾驶：不适应不确定性环境，犯错就是必然性错误

对于目前较为乐观的自动驾驶领域，我们可以采用数据驱动的方法学习不同场景下的图像分割，区分车辆或行人、道路等，然后建立三维模型，在三维上规划行驶路径。l模型，硬件的应用可以实时实现。

但是目前，自动驾驶仍然不能解决所有的问题，如果道路条件相对简单，行人、车辆少，可以勉强使用，复杂的道路条件将难以实现。其主要原因是行人或司机会故意或无意地违反交通规则，使得数据驱动的方法失效，各种行为很难通过数据训练来学习。如果行人违反规则，计算机无法正确响应，就会造成不可避免的危险。此时驾驶员的经验和知识变得尤为重要。

就出错的概率而言，人类也比人工智能好：人的错误是偶然的；机器一旦出错，就是系统错误，是不可避免的错误。

阿尔法戈、沃森、自动驾驶仪…这些典型的AI场的代表和场景也有局限性。因此，目前人工智能只能更好地应用于丰富的数据或知识、完整的信息、确定性信息、静态和结构环境、单一任务和有限的领域。

但在条件不佳的情况下，人工智能产业化将难以走下去，这些都是创业雷区。为了避免这些雷场，我们可以减少人工智力迟钝。