机器学习能做什么，不能做什么

基本信息

阅读时间：约 11 分钟

字数：约 4144 字

摘要：人工智能的能与不能 在这段视频和下一个视频中，我希望能帮助你对人工智能能做什么和不能做什么形成直觉。实际上，在我投入特定的人工智能项目之前，我通常会让自己或工程师对一个项目进行技术调查，以确保其可行性。这意味着本地数据、本地输入和输出（A和B），然后仔细考虑这是否是人工智能真正能做的事情。 不幸的是，我所看到的是，一些首席执行官可能夸大了对人工智能的利用，可以要求工程师做当今人工智能无法做的事情。

全文语音

人工智能的能与不能

在这段视频和下一个视频中，我希望能帮助你对人工智能能做什么和不能做什么形成直觉。实际上，在我投入特定的人工智能项目之前，我通常会让自己或工程师对一个项目进行技术调查，以确保其可行性。这意味着本地数据、本地输入和输出（A和B），然后仔细考虑这是否是人工智能真正能做的事情。

不幸的是，我所看到的是，一些首席执行官可能夸大了对人工智能的利用，可以要求工程师做当今人工智能无法做的事情。挑战之一是，媒体和学术文献往往只报道使用人工智能的积极结果或成功案例。我们看到了一连串的成功故事，但没有失败的故事。人们有时认为人工智能可以做所有事情，但不幸的是，事实并非如此。

在下一个视频中，我想向你展示一些例子，说明当今的人工智能技术可以做什么，但也不能做什么。

如何选择有前途的项目

我希望这能帮助你磨练直觉，让你可以为你的公司选择哪些或多或少有前途的项目。之前你看过这个AI应用程序列表，从垃圾邮件过滤到语音识别再到机器翻译等等。你可以用一个不完美的经验法则来决定监督学习可以做什么或可能不能做什么，那就是：

几乎任何你只要稍加思考就能做的事情，我们现在或不久都可以使用这种输入输出映射自动使用监督学习。

例如：

为了确定其他汽车的位置，你可以在不到一秒钟的时间内完成这项工作。

为了判断手机是否有划痕，你可以看看，不到一秒钟就能分辨出来。

为了理解，至少抄写所说的话，不用花那么多时间思考。

虽然这是不完美的经验法则，但它可能为你提供了一种快速思考人工智能系统可以完成的任务示例的方法。

人工智能的局限性

相比之下，当今的人工智能无法做的事情就是准确预测股市。比如说，预测某些公司股票的未来价格，只考虑该股票的历史价格。这是一个人可能无法在一秒钟甚至超过一秒钟内完成的事情。可能也不可能让机器学习准确地做到这一点。

让我们更详细地看一下这个问题。假设我们要解决的任务是，考虑到股票的近期价格，也就是输入A，预测未来某个时间点的价格，比如未来一个月，这就是产出B。如果你将机器学习应用于此，会发生什么？

更简单的算法可能会尝试为数据拟合一条直线，但是根据你拟合数据的时间段，你可能会得到一条这样的红线，或者如果你把它拟合到这个狭窄的窗口中，你可能会得到这条蓝线。根据实现的细节，这种特殊算法可能会给出千差万别的输出值

该应用程序的主要问题是，过去的股价历史无法很好地预测未来的股价，这就是尝试以这种方式使用机器学习没有成功的原因。未来的股票价格是如此随机，以至于人工智能很难准确预测。

顺便说一句，为了完整起见，我应该说，仅根据同一只股票的历史价格来预测股票价格似乎是不可能的，但是有些股票交易者有时会找到其他输入。例如，如果他们设法合法地获得了一些网络流量或人流量数据来帮助他们估算公司的销售额，那么这些数据与历史价格数据相结合，可能会使算法具有一定的预测能力。但是，这些其他输入通常很复杂或获取成本高昂，并且仍然无法克服股市本质上有点随机的性质。

如何使机器学习问题更可行

为了保持你对如何快速筛选可行或不可行的项目的直觉，以下是一些其他经验法则，说明如何使机器学习问题更容易或更有可能成为可行。

人工智能的力量与局限

人工智能是新的力量，它正在改变每个行业，但它也不是魔法，你不可能在阳光下做所有事情。我希望这段视频能帮助你直觉它能做什么和不能做什么，也能增加你选择可行和有价值的项目供你的团队尝试工作的几率。

为了帮助你继续发展直觉，我想向你展示更多关于人工智能能做什么和不能做什么的例子。让我们来看下一个视频。

人工智能成功与失败的例子

能开始擅长分辨AI的能与不能的挑战之一是我们确实需要亲眼目睹一些AI成功和失败的真实例子。如果你平均每年做一个新的人工智能项目，那么看三个例子就会花费你三年的工作经验。那真是很长一段时间。

我希望在本视频中（以及前一个视频中）快速向你展示一些AI成功和失败的例子，或者它能做什么和不能做什么，以便在更短的时间内，你可以看到多个具体的例子，帮助磨练你的直觉并选择有价值的项目。

例子1：自动驾驶汽车

假设你正在制造一辆自动驾驶汽车，这是人工智能可以做得非常好的事情。它可以拍摄汽车前面的东西，也许只使用相机，也可以使用雷达等其他感官或激光雷达。然后弄清楚它们的所在位置，或其他车在哪里。那这就是一个AI问题，输入A就是车辆前方的图片，或者可能是图片加上雷达和其他传感器数据，输出B是其他车的位置。

现如今，自动驾驶汽车行业已经找到了如何收集足够的数据，且有相当好的算法来做到这一点。这个例子就是现今人工智能所能做的。

例子2：识别人类手势意图

接下来，这是现今人工智能无法做到的例子，至少这对现今人工智能还是非常困难，即输入一张像这样的人类图片，然后输出这个人的意图。比如，这张图是一个建筑工人伸手让你的车停下来，这张图是一个想搭便车的背包客，这是一个骑自行车的人，她伸出左手表示想要左转。

所以，如果你试图构建一个系统来学习A到B的映射，其中输入A是这些不同的人类手势的短视频，并且输出B是对这些手势意图的判断，那这个在今天还是很难做到的。部分问题在于人的手势可以有很多不同的动作，就是说，你可以想象出很多不同的手势要求车辆减速或停止。也就是说，人们可以做出的不同种类的手势非常之多。

因此，很难从成千上万不同的对你做姿态的人手中，去收集足够的数据来捕捉人类手势的丰富性，更别说每一个人都可能有很多不同的手势。因此，从视频中来学习这个人的意图实际上是一个有点复杂的概念。事实上，有时一个真人也比较难去判断出一个手势的意图。

第二，因为这将是一个对人生安全很重要的应用程序，你会想要一个非常准确的人工智能来确定一个建筑工人是想让你停车，还是想要你继续开。这使这类AI系统更加困难。

如果说，今天你只收集10,000张其他汽车的照片，许多团队将构建一个至少具有检测其他汽车的基本功能的AI系统。相比之下，即使你收集了10,000人的照片或视频，但从中也很难找到10,000个对你的车挥手的人。就算是有了这个数据集，我还是认为现在很难建立一个人工智能系统来非常准确地识别人类手势的意图，以便在这些人周围安全驾驶。

因此，这就是为什么现今许多自驾车队都有一些用于检测其他车辆的部分软件功能，他们确实依靠这些技术来安全驾驶。但很少有自驾车团队试图依靠人工智能系统识别出多种多样的人体姿势并依靠它来安全驾驶。

例子3：肺炎诊断

让我们再看一个例子，假设你想构建一个AI系统来查看X射线图像并诊断肺炎。所有这些都是胸部X光片。因此，输入A可以是X射线图像，输出B可以是诊断，例如这名患者是否患有肺炎？所以，这是AI可以做的事情。

但AI不能做的，是从10张解释肺炎的医学教科书章节中诊断出肺炎。人类可以看一小部分图像，比如几十张图像，再读几段医学教科书中相关的内容，就能大概开始理解究竟。但说真的，我不知道，如果给AI系统一本医学教科书，什么应该是它的输入A和输出B？或者如何将此作为一个人工智能问题做。比如，如果只有10个图像和几段文字，我们怎么写一个软件来描述胸部X射线中的肺炎应该是什么样子。

但是，对一个年轻的医生来说，在看几十张医学图像，并且读上几段医学教科书，这个医生可能就会开始学会怎么分辨肺炎。相比之下，人工智能系统今天真的无法做到这一点。

机器学习的优点与缺点

总而言之，以下是机器学习的一些优点和缺点。

机器学习在试图学习一个简单的概念时会运作良好。例如你可以用不到一秒的脑力就可办到的事情，以及有大量数据的事。

机器学习往往在你试图从少量数据中学习复杂概念时效果不佳。

人工智能中第二个未被充分认识的弱点是：用系统从未见过的新类型数据时执行任务，这往往会让它表现不佳。让我举个例子，假设你建立了一个监督学习系统，使用A到B的映射来学习从图像中诊断肺炎，这些是非常高分辨的胸部X射线图像。

现在，假设你把这个AI系统应用于另外一个医院或不同的医疗中心，碰巧那里的X射线人员让患者总是躺在一个奇怪的角度或有时找出的x光有很大瑕疵。不晓得此时的你能否观察到图像中的结构，这里有其他物体在患者的上面。如果人工智能系统从左侧的数据中学习，这些数据可能是从高质量的医疗中心获取的，然后你把这个人工智能系统应用到另外一个医疗中心，那里只有类似如右侧的图像，那AI的功能不会很好。

一个优秀的AI团队要能够改善或减少这些问题，但这并不容易。这是AI相比人类弱得多的方面之一。如果人类从左侧的图像中学习，他们会很快适应右侧的图像，这是因为人可以看出来图片的不同是因为患者平躺的角度导致。但是，人工智能系统在新的数据面前举一反三的能力可能不如人类医生。

我希望这些例子可以帮助你锻炼你对AI的能与不能有好的直觉。当它的能与不能之间的界限对你来说还是很模糊，请不要担心，这是完全正常的，没有关系。即使在今天，我仍然无法在看到一个项目后立即判断它是否可行。我在形成对某些项目的可行性下定论之前，我经常需要做数周的技术调查。

• 学习一个简单的概念更有可能可行。但是，某物成为一个简单的概念意味着什么？它没有正式的定义，但是如果它是一个你花不到一秒钟的心理思考或者可能只需要很少几秒钟的思维才能得出结论，那么这就表明它是一个简单的概念。如果你看着一辆自动驾驶汽车的窗外寻找其他汽车，那似乎是一个相对简单的概念。相比之下，试图想出巧妙的信号来预测给定公司的销售额，好吧，这似乎不是一个简单的概念。
• 如果你有大量可用的数据，机器学习问题更有可能成为可行的。在这里，数据是指你希望AI系统在A到B或输入输出映射中包含的输入A和输出B。例如，在尝试确定手机是否有划痕时，输入A将是一组手机图像，输出B可能是标识手机被划伤或未划伤的标签。那么，如果你有成千上万张同时带有A和B的手机的照片，那么你构建一个机器学习系统来准确检测划痕的几率就会高得多。

但我希望这些例子至少可以帮助你开始想象公司中可能
可行且值得探索的一些事情。接下来的两个视频是可选的，是对神经网络以及深度学习的非技术性描述，请随意观看。接下来，我们将更深入地了解构建AI项目的过程是什么。

FAQ

1. 关于「机器学习的优点与缺点」，核心要点是什么？

总而言之，以下是机器学习的一些优点和缺点。

2. 关于「机器学习往往在你试图从少量数据中学习复杂概念时效果不佳。」，核心要点是什么？

人工智能中第二个未被充分认识的弱点是：用系统从未见过的新类型数据时执行任务，这往往会让它表现不佳。让我举个例子，假设你建立了一个监督学习系统，使用A到B的映射来学习从图像中诊断肺炎