【科技．未來】應用局限頻現 AI炒作冷卻
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。
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。
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。
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。
【其他精彩內容】