據麥肯錫全球研究院在最近的研究報告中指出，行業中的領導企業往往更青睞於對人工智慧技術的投資和應用（如下圖）。
因此，要提升企業在未來的競爭力，就必須要有能力掌握更為充分的資訊以應對人工智慧難題。換句話來說，我們不僅需要理解AI在促進創新、洞察力以及決策、推動營收增長乃至改進效率水平等層面的現實意義，同時也有必要深入瞭解人工智慧還無法實現價值的領域。
下面我們列舉了人工智慧技術及其應用目前存在的五大侷限，以及與之對應的解決方案：
-1- 需要大量的資料標記
大多數現有的AI模型都是透過“監督學習”訓練而成的。這意味著人類必須對樣本資料進行標記與分類，但這一過程很可能存在一些難以察覺的錯誤。強化學習與生成式對抗網路（GAN）是解決這一問題的兩個重要手段。
強化學習。強化學習是一種無監督學習的方法，它允許演算法透過反覆試驗完成學習任務。有點像是“胡蘿蔔加大棒”的簡單訓練方式：即對於演算法在執行任務時所做出的每一次嘗試，如果其行為獲得成功，則給予“報酬”（例如更高的分數）; 如果不成功，則給予“懲罰”。經過不斷重複，使得學習環境能夠準確反映現實情況，從而提升模型的效能。目前這一方法已經廣泛應用於遊戲領域，AlphaGo就是一個典型例子。此外，強化學習還擁有在商業領域應用的巨大潛力，比如，透過構建一套人工智慧驅動型交易組合，從而在盈利與虧損之間學習發現正確的交易規律; 比如，打造產品推薦引擎，以積分方式為銷售活動提供決策建議; 甚至以按時交付或減少燃油消耗作為報酬指標，開發運輸路線選擇的軟體等等。
生成式對抗網路。生成式對抗網路是一種半監督學習的方法，透過兩套相互對抗的神經網路，不斷完善各自對同一概念的理解。以識別鳥類影象為例，一套網路負責正確分辨鳥類影象，而另一套網路則負責生成與鳥類非常相似的其它影象對前者進行迷惑。當兩套網路的表現最終趨於穩定時，其各自對鳥類影象也擁有了更為準確的認知。生成式對抗網路能夠在一定程度上降低對資料集數量的要求。舉例來說，透過訓練演算法從醫學影象當中識別不同型別的腫瘤時，以往科學家們往往需要從人類標記的數百萬張包含特定腫瘤型別或階段的影象當中提取資訊並建立資料集。但經過訓練的生成式對抗網路就可以透過繪製逼真的腫瘤影象，從而訓練腫瘤檢測演算法，在此基礎上將小型人類標記資料集與生成對抗網路的輸出結果相結合，快速完成學習。
-2- 需要海量的資料集
目前，機器學習技術要求訓練資料集不僅包含人工註釋資訊，同時在體量上也需要夠大、夠全面。而深度學習也要求模型能夠對成千上萬條的資料記錄進行學習，才能獲得相對理想的分類能力; 甚至在某些情況下，其需要學習的資料要達到數百萬條才能實現與人類相近的判斷準確率。舉例來說，如果希望讓自動駕駛車輛學會如何在多種天氣條件下行駛，就需要在資料集當中輸入可能遇到的各類不同環境條件。然而，在現實應用中大量資料集往往很難獲取。
對此，一次性學習（One-shot learning）是一種能夠減少對大型資料集需求的技術，只需要利用少量現實的演示或示例（在某些情況下甚至只需要單一示例）就可以完成學習，快速掌握新技能。如此一來，人工智慧的決策行為將更接近於人類，即只需要單一的樣本就可以精確識別出同一類別的其它多種例項。具體而言，資料科學家們首先會在變化的虛擬環境中預先訓練出一套模型，使其能夠利用自身的知識順利找到正確的解決方案。一次性學習通常被認為是計算機視覺中的物件分類問題，旨在從一個或僅少數幾個訓練影象中學習關於物件類別的資訊，並且已經成功應用到包括計算機視覺和藥物研發在內的具有高維資料的領域。
-3- “黑匣子”問題
可解釋性對於人工智慧系統絕不是什麼新問題。隨著深度學習的逐步普及，其應用範圍將不斷擴大。但這也意味著，更為多樣化以及更前沿的應用往往存在著更嚴重的不透明問題。規模更大、複雜度更高的模型使得人們很難解釋計算機作出某項決策的原因。然而，隨著人工智慧應用範圍的擴大，監管機構將對人工智慧模型的可解釋性作出嚴格規定。對此，目前有兩種新的方法用以提高模型的透明度，分別為與模型無關的解釋技術（Local Interpretable Model-Agnostic Explanations，簡稱LIME）與關注技術（attention techniques）（如下圖）。
LIME方法是在一套經過訓練的模型當中，確定其作出某個決策過程中更多依賴的那部分輸入資料，並利用可解釋代理模型對此進行預測。這種方法透過對特定的資料區段進行分析，並觀察預測結果的變化，從而對模型進行微調，最終形成更為精確的解釋。關注技術（attention techniques）則是對模型認為最重要的輸入資料進行視覺化處理，並分析這部分資料與所作出決策之間的關係。
除此之外，還有另一種方法——廣義相加模型（簡稱GAM）（簡稱GAM）。線性模型簡單、直觀、便於理解，但是，在現實生活中，變數的作用通常不是線性的，線性假設很可能不能滿足實際需求，甚至直接違背實際情況。廣義加性模型是一種自由靈活的統計模型，它可以用來探測到非線性迴歸的影響。透過對單特徵模型的利用，它能夠限制不同變數的相互作用，從而確保每項特徵的輸出更容易被加以解釋。透過這些方法，我們正在慢慢揭開人工智慧決策的“神秘面紗”，這一點對於增強人工智慧的採用範圍具有極為重要的現實意義。
-4- 學習模型的“通用性”
與人類的學習方式不同，人工智慧模型很難將其學習到的經驗舉一反三。因此，即使在相似度很高的案例中，企業也必須多次投入資源來訓練新的模型，而這就意味著新的成本。解決這個問題其中的一種的有效方式是遷移學習。即把一個領域(即源領域)的知識,遷移到另外一個領域(即目標領域),使得目標領域能夠取得更好的學習效果。在人工智慧領域，就是透過訓練人工智慧模型完成某項任務，並將其迅速遷移至另一項類似但有所不同的任務環境中來實現“舉一反三”。隨著遷移學習的逐步成熟，其將能夠幫助企業更快構建起新型的應用程式，併為現有的應用程式提供更多功能。舉例來說，在建立虛擬助理時，遷移學習能夠將使用者在某一領域（例如音樂）的偏好推廣到其它領域（例如書籍）。再比如，遷移學習還能幫助石油天然氣生產商，擴大AI演算法訓練規模，從而對管道及鑽井平臺等裝置進行預測性維護。另一種方法，是利用能夠在多個問題當中應用的廣義性架構。譬如DeepMind在AlphaZero當中就設計了一套對應三種不同遊戲的架構模型。
-5- 資料與演算法中的“偏見”
如果輸入的資料摻雜了人的偏好或者某些資料被忽略、某些資料被偏重，那麼就有可能使得演算法結果存在“偏見”。在具體的應用中，有可能造成錯誤的招聘決策、不當的科學或醫療預測、不合理的金融模式或刑事司法決策，甚至在法律層面引發濫用問題。但是，在大多數情況下，這些“偏見”往往難以被察覺。目前，業界正在進行多項研究工作，從而建立最佳實踐以解決學術、非營利與私營部門所面臨的這一實際問題。企業應該如何擊中“移動中的標靶”要解決上面提到的這些侷限性難題，我們還有很長的路要走。然而，事實上，人工智慧面臨的最大侷限可能在於我們的想象力。
下面，麥肯錫為希望利用人工智慧技術實現飛躍的企業領導者提出了一些建議：
做好功課，緊盯目標，並隨時跟進。雖然大多數高管並不需要了解卷積神經網路與遞迴神經網路之間的區別，但也要對目前它們所能實現的功能有大致瞭解，在掌握其短期發展的可能性的同時著眼未來。瞭解資料科學與機器學習專家提出的專業知識，同時與AI先行者們進行交流，補齊自己的短板。
採用精準的資料策略。人工智慧演算法需要人為的幫助與引導，為此，企業可以提前制定全面的資料策略。該策略不僅需要關注對來自不同系統的資料進行彙總的技術，同時還應關注資料可用性，以及資料的獲取、標記、治理等任務。雖然如上文所說，一些方法可以減少AI演算法訓練所需要的資料量，但監督式學習仍然是目前的主流。同時，減少對資料的需求並不意味著不需要資料。因此，企業最關鍵的還是要了解並掌握自己的資料，並考慮如何對其加以利用。
打通資料，橫向思考。遷移學習技術目前仍處於起步階段。因此，如果您需要解決大型倉儲體系的預測性維護問題，您是否能夠利用相同的解決方案支援消費產品？面對多種銷售渠道，適用於其中之一的解決方案是否也能夠作用於其它渠道？因此，要讓演算法能夠“舉一反三”，還應該鼓勵業務部門進行資料共享，這對於未來人工智慧的應用將具有非常重要的意義。
主動當一個先行者。當然，只是單純跟上當前的人工智慧技術還不足以保持企業長期的競爭優勢。企業領導者需要鼓勵自己的資料科學工作人員或合作伙伴與外部專家合作，利用新興技術來解決應用問題。此外，要隨時瞭解技術的可行性與可用性。目前各類機器學習工具、資料集以及標準應用（包括語音、視覺與情緒檢測）類訓練模型正得到廣泛應用。隨時關注相關專案，並對其加以利用，將有效提升企業的先發優勢。
這兩年來，雖然人工智慧技術已經令人們變得興奮不已，但不得不承認目前它的發展所需要的技術、工具與流程還沒有完全成形，研究人員正積極解決各類最為棘手的現實問題，作為企業，現在應該做的就是抓緊時間瞭解AI前沿所發生的一切，並以此為基礎定位組織與學習思路，最終利用甚至推動由此帶來的一切可能性。
據麥肯錫全球研究院在最近的研究報告中指出，行業中的領導企業往往更青睞於對人工智慧技術的投資和應用（如下圖）。
因此，要提升企業在未來的競爭力，就必須要有能力掌握更為充分的資訊以應對人工智慧難題。換句話來說，我們不僅需要理解AI在促進創新、洞察力以及決策、推動營收增長乃至改進效率水平等層面的現實意義，同時也有必要深入瞭解人工智慧還無法實現價值的領域。
下面我們列舉了人工智慧技術及其應用目前存在的五大侷限，以及與之對應的解決方案：
-1- 需要大量的資料標記
大多數現有的AI模型都是透過“監督學習”訓練而成的。這意味著人類必須對樣本資料進行標記與分類，但這一過程很可能存在一些難以察覺的錯誤。強化學習與生成式對抗網路（GAN）是解決這一問題的兩個重要手段。
強化學習。強化學習是一種無監督學習的方法，它允許演算法透過反覆試驗完成學習任務。有點像是“胡蘿蔔加大棒”的簡單訓練方式：即對於演算法在執行任務時所做出的每一次嘗試，如果其行為獲得成功，則給予“報酬”（例如更高的分數）; 如果不成功，則給予“懲罰”。經過不斷重複，使得學習環境能夠準確反映現實情況，從而提升模型的效能。目前這一方法已經廣泛應用於遊戲領域，AlphaGo就是一個典型例子。此外，強化學習還擁有在商業領域應用的巨大潛力，比如，透過構建一套人工智慧驅動型交易組合，從而在盈利與虧損之間學習發現正確的交易規律; 比如，打造產品推薦引擎，以積分方式為銷售活動提供決策建議; 甚至以按時交付或減少燃油消耗作為報酬指標，開發運輸路線選擇的軟體等等。
生成式對抗網路。生成式對抗網路是一種半監督學習的方法，透過兩套相互對抗的神經網路，不斷完善各自對同一概念的理解。以識別鳥類影象為例，一套網路負責正確分辨鳥類影象，而另一套網路則負責生成與鳥類非常相似的其它影象對前者進行迷惑。當兩套網路的表現最終趨於穩定時，其各自對鳥類影象也擁有了更為準確的認知。生成式對抗網路能夠在一定程度上降低對資料集數量的要求。舉例來說，透過訓練演算法從醫學影象當中識別不同型別的腫瘤時，以往科學家們往往需要從人類標記的數百萬張包含特定腫瘤型別或階段的影象當中提取資訊並建立資料集。但經過訓練的生成式對抗網路就可以透過繪製逼真的腫瘤影象，從而訓練腫瘤檢測演算法，在此基礎上將小型人類標記資料集與生成對抗網路的輸出結果相結合，快速完成學習。
-2- 需要海量的資料集
目前，機器學習技術要求訓練資料集不僅包含人工註釋資訊，同時在體量上也需要夠大、夠全面。而深度學習也要求模型能夠對成千上萬條的資料記錄進行學習，才能獲得相對理想的分類能力; 甚至在某些情況下，其需要學習的資料要達到數百萬條才能實現與人類相近的判斷準確率。舉例來說，如果希望讓自動駕駛車輛學會如何在多種天氣條件下行駛，就需要在資料集當中輸入可能遇到的各類不同環境條件。然而，在現實應用中大量資料集往往很難獲取。
對此，一次性學習（One-shot learning）是一種能夠減少對大型資料集需求的技術，只需要利用少量現實的演示或示例（在某些情況下甚至只需要單一示例）就可以完成學習，快速掌握新技能。如此一來，人工智慧的決策行為將更接近於人類，即只需要單一的樣本就可以精確識別出同一類別的其它多種例項。具體而言，資料科學家們首先會在變化的虛擬環境中預先訓練出一套模型，使其能夠利用自身的知識順利找到正確的解決方案。一次性學習通常被認為是計算機視覺中的物件分類問題，旨在從一個或僅少數幾個訓練影象中學習關於物件類別的資訊，並且已經成功應用到包括計算機視覺和藥物研發在內的具有高維資料的領域。
-3- “黑匣子”問題
可解釋性對於人工智慧系統絕不是什麼新問題。隨著深度學習的逐步普及，其應用範圍將不斷擴大。但這也意味著，更為多樣化以及更前沿的應用往往存在著更嚴重的不透明問題。規模更大、複雜度更高的模型使得人們很難解釋計算機作出某項決策的原因。然而，隨著人工智慧應用範圍的擴大，監管機構將對人工智慧模型的可解釋性作出嚴格規定。對此，目前有兩種新的方法用以提高模型的透明度，分別為與模型無關的解釋技術（Local Interpretable Model-Agnostic Explanations，簡稱LIME）與關注技術（attention techniques）（如下圖）。
LIME方法是在一套經過訓練的模型當中，確定其作出某個決策過程中更多依賴的那部分輸入資料，並利用可解釋代理模型對此進行預測。這種方法透過對特定的資料區段進行分析，並觀察預測結果的變化，從而對模型進行微調，最終形成更為精確的解釋。關注技術（attention techniques）則是對模型認為最重要的輸入資料進行視覺化處理，並分析這部分資料與所作出決策之間的關係。
除此之外，還有另一種方法——廣義相加模型（簡稱GAM）（簡稱GAM）。線性模型簡單、直觀、便於理解，但是，在現實生活中，變數的作用通常不是線性的，線性假設很可能不能滿足實際需求，甚至直接違背實際情況。廣義加性模型是一種自由靈活的統計模型，它可以用來探測到非線性迴歸的影響。透過對單特徵模型的利用，它能夠限制不同變數的相互作用，從而確保每項特徵的輸出更容易被加以解釋。透過這些方法，我們正在慢慢揭開人工智慧決策的“神秘面紗”，這一點對於增強人工智慧的採用範圍具有極為重要的現實意義。
-4- 學習模型的“通用性”
與人類的學習方式不同，人工智慧模型很難將其學習到的經驗舉一反三。因此，即使在相似度很高的案例中，企業也必須多次投入資源來訓練新的模型，而這就意味著新的成本。解決這個問題其中的一種的有效方式是遷移學習。即把一個領域(即源領域)的知識,遷移到另外一個領域(即目標領域),使得目標領域能夠取得更好的學習效果。在人工智慧領域，就是透過訓練人工智慧模型完成某項任務，並將其迅速遷移至另一項類似但有所不同的任務環境中來實現“舉一反三”。隨著遷移學習的逐步成熟，其將能夠幫助企業更快構建起新型的應用程式，併為現有的應用程式提供更多功能。舉例來說，在建立虛擬助理時，遷移學習能夠將使用者在某一領域（例如音樂）的偏好推廣到其它領域（例如書籍）。再比如，遷移學習還能幫助石油天然氣生產商，擴大AI演算法訓練規模，從而對管道及鑽井平臺等裝置進行預測性維護。另一種方法，是利用能夠在多個問題當中應用的廣義性架構。譬如DeepMind在AlphaZero當中就設計了一套對應三種不同遊戲的架構模型。
-5- 資料與演算法中的“偏見”
如果輸入的資料摻雜了人的偏好或者某些資料被忽略、某些資料被偏重，那麼就有可能使得演算法結果存在“偏見”。在具體的應用中，有可能造成錯誤的招聘決策、不當的科學或醫療預測、不合理的金融模式或刑事司法決策，甚至在法律層面引發濫用問題。但是，在大多數情況下，這些“偏見”往往難以被察覺。目前，業界正在進行多項研究工作，從而建立最佳實踐以解決學術、非營利與私營部門所面臨的這一實際問題。企業應該如何擊中“移動中的標靶”要解決上面提到的這些侷限性難題，我們還有很長的路要走。然而，事實上，人工智慧面臨的最大侷限可能在於我們的想象力。
下面，麥肯錫為希望利用人工智慧技術實現飛躍的企業領導者提出了一些建議：
做好功課，緊盯目標，並隨時跟進。雖然大多數高管並不需要了解卷積神經網路與遞迴神經網路之間的區別，但也要對目前它們所能實現的功能有大致瞭解，在掌握其短期發展的可能性的同時著眼未來。瞭解資料科學與機器學習專家提出的專業知識，同時與AI先行者們進行交流，補齊自己的短板。
採用精準的資料策略。人工智慧演算法需要人為的幫助與引導，為此，企業可以提前制定全面的資料策略。該策略不僅需要關注對來自不同系統的資料進行彙總的技術，同時還應關注資料可用性，以及資料的獲取、標記、治理等任務。雖然如上文所說，一些方法可以減少AI演算法訓練所需要的資料量，但監督式學習仍然是目前的主流。同時，減少對資料的需求並不意味著不需要資料。因此，企業最關鍵的還是要了解並掌握自己的資料，並考慮如何對其加以利用。
打通資料，橫向思考。遷移學習技術目前仍處於起步階段。因此，如果您需要解決大型倉儲體系的預測性維護問題，您是否能夠利用相同的解決方案支援消費產品？面對多種銷售渠道，適用於其中之一的解決方案是否也能夠作用於其它渠道？因此，要讓演算法能夠“舉一反三”，還應該鼓勵業務部門進行資料共享，這對於未來人工智慧的應用將具有非常重要的意義。
主動當一個先行者。當然，只是單純跟上當前的人工智慧技術還不足以保持企業長期的競爭優勢。企業領導者需要鼓勵自己的資料科學工作人員或合作伙伴與外部專家合作，利用新興技術來解決應用問題。此外，要隨時瞭解技術的可行性與可用性。目前各類機器學習工具、資料集以及標準應用（包括語音、視覺與情緒檢測）類訓練模型正得到廣泛應用。隨時關注相關專案，並對其加以利用，將有效提升企業的先發優勢。
這兩年來，雖然人工智慧技術已經令人們變得興奮不已，但不得不承認目前它的發展所需要的技術、工具與流程還沒有完全成形，研究人員正積極解決各類最為棘手的現實問題，作為企業，現在應該做的就是抓緊時間瞭解AI前沿所發生的一切，並以此為基礎定位組織與學習思路，最終利用甚至推動由此帶來的一切可能性。