随著资讯工艺的飞速发展，人工智能技术的运用日益普及。尤其是当谷歌子公司DeepMind所研发的人工智能系统在围棋场域上接连战胜了前任和现任排名世界第一的人类棋手后，人工智能更是成为了科技界追求的时尚。
我们在日常生活中所常接触的人工智能系统，包括智能手机的语音辨识、面子书的人脸识别；出现在电子商务网站、社交网站和电子邮件的个性化在线广告，以及准确判断用户口味的网站推荐文章和视频等等。
有评论认为在未来，人工智能将会在许多工作领域取代人类，导致失业的人类倚赖机器人向国家缴纳的税款来进行技职再培训。这些预言会在短期内成真吗？
现阶段，人工智能的强项主要还是集中在优化（optimize）流程和自动化（automate）流程，而非关键决策。因为人类仍无法完全厘清当前最火红、以机器学习（machine learning）和深度学习（deep learning）为主的人工神经网络（artificial neural network）的演算因果逻辑。而且研究也显示，机器学习和深度学习的运算结论往往反映数据采集人的认知偏颇（cognitive bias）。
运算程序乘数效应
机器学习通过学习人类或辅助系统所喂养的数据，来自我摸索出特定模式的演算逻辑，而非由人类专才所研创的条件导向或规则性导程序来进行运算。因此，数据的规模和准确度，通常与运算结论的质量和可信度成正比。反之，如果资讯不精准，数据越大，偏差反而会被扩大。
美国安德森‧霍洛维茨风险投资基金（Andreessen Horowitz）合伙人本尼迪克特埃文斯（Benedict Evans）在其部落格文章《理解机器学习的方法》中提醒读者，别把机器学习想得太过神通广大。机器学习的作用其实是通过强大的硬件所赋予的高效运算能力，在短时间内模拟多个同样水准的初级和中级人脑进行演算。所以，它会比单独的人类个体更有效率，但它未必能达到聪慧个人的思考深度。这道理好比十个人加起来总比一个人空著急更有办法一样。
让机器代替思考？
另外，人工智能系统理应协助人类发现和移除偏差，而不是强化（reinforce）和加深人类的偏见和偏差思维与行为。值得深思的还包括，我们应不应该把人类最引以为傲的主观能动思维假手于机器和人工智能运算程序？让机器代替我们思考、自动化我们的思维？
今年4月至5月间，美国《彭博社》和英国《卫报》揭露，谷歌和亚马逊在语音辨识技术之所以引领世界的关键在于，他们聘请了大批语言专才以及员工以“人手”标签语音数据，来增强机器学习人工智能的语音辨识准确度。这让人们意识到，人工智能不会直接在最初阶段就达致自动化的成效。
反之，大量细琐、不计工本、以人类的智能判断，再辅以人手喂养人工智能模型精准数据的长期工作，是让人工智能系统有效吸收及发展自动化辨识与处理功能的基础。
虽然谷歌大脑（Google Brain）创始人吴恩达（Andrew Ng）一再指出，任何人类用不到一秒钟就可以轻易完成的脑力任务，都适合通过人工智能系统来自动化；然而，高德纳咨询公司（Gartner）却在一篇阐述人工智能五大迷失的文章中提醒，任何尝试改变机器学习任务条件的轻微调度，都有可能导致人工智能系统的作用以失败告终。
换言之，市面上的人工智能系统优于专精，却不便于迁徙运用于其他不相关的领域，也无力准确回应外在条件和干扰多变的现实世界。我们与其过度高估人工智能模拟复杂现实生态的能耐，倒不如专注于发掘和发挥机器学习现阶段的优化和自动化强项，方为更务实的做法。
文章此前所述的本尼迪克特埃文斯就主张，机器学习将开启新一波的自动化趋势，让人类日常事务的自动化流程更趋完善。他在分析机器学习功效的文章中举例：洗衣机其实是上个世纪人类完成洗衣局部自动化的体现，但迄今为止人类还是得自己开水喉、调节洗衣机旋转速度等来确保衣物的洗涤井然有序。未来，机器学习人工智能将进一步帮助人类摆脱这些细琐的半自动器械操作，让人类得以外包扰人的日常事务予智能设备，专注于高附加值的工作。
.jpeg/9fb7f9537aac4040a455e157db321c2f.jpeg)
