20世紀(jì)50年代出現(xiàn)的計(jì)算熱潮，“人工智能”一詞誕生(1956年);20世紀(jì)80年代出現(xiàn)了神經(jīng)網(wǎng)絡(luò)和個(gè)人計(jì)算革命的突破，使計(jì)算得以廣泛使用，人工智能再次出現(xiàn)。但在這兩個(gè)時(shí)刻，人工智能從未到達(dá)人類的期望。隨后對該技術(shù)的失望和幻滅導(dǎo)致了研究資金的停滯和人工智能技術(shù)的發(fā)展下降。結(jié)果是“AI之冬”的開始。

如今，像ChatGPT和Bard這樣的生成式人工智能解決方案既令人興奮又印象深刻。它們能夠接收巨大的數(shù)據(jù)集，并建立復(fù)雜的相關(guān)性，只需一個(gè)簡單的提示即可生成內(nèi)容。這些方法所實(shí)現(xiàn)的巨大進(jìn)步表明，人工智能領(lǐng)域正處于復(fù)興的邊緣。

問題是，ChatGPT和Bard都無法檢查他們答案的準(zhǔn)確性，聽起來正確和實(shí)際表現(xiàn)良好之間存在巨大差異。因此，聊天機(jī)器人實(shí)際上對解決業(yè)務(wù)問題的作用并沒有想象中那么大。

為了避免重演歷史，使人工智能再次停滯，重要的是要承認(rèn)生成式人工智能的真正局限性，并通過開發(fā)和加強(qiáng)其他關(guān)鍵人工智能技術(shù)來解決這些局限性。

生成式人工智能的工作原理

生成式人工智能使用大型語言模型，這是在大量文本上訓(xùn)練的神經(jīng)網(wǎng)絡(luò)。他們的力量來自于在這些海量數(shù)據(jù)集上建立相關(guān)性的能力。一旦人工智能根據(jù)足夠的數(shù)據(jù)進(jìn)行了訓(xùn)練，如果給出一個(gè)簡短的提示，它就可以回憶起以前看到的文本的風(fēng)格，并生成具有類似設(shè)計(jì)的內(nèi)容。

雖然這些人工智能所展示的技術(shù)實(shí)力與上世紀(jì)90年代網(wǎng)絡(luò)瀏覽器的發(fā)展一樣令人興奮，但對于如何推動這一領(lǐng)域的發(fā)展，人們有不同的看法。一些人認(rèn)為，只要有足夠的數(shù)據(jù)，生成式人工智能就可以解決任何問題;他們走向人工智能復(fù)興的道路只需要在更多的數(shù)據(jù)上訓(xùn)練生成模型。但這從根本上忽略了一個(gè)事實(shí)，即生成式人工智能根本無法解決所有問題。

了解生成式人工智能當(dāng)前的局限性

盡管人們對ChatGPT和Bard很感興趣，但用戶/學(xué)者都表示，聽起來正確和真正表現(xiàn)良好之間存在巨大的差異。生成式人工智能正在為聽起來令人印象深刻的提示提供答案，但它們并不一定準(zhǔn)確。這是因?yàn)樗麄儾⒉皇菫榱死斫庾约旱拇鸢甘欠裾_而設(shè)計(jì)的，而且在很多問題中，準(zhǔn)確性至關(guān)重要。問題是，傳統(tǒng)生成式人工智能是使用大量未經(jīng)驗(yàn)證的數(shù)據(jù)在通用模型上進(jìn)行訓(xùn)練的，它們無法利用企業(yè)的內(nèi)部數(shù)據(jù)。盡管內(nèi)部數(shù)據(jù)對于解決一些最緊迫的問題是必要的，但由于敏感的客戶數(shù)據(jù)不會在互聯(lián)網(wǎng)上公開，生成式人工智能不太可能很快獲得訪問權(quán)限，也不是為了從較小的“企業(yè)規(guī)模”數(shù)據(jù)中學(xué)習(xí)而構(gòu)建的。

ChatGPT局限性的另一個(gè)例子涉及因果關(guān)系的概念。例如，如果一個(gè)人憑直覺問了一個(gè)問題，比如“如果下雨，草會濕嗎?”，這個(gè)人會理解是雨導(dǎo)致草濕的。然而，ChatGPT并沒有被編程為具有因果關(guān)系感，以理解支撐因果邏輯感的知識層次。ChatGPT的另一個(gè)經(jīng)常被忽視的局限性涉及支持它所需的計(jì)算成本。每一代后續(xù)生成的人工智能都需要大幅增加計(jì)算成本，因?yàn)樗枰@取越來越多的信息來改進(jìn)其相關(guān)方法，這使得它對大多數(shù)組織來說過于昂貴。

另類技術(shù)助力人工智能復(fù)興

為了讓人工智能在解決一系列問題方面真正強(qiáng)大，其他技術(shù)需要與生成式人工智能同時(shí)發(fā)展。將各種現(xiàn)代技術(shù)相結(jié)合，可以使其能力得到提高，并引導(dǎo)人工智能走向復(fù)興。其中包括：

因果人工智能，旨在確定因果關(guān)系和控制其他變量。標(biāo)準(zhǔn)的行業(yè)慣例是使用A/B測試來確定什么樣的干預(yù)措施——例如，“我應(yīng)該向客戶提供多大的促銷折扣?”——并確定個(gè)別客戶行為不同的原因。使用許多不同的同時(shí)變量進(jìn)行大規(guī)模的A/B測試是很棘手的，這就是可以利用因果人工智能的力量的地方。

在線學(xué)習(xí)是人工智能的一個(gè)技術(shù)術(shù)語，它根據(jù)條件、預(yù)測和準(zhǔn)確性不斷更新自己。當(dāng)前生成式人工智能無法根據(jù)反饋實(shí)時(shí)更新自身。以疫情為例。消費(fèi)者習(xí)慣發(fā)生了巨大變化，再多的歷史數(shù)據(jù)也無法預(yù)測買家行為會如何變化，以及組織需要如何調(diào)整。歸根結(jié)底，任何值得一試的人工智能都需要足夠靈活，能夠?qū)崟r(shí)“實(shí)地”學(xué)習(xí)，并根據(jù)實(shí)際情況提供答案來解決相關(guān)問題。

有了這些技術(shù)的結(jié)合，人工智能可以解決無數(shù)不同類別的問題。值得注意的是，盡管人工智能通常與海量數(shù)據(jù)集合作，但專注某些領(lǐng)域的人工智能可以在單個(gè)數(shù)據(jù)點(diǎn)和有限數(shù)據(jù)集(如單個(gè)企業(yè)的交易)的規(guī)模上進(jìn)行決策，對于不同行業(yè)來說價(jià)值更大。更重要的是，這可能是世界一直在等待的真正人工智能復(fù)興的開始。