什么东西适合用AI？AI能帮助我们做那些事情？

2.3.1、底层逻辑

思考计算机擅长什么？
熟悉递推关系式，对于用计算机进行实际计算有很大的帮助。这是因为计算机不擅长导数计算，但擅长处理递推关系式。

2.3.2、数据

传统的编程基于规则，我们认为制定好规则，计算机负责计算。而AI 最核⼼的底层逻辑是：「基于数据」，给大量的数据去喂养计算机 。
基于数据简单说就是：从海量数据中找规律，这些规律是很抽象的，并不能总结成具象的规则。⽐如：给机器看海量的猫和狗的照⽚，它就具备了「区分猫和狗」的能力；给机器海量的中英⽂对照⽂章，它就具备了「中英⽂翻译」的能⼒给机器海量的⽂章，它甚⾄可以具备「写⽂章」的能⼒

基于数据的好处是：只要有⾜够多的优质数据，那么机器就能学会某些技能，数据越多， 能力越强。
但是基于数据的⽅法也有明显的弊端：机器只能告诉你「是什么」，但是⽆法告诉你「为什么」。（柯洁：半人半狗）

没有数据，就⽆从基于数据。所以想要⽤⼈⼯智能，需要考虑业务场景的数据3要素：

  1. 数据可获取
  2. 数据全⾯且完整，最好有人为的标注结果
  3. 海量的数据

特征

并非所有问题都需要 AI 来解决，AI 的优势是可以处理海量的特征，不但可以处理表面的特征，还能找到背后隐藏的特征。但是很多情况下，没必要用大炮打蚊子。能够有效归纳出一些规则的问题，都不太需要 AI，而那些很难总结归纳出规则的问题可以考虑使用 AI 来解决。
当我们把特征数量和确定性画一个坐标，就能指导我们什么问题适合用 AI，什么问题不适合用：
2.3、应用评估 - 图1

持续学习

基于规则的能力边界很小，很多实际问题无法通过规则的方法来解决。人工智能可以扩大计算机的能力边界。
除了扩大能力边界外，人工智能还有一个非常重要的特性——持续学习，不断提升能力上限。

所以：让机器持续的学习，是人工智能的灵魂。想要利用人工智能技术来解决实际问题，你必须考虑2个问题：

  1. 我需要解决的问题是动态变化的吗？需要持续学习的能力吗？
  2. 我能否让人工智能实现持续学习？

想要让机器实现持续学习的能力，需要具备2个条件：

  1. 是否可以获得反馈数据？
  2. 数据是否可以形成闭环？

所谓的数据闭环就是将“行动 – 反馈 – 修正 – 再行动”循环自动的在机器上运转，完全不需要人参与。
2.3、应用评估 - 图2

黑箱是人工智能的缺点

并非所有人工智能都是黑箱的，大家说的黑箱主要指当下最热门、效果也最好的“深度学习”。
深度学习的工作原理不是讲逻辑（基于规则），而是大力出奇迹（基于统计）。

大力出奇迹会导致几个结果：

  1. 深度学习只能告诉你“是什么”，但是不能告诉你“为什么”
  2. 没人能预知在什么情况下会出现错误

而最可怕的是：当我们发现问题时，并不能针对具体问题来对症下药。
我们过去的计算机科学大部分是基于规则的，很像一台汽车，我们很清楚的知道这台车是如何组装起来的，所以发现螺丝松了就柠紧，哪个零件老化了就换一个。完全可以做到对症下药。
而深度学习则完全不一样，当我们发现问题时，不能做到对症下药，只能全局优化（比如灌更多的数据）。
**

哪些问题不适合“依赖” AI ？

由于深度学习的黑箱特性，并非所有问题都适合用深度学习来解决。
我们评估哪些问题适合，哪些问题不适合的时候，可以从2个角度来评估：

  1. 是否需要解释
  2. 错误容忍度

我们先从这2个角度来看看普及率较高的AI应用：

案例 是否需要解释 错误容忍度
语音识别 用户只关心效果好不好，并不关心背后的原理是什么 偶尔出现一些错误并不影响对整句话的理解。少量出错是可以接受的。
人脸识别 同上 相比语音识别，用户对出错的容忍度要低一些，因为需要重新刷脸。
机器翻译 同上 跟语音识别类似，只要大面上准确，并不影响整体的理解。

我们再看一些 AI 和人力结合的具体应用：

案例 是否需要解释 错误容忍度
智能客服 用户不关心是人工服务还是机器服务，只要能解决我的问题就行 如果机器客服不能理解我的意图，无法帮我解决问题，用户会很不满意。所以当机器搞不定 的时候需要人工来补位
内容审核 对于审核不通过的内容，需要解释原因。通过的内容不需要解释为什么。 有一种职业叫“鉴黄师”，目前正在逐步被机器替代，但是并没有完全替代，因为有时候机器会拿不准，这个时候人工来复审

最后看一些不适合AI落地的场景：

案例 是否需要解释 错误容忍度
推导定理 科学是绝对严谨的，一定是从逻辑上推导出来的，而不是统计出来的。 如果有例外就不能称作定理，一定是绝对正确没有错误的。
写论文 人工智能已经可以写小说，诗歌，散文。但是论文这种文体要求非常严谨的上下文逻辑。 论文里是不允许有错误的，全文的逻辑要非常清晰，哪怕一个细节出现了逻辑问题，也会造成整篇论文没有价值。

如果我们把上面提到的案例全部放在象限中，大致如下：
2.3、应用评估 - 图3
所以，在评估的时候有3条原则：

  1. 解决方案越需要解释背后的原因，越不适合用深度学习
  2. 对错误的容忍度越低，越不适合使用深度学习

  3. 上面2条并非绝对判断标准，还需要看商业价值和性价比，自动驾驶和医疗就是反例。

    案例分析：医疗

    人工智能在医疗行业的应用被大家广泛看好，因为医疗行业有很多痛点：

  4. 医疗资源不足，尤其是优质的医生

  5. 医疗资源的分配极度不均衡，中国很多疾病只有北京能治
  6. 其实医生的误诊率也很高（恶性肿瘤误诊率40%，器官异位误诊率60%）

目前的人工智能已经可以帮助人类做诊断并提供治疗手段。
奇怪的是：无论是从可解释性还是从错误的容忍度上来讲，医疗诊断都不适合用人工智能。
但当我们将人工智能作为一种辅助，最终还是靠人类来做判断和下决定时。人类和机器可以形成很好的互补。