人们很容易被人工智能 (AI) 的炒作所吸引，但也很容易被欺骗，认为这都是炒作。 事实是介于两者之间。 或者，正如科技名人迈克·奥尔森 (Mike Olson) 所说，“对通用人工智能和自动驾驶汽车等的过度关注让我们看不到狭隘人工智能应用的价值。” 他所说的“狭隘关注”指的是 DeepMind 宣布发布了“科学已知的几乎所有编目蛋白质的预测结构”。
狭窄的？ 几乎不。 这一进展极大地打开了蛋白质结构的大门，从而加速了医学和气候变化等多个领域的科学发现。 但所使用的人工智能是狭隘的，因为它不是某种有感知能力的机器，通过蛋白质结构进行思考。 正如我所写，最好的机器学习 (ML) 通常是“只是”模式匹配，其规模是人类无法复制的。
这提醒我们，人工智能/机器学习没有给我们带来自动驾驶汽车，但这并不意味着它没有取得令人瞩目的进步。 关键在于缩小我们使用人工智能的范围，而不是放弃它的承诺。
好的电脑
人工智能的正确方法是利用机器的优势，并用人类智能来补充。 机器可以处理远远超出任何人所能处理的大量信息，然后以更易于人们理解和假设的方式将这些信息呈现给人们。 这不是人类与机器的较量，而是人类与机器的合作。
还有数据。 很多。 事实上，正如欧洲分子生物学实验室 (EMBL) 副所长伊万·伯尼 (Ewan Birney) 所指出的那样，尽管机器有多先进，人类也有多聪明，但如果没有数据，就不可能绘制出所有已知蛋白质的图谱。 “世界上所有的人工智能人才……如果没有数据——而且是大量的数据——就无法轻易解决科学问题。” 那么 DeepMind 的科学家从哪里获得这些数据呢？ 幸运的是，在这个特定领域，有共享数据的传统，正如伯尼继续说道的那样：“分子生物学领域长期以来建立的共享数据的社区规范——特别是结构生物学——是一个关键的推动因素。”
应用于任何给定组织内的数据科学项目，这都需要大规模运行的机器、精明的数据科学家和大量数据。 当这三件事结合在一起时，人工智能有潜力变得真正神奇，尽管如前所述，不是以某种“有感知的机器”的方式。 将模型指向相对“狭窄”的问题仍然至关重要，这些问题可以发挥机器的优势，例如模式匹配。
此外，正如 Aible 首席执行官 Arijit Sengupta 所强调的那样，数据科学家应该对他们的模型保持务实。 森古普塔定期举办竞赛，让高中生与伯克利受过训练的大学水平数据科学学生进行比赛。 他说，高中生几乎总是击败大学生，这与大多数企业人工智能项目失败的原因相同：“数据科学家和机器学习工程师被教导要关注‘模型性能’（给定的算法在 进行预测时给定的数据集）而不是业务绩效（将人工智能应用到给定的数据集可以产生多少钱，无论是额外收入还是成本节约）。” 在比赛中，高中生更好地关注模型的金钱结果，而大学生则“专注于训练花哨的算法”。
换句话说，让事情变得简单是值得的。 并专注于其实力不断增强的领域。
那么，企业近期应该在哪些方面使用人工智能呢？ 根据斯坦福大学的一份报告《人工智能一百年研究》，自 2016 年以来，我们在人工智能方面取得了“显着进展”，人工智能在三个关键领域取得了特别的进步：
以自我监督或自我激励的方式学习
以持续的方式学习来解决许多不同领域的问题，而不需要对每个领域进行大量的再培训
任务之间的泛化——使系统为一项任务获得的知识和技能适应新的情况
考虑到这些参数，企业可以从人工智能的“大部分失败”转变为“大部分成功”。 这只是明智地使用人工智能的问题。
