AI技術是輔助工具，它不是萬能解方
在現今這個科技快速發展的時代，AI 的熱度持續攀升，已然成為人們生活中常被提及的話題。然而，我們必須清醒地認識到，目前 AI 的發展水平，與我們最初對它的期待之間，仍存在著不小的差距。這差距背後，藏著 AI 發展的曲折歷程，也蘊含著我們對正確認知的關鍵。
AI 發展期待的落差
當下，不少人對 AI 寄予了過高的期望，彷彿它是無所不能的 「神奇法寶」。但實際情況並非如此。就拿我在先前演講中提到的 AI 發展階段目標來說，若不了解研發人員對 AI 的規劃，就很難準確判斷目前 AI 技術究竟處於什麼階段。 AI 的發展並非一蹴而就，每個階段都有特定的目標與挑戰。
AI 發展的曲折道路
初始高目標的碰壁
AI 誕生之初，就被賦予了極高的定位 ——「機器像人一樣思考」。這聽起來確實令人興奮，似乎機器即將擁有和人類一樣的思考能力。當時的拓荒者們滿懷信心，想著既然是用人的思考模式去設計機器，應該不難實現。但現實卻給了他們沉重一擊。在實際操作中，他們面臨著許多棘手的問題：機器的運算速度能否夠快？人類的思考能否被歸納為固定流程？這個流程又該如何精準切割細化？即便到了科技如此發達的今天，這些問題依然沒有得到完美的解決。
希望落實在數學領域
由於最初目標難以實現，AI 的發展方向發生了轉變，變成了 「電腦解決數學無法解決的問題」。數學有著嚴謹的邏輯和固定的運算流程，讓電腦來輔助解決數學難題，似乎是個不錯的想法。在某種程度上，計算機的運算確實幫助解決了幾何和代數中的不少問題。但好景不長，新的問題接踵而至：機器的運算速度是否能滿足需求？幾套數學運算流程真的能套用所有狀況嗎？數據測定技術是否成熟？數據建立數學模型是否完善？數位類比是否精準？
以蒙特卡羅模擬法為例，曾經某英國學術期刊（SCI 等級）只刊登使用他們模擬方法的論文，拒絕其他方法或突破性論文。眾多研發人員只能引用他們的論文，採用他們的方法。但科技的進步本應是多元的，是為了探索真理、解決問題，而不是被某個單位或某種方法所束縛。後來我們將這種模擬方式公開，免費分享在臉書社團，因為事實證明，它並非不可取代。從設定這個目標到現在，AI 在解決數學問題方面並沒有取得實質的突破，那些曾經繞開的難點，依然橫亙在前進的道路上。
目前目標的達成與局限
到了 1970 年代，AI 的目標再次調整為 「機器能辨識、互動、感知」。如今，我們所接觸到的 AI，大多都圍繞著這個目標發展。隨著電腦科技的不斷進步，電腦體積越來越小、速度越來越快、容量越來越大，多台電腦串接形成的大型運算機器，大大提高了運算速度。同時，資料量的數位化進程也在加速。 Google 的搜尋引擎就是很好的例子，它透過對數字和文字的識別，在龐大的資料庫中進行比對，精準或模糊地找出結果呈現給使用者。影像辨識也是如此，透過關鍵特徵辨識來確認物體。
然而，在這個過程中，AI 也暴露出一些問題。 AI 背後依賴 “數據的分析方法”，但數據會受到資料庫對資料類型分類的限制，導致分析方法與數據可能無法真實適配。
AI 背後的問題剖析
數據與運算特性問題
計算機的運算特性是間斷性的，這決定了它在處理資料時，會產生一定的資訊損失。學習計算機的人都知道，離散數學是必修課，因為它與計算機的運算模式較為契合。當我們試圖將間斷性資料轉換為連續性資料時，就會面臨資訊無法復原的困境。這也是為什麼機器學習或節點系列的神經網路會成為電腦 AI 的核心模型。
AI “智能” 的真相
AI 終究是人類創造的產物，它的思考邏輯也是人類設定的。無論是 ChatGPT、Deepseek，還是豆包，它們的資料庫中都儲存著大量人類輸入的數據，包括文學大師的作品、網路上抓取的各種資訊。當我們與它們對話時，它們會根據學習到的內容和我們的使用頻率，用讓我們感覺舒適的文字排序來回應，從而讓我們產生認同感。
但部分從事 AI 研發的工程師，在基礎和社會認知方面存在不足。他們對 AI 的理解，很多時候只停留在表面。 AI 所謂的 “學習”，本質上只是基於程式和人類的回饋。我們不能盲目地認為 AI 會 “學壞”，因為在探討這個問題之前，我們需要先明確 “壞” 的定義。道德和善良風俗的標準本身就很模糊，更何況 AI 只是按照程式運行，它並不理解這些概念。
AI 只是輔助工具
AI 的不可靠與檢測難題
目前 AI 的核心模型存在一些問題，這使得它的結果可信度難以預測。要檢測 AI 的準確性，需要尋找其他途徑。在 AI 研發過程中，資料轉換是一個關鍵環節。但現在很多時候，資料轉換前後的差異沒有得到足夠的重視，也缺乏客觀的評判標準。研發人員在進行資料轉換時，不能只用一個簡單的公式或方法就了事，資料有著自身的頻率分佈和機率分佈，轉換後的這些特徵也應該被充分考慮。
正確使用 AI 的方式
我們必須明確，AI 只是一個輔助工具，它可以完成一些簡單的任務。如果想要讓 AI 發揮作用，就需要將任務拆解成非常細小的部分。研發人員在開發 AI 時，應該讓每個步驟的結果都清晰可見，並遵循數學和統計的基本原理，給出明確的數學式結果。不能因為計算機處理的是間斷性數據，就不展示相關的數學式和分析結果。只有這樣，我們才能更好地利用 AI，讓它真正為我們的生活和工作帶來便利。