誤解5:機器>人類

　　在過去的30年里，無論是施瓦辛格在《終結者》里扮演的電子人殺手，還是艾麗西亞·維坎德在《機械姬》里扮演的智能機器人伊娃，媒體一直喜歡把人工智能描繪成比人類更強大的機器。媒體想編寫一個機器對戰人類誰會成為贏家的故事，這是可以理解的。但卻歪曲了事實。

　　例如，最近谷歌DeepMind 的 alphago戰勝韓國棋手李世石的報道被簡單地描述成機器戰勝人類。這樣的表達不是對真實情況的準確描述。更準確的描述是機器加上一群人打敗了一個人。

　　消除這種誤解的主要理由是機器和人的技能是互補的。從上面的圖中我們可以看出機器在處理結構化計算方面有優勢。機器擅長“找到特征向量”的任務，不太擅長“找到豹紋裙”任務。人類在識別意義和背景上具有得天獨厚的優勢。人類很容易“找到豹紋裙”，但在“找到特征向量”方面跟機器相比不具有優勢。

　　因此，正確的框架是要意識到在商業情景下機器和人是互補的。人工智能是人和機器共同工作。

　　錯誤6：人工智能是機器取代人類

　　主流媒體為了關注度喜歡描繪一個反烏托邦式的未來，這種情況可能會發生，但這種描述對正確理解人和機器如何共同工作產生了不利的影響。

　　例如，讓我們再思索下分類支持票據的業務流程。現如今大多數企業都還是百分百人工操作的。結果就是不僅進度緩慢而且成本線性增長，限制了工作量。現在想象一下用模型分類10，000張支持票的準確度是70%。30%的錯誤是不能接受的，就需要人機回圈的參與。你可以設置可接受的置信閾值為95%并且只接受模型在置信水平不低于95%時的輸出。所以最初的機器學習模型可能只做了一小部分的工作，比如說5-10%。但是，隨著新的人為標記的數據被創建，并且將其反饋到機器學習模型中，模型會不斷學習并提高。隨著時間的推移，該模型可以處理越來越多的客戶支持票據分類工作，分類票據的業務量可以顯著提高。

　　因此，人和機器共同協作可以增加業務量，保持質量，減少重要的業務流程的單位成本。

　　這就消除了人工智能是機器代替人類的誤解。事實是，人工智能是關于機器增強人類的能力。

　　錯誤7：人工智能=機器學習

　　主流媒體帶給人們的最后一條根深蒂固的誤解就是人工智能和機器學習是等同的。這個誤解就導致了不切實際的管理期望—從微軟，亞馬遜或谷歌公司購買商業機器學習的服務就能神奇地將人工智能運用到生產中。

　　而除了機器學習之外還需要訓練數據和人機回圈才有可能找到可行的人工智能解決方案。

　　沒有訓練數據的機器學習就像一輛沒有汽油的汽車。既昂貴又無用。

　　沒有人機回圈的機器學習是不會有好的產出的。機器學習模型需要人的參與來去除低的置信度預測。

　　因此，如果你是一個想把人工智能應用到業務上的執行官，現在你應該對它有一個認識框架了。你應該用人工智能的7個真理來代替這7個誤解。

　　真相1：人工智能=訓練數據+機器學習+人機回圈

　　真相2：人工智能屬于任何行業

　　真相3：人工智能可以用幾百萬美元來解決現有的商業問題

　　真相4：算法并沒有比訓練數據的數量和質量更重要

　　真相5：機器和人是互補的

　　真相6：人工智能是機器增強人的能力

　　真相7：人工智能=訓練數據+機器學習+人機回圈