高管苦读两小时：认清 AI 的能与不能

先交代一件略显尴尬的往事。

在修读吴恩达教授的 AI 课程时，有一章节专门探讨"机器学习的能力边界"，我凝视屏幕许久，猛然惊觉——过往我对 AI 的认知，竟有一半存在偏差。

这并非颠覆性的错误，而是那种"宏观方向正确但微观细节全偏"的谬误。此类错误实则更为凶险，因为你根本意识不到自己的无知。

因此今日此文，我不打算吹捧 AI 的强大，反倒想谈谈它在何处会"掉链子"。对于企业管理者而言，这一点或许比任何事都关键。

一、AI 的核心使命其实仅有一件

机器学习的本质，通俗来讲便是：输入 A，我便输出 B。

只要你拥有充足的历史数据，它便能从中挖掘出规律。

自动驾驶便是绝佳佐证。摄像头影像、雷达信息输入，前方障碍物坐标输出——此事如今已做得相当出色。缘由何在？因全球每日有无数车辆穿梭，生成的道路图像数据浩如烟海。数据充沛，规律自然可被习得。

故而机器学习欲发挥价值，须满足两大前提：数据体量需足，且任务本身的规律需相对恒定。

这听似简单，却常被众多企业忽视后半句。

二、那个令我深感"AI 颇为脆弱"的案例

吴恩达教授课上曾描绘一景：自动驾驶车辆路遇三种状况——施工人员举手示停，骑行者比划手势欲转弯，路边行人挥手招车。

AI 能否精准判定这三种意图？

答案是：极难。

我稍加思索，便觉此例直击痛点。同为"停"之意，有人挥手、有人伸臂、有人挥旗、更有人仅靠眼神——此类表达方式近乎无限，你无法将所有情形皆纳入训练数据。

更为关键的是，此乃关乎安全的场景。99% 的识别精度，在道路上仍显不足，因那 1% 的失误或许便会撞人。

故多数自动驾驶公司的策略是：令 AI 识别车辆、行人、道路等规律性强的事物；至于复杂的人类意图，则选择规避。非不能也，实代价太高。

三、"AI 能如人类般思考"——此言误导了多少企业？

我在诸多场合皆听闻此语。言者既有售卖 AI 产品之人，亦有真心笃信的同行。

然而事实是，当下多数机器学习，所为乃是另一回事：它实为超级模式识别器，并非真正在"理解"你的难题。

以企业经营为例。AI 可告知你哪位客户最易流失，哪个 SKU 销量将跌，哪条渠道 ROI 更高——这些它表现不俗，因背后有历史规律可依。

但它难以回答：此客户为何突改变主意？

"为何"之事，牵涉人之心理、背景、情绪，有时连人类自身都难解释清楚，遑论机器。这也正是每当我听闻"AI 可替代客服"时，总想多问一句的原因：替代何种客服，处理哪类问题？

这正是人类管理者目前尚无法被取代之处——非因我们更聪慧，而是我们在"理解"这一维度上，天生具备优势。

四、AI 竟不敌刚毕业之医生，其背后逻辑值得深思

课程中另有一例我觉得颇有趣味，特此记录分享。

机器学习可学习阅片，经数十万张图片训练出的模型诊断肺炎，准确率实则颇高。但若仅给 AI 观看 10 张示例图，再附一段医学说明文字——它便不会诊断了。换作一位刚毕业的年轻医生？阅毕 10 张片子与说明，很快便能上手。

为何差距如此之大？

因人类拥有一种机器学习目前尚不具备的能力：小样本学习。我们能阅读文字、理解概念、举一反三，从单一案例中提取规律并迁移至新场景。而机器学习，仍重度依赖海量标注数据。

这也解释了为何众多企业在推进 AI 项目时，首遇阻碍往往是："我们数据匮乏。"随后误以为寻得一支 AI 团队即可解决——实则不然。若无充足的高质量数据，再优异的算法也无从施展。

五、换个医院便失效——此坑比你想象中更为普遍

仍是肺炎识别之例，但此次换个视角。

假设你在某家顶尖医院积累了大量清晰、标准化的 X 光片数据，训练出的模型效果极佳。随后将此模型部署至另一家医院——设备各异，拍摄角度不同，图像质量亦存差异。

结果如何？准确率急剧下滑。

此谓 Distribution Shift（数据分布漂移）。AI 习得的是"在那家医院见过的图像规律"，一旦环境变更它便茫然失措——因其学的是表面规律，而非问题本质。

人类医生则不同。纵使更换设备，拿到新片子，通常稍作调整即可适应。

近期目睹不少企业斥巨资部署 AI 应用，使用半载后开始频发问题，深究之下往往归因于此——训练环境与实际部署环境迥异，模型"退化"了，却无人察觉。这是真实企业 AI 项目中最常见的败因之一，却鲜有人在方案 PPT 中提及。

六、我如今判定 AI 项目是否值得投入的三大疑问

修完此课，我梳理出一套自用的小框架，算是这段时间研习 AI 最务实的收获。面对一个 AI 项目提案，我会追问三个问题：

第一，历史数据是否充足？

非仅指"有无数据"，而是数量与质量是否足以支撑模型学习。销售数据、客户数据、生产数据、财务数据——每一类皆需单独评估。

第二，判断逻辑是否相对固定？

预测销量、识别缺货、研判客户流失风险——这些皆有规律可循。但"为何此客户欲离去"此类问题，AI 便难以应对。

第三，能否容忍一定的错误率？

若 80%-90% 的准确率即可创造价值，通常可行。但若该场景必须逼近 100%，则需三思而后投入。

反之，若数据稀缺、判断高度依赖人的经验、且容不得半点差错——此类项目成功概率极低，切莫被华丽的方案所迷惑。

七、学完此课，我最大的转变为何

往昔我与众人无异，聚焦于"AI 能做什么"。修习此课后，我开始更多思索"AI 不能做什么"。这两个问题，听似相近，视角却截然不同。前者易致盲目跟风，后者方能助你寻得真正值得投入之地。

说句实话，我见证过太多企业因不明 AI 之边界，耗费巨资，打造出一个"在测试集上表现优异、一上线即崩塌"的项目。非技术不行，实乃对 AI 的期许初始便错了。

机器学习绝非万能——它是在特定条件下极其强大的工具。理解其能为，更要洞察其不能，这对企业决策者而言，价值胜过一切。

或许未来企业真正的竞争落差，不在于谁运用了更多 AI 工具，而在于谁对 AI 拥有更清醒的判断力。

本文基于吴恩达教授 AI 课程中"机器学习能力边界"相关章节，结合个人工作经验整理与思考，不代表学术观点。