越来越多的人工智能（AI）投入实际应用，包括在线客服、网络搜寻、甚至脸书上的讯息呈现，背后其实都是靠强大的算法执行。只不过，AI本身的局限性，也将在投入应用越来越明显，这也将是决定AI乃至于人类生活能否持续进步的一大关键。

　　在AI领域中，引领风骚的不只是掌握用户数据、用户数量庞大的科技巨人，从生产制造端切入，在某个特定产业称王的也大有人在。日本的Preferred Networks（PFN）就是最好的例子。

　　2014年创业的PFN，可以说是不折不扣的新创独角兽。他们专精的领域，是把深度学习（Deep Learning）技术导入在产业应用上，目前在三大应用领域：运输、制造生产以及医疗上，都与日本的一级大厂进行合作研发，例如从创业开始，PFN就与丰田汽车一起投入自驾车技术，去年（2017）七月更与日本国家癌症中心合作，建构癌症的早期血液诊断系统。

　　在PFN看来，深度学习的本质，其实就是建构统计性的预测模型。PFN Fellow丸山宏形容，深度学习具备大量的参数，经过多次的反复操作后，可以形成任何多维、非线性的函数系统，逼近人类的思考模式，可以大幅提升预测的准确度。

　　机器学习本质，不脱统计归纳分析

　　这种预测模型该如何建立？以国际两大温度单位：摄氏（℃）与华氏（℉）的对应关系为例，从人类的观点看，因为已经有一套标准的换算公式，丸山宏解释，对于任何一个给定的华氏温度，只要套入公式运算，就能得出相对应、即使测量也不会出错的摄氏温度；但对于机器来说，如果这套换算公式并不存在，就只能靠长期观测、记录摄氏与华氏两套温度数据，再对这些数据进行分析，慢慢推导出两者之间的对应关系（图1）。

　　图1：使用观测数据进行训练，使机器学习温度单位换算的方法

　　因为机器学习的对象只有被给定的参数，不论给定的参数再多、数据的规模再大，得出的仅是「近似」结果。丸山宏指出，归纳法的限制之一，就是只能根据过去的历史资料预测未来；但如果未来出现不可知或根本无法预测的意外，任何AI技术都无法得出对的结果。此外，机器学习所处理的参数，多半都被严格定义过，如果此时出现了与众不同的参数，也就是训练数据中未曾出现的稀有事件，系统对其也无能为力。“机器学习或者AI，还是跟人脑不一样，”丸山宏指出，“它不会灵光乍现，也不会进行临机应变的处理，更难以避免偏误的发生。”

　　技术面以外，关于AI另一个更严肃的议题，可能发生在应用场域上。丸山宏解释，在自动驾驶上，现在PFN的技术，已经达到可以同时控制多部车辆依其规划路线行驶，又不至于出现壅塞。“在这辆红色汽车上，我们的算法更可以设定所有车辆一碰到他就得转弯或减速，降低车祸发生率。”这套系统明明运作地相当完美，但丸山宏却提出另一个尖锐问题：这辆红色汽车的“安全系数”该拉到多高？

　　AI的应用，仍然有其局限性

　　图2：Preferred Networks开发的分布式自动驾驶系统

　　他补充，一般人可能认为，为了避免发生危难，安全系数当然越高越好，“可是我们发现，当这辆红色车的安全系数不断提高、其他车辆在这个参数环境下不断学习之后，居然都静止不动了！”丸山宏解释，正因为其他车辆被训练的内容是“绝对不能碰到红色车”，而只要一开动就会有碰撞的风险，所以才出现全部静止的结果。只不过，这样一来交通系统也跟瘫痪无异了。

　　因为机器只能在被给定的参数框架内思考，如果人们给予的指令过于简化，在实际生活中恐怕会出现难以预料的结果。他举例，“好比你今天命令机器人去星巴克帮你买杯咖啡，如果指令内容只是『把咖啡拿过来』，那么机器人的行动，可能是到星巴克，把排队的其他客人都打开推开甚至杀死，再把咖啡拿给你。”

　　AI跟人类一样并非万能，类似这样的“框架问题（Frame Problem）”，是人工智能领域中困扰许久却尚未解决的问题。随着这项技术逐渐被人类社会所使用，我们一方面固然可以因为生活更加方便而欣喜，但更要谨记的是必须以谨慎、注意的态度来使用这些科技，才不会制造更多无解的难题。