不過，洪小文表示，AI終究還是演算法，是人設(shè)計(jì)出算法，再交給電腦負(fù)責(zé)計(jì)算，AI能在封閉且不受外在因素影響的環(huán)境下，效果很好，但是遇到復(fù)雜且有外在因素影響的環(huán)境，AI就不管用。
AI系統(tǒng)的運(yùn)作模式
他舉例，多數(shù)的工作運(yùn)作流程都可以歸納成一個(gè)封閉回圈模式，首先發(fā)行一個(gè)產(chǎn)品到真實(shí)世界（Physical World），由感測器（Sensor）收集數(shù)據(jù)，數(shù)據(jù)傳到分析端（Analysis），分析下一個(gè)產(chǎn)品哪些要改善，做完決策（Decision），最后再啟動執(zhí)行器（Actuator）發(fā)行下一個(gè)產(chǎn)品到真實(shí)世界。
以往這樣的工作流程中，洪小文表示，感測器就是透過人工的方式收集數(shù)據(jù)，像是派人做問卷調(diào)查或是采集樣本，往往非常耗時(shí)，但是，由于現(xiàn)在IoT裝置興起，收集數(shù)據(jù)變得更容易，再加上AI負(fù)責(zé)分析和決策，就能快速地完成一次封閉的流程，不斷地重復(fù)執(zhí)行就能達(dá)到優(yōu)化的效果。
現(xiàn)在由于有大數(shù)據(jù)分析的能力、AI演算法和IoT裝置的配合，就能將此流程自動化，洪小文舉出一個(gè)有名的工業(yè)應(yīng)用例子，以往電梯都是壞了才維修，但是透過在電梯中裝設(shè)感測器收集數(shù)據(jù)，執(zhí)行上述的封閉回圈模式，電腦就能歸納出模式，進(jìn)而達(dá)到預(yù)測性維修，也就是在電梯某些條件出狀況時(shí)，電腦就能預(yù)測電梯即將壞掉，提前派人來維修。
AI應(yīng)用適用于重復(fù)性高的工作
洪小文認(rèn)為，這種封閉回圈因?yàn)闆]有外在因素影響，系統(tǒng)較為簡單且可執(zhí)行，不僅能藉此收集到大量的數(shù)據(jù)，作為往后分析的參考依據(jù)，還因?yàn)橹貜?fù)性高，可以適用于一樣的工作，舉例來說，電梯的預(yù)測模型，可能只需要做些微的調(diào)整，就能套用到每一臺電梯，這也是他認(rèn)為企業(yè)應(yīng)用AI技術(shù)，可以創(chuàng)造最大商機(jī)的模式。
洪小文指出，所有的工作運(yùn)作流程都可以歸納成一個(gè)封閉回圈模式，首先，企業(yè)發(fā)行一個(gè)產(chǎn)品到真實(shí)世界，由感測器收集數(shù)據(jù)，數(shù)據(jù)傳到分析端，分析下一個(gè)產(chǎn)品哪些要改善，做完決策，最后，再啟動執(zhí)行器發(fā)行下一個(gè)產(chǎn)品到真實(shí)世界。
復(fù)雜且變化性高的工作要用AI加上HI協(xié)同合作
封閉式的回圈模式是AI演算法能夠發(fā)揮所長的環(huán)境，洪小文指出，若是碰到外來因素的影響，這樣的模式就不管用，有些工作一輩子只做一次，下一次所有的條件都不同，這種變化性高的工作，需要AI加上HI（Human Intelligence）協(xié)同合作。
舉例來說，像是股票投資就不能只用AI，股市會因?yàn)橥鈦硪粍t新聞而有所波動，他認(rèn)為，AI還是可以分析數(shù)據(jù)給予人建議，但最后還是得要由人經(jīng)過多方評估來做決策，選舉也是如此。
AI技術(shù)像是深度神經(jīng)網(wǎng)路（Deep Neural Networks，DNN）企圖模仿大腦思考的運(yùn)作模式，不過，洪小文指出，其實(shí)人腦和電腦AI程式的運(yùn)作方式還差的非常遠(yuǎn)，因?yàn)槟壳叭祟悓θ四X的理解還太少，不足以將大腦神經(jīng)元的運(yùn)作模式歸納成一套演算法，交由電腦執(zhí)行。
他更進(jìn)一步說明，AI擅長的是大數(shù)據(jù)，人剛好相反，人類擅長的是小數(shù)據(jù)，也就是說，人類對于自己熟悉的人事物，不管外觀的改變，或是遮住了90%，人類都還是可以成功地識別，他舉例，視覺和語音都是如此，就像在吵雜的環(huán)境中，只要是自己熟悉的人，聽到幾個(gè)聲音，人類就能馬上知道說話者的身分、說話內(nèi)容。
「人和AI剛好互補(bǔ)！」他指出，AI都是在優(yōu)化流程，而人類則是透過理解來歸納、推論事實(shí)，他將人腦的運(yùn)作層次由最底層開始分為記憶力、感知、認(rèn)知、創(chuàng)造力，最高層次則是智慧，他認(rèn)為目前AI只停留在感知層，認(rèn)知層中AI可能只有達(dá)到一小部分。
他說明，人類的模式識別就是透過理解，而理解需要因果關(guān)系才可以推理，但是深度學(xué)習(xí)中每一層的輸入和輸出參數(shù)不同，就像個(gè)黑盒子，是不可能推理的，不過，他坦言，由于理解還包含各領(lǐng)域知識，因此，目前這方面還沒有顯著的進(jìn)展，「理解是很復(fù)雜的，我們還不知道要怎么建立模組。」他說。
洪小文補(bǔ)充，許多人希望賦予AI創(chuàng)造力，不過，AI連認(rèn)知層都還沒辦法達(dá)到，要有創(chuàng)造力更是困難，讓AI擁有創(chuàng)造力不全然是正面的，還包含出錯(cuò)的風(fēng)險(xiǎn)都是要考量的因素。
