科技進步並不意味著所有人都能共蒙其利，我們如果繼續對科技抱持盲目樂觀的態度，聽任少數人透過侵害多數人權益而致富，終將侵蝕得來不易的自由、民主與生活方式。我們必須重新檢視科技變革為人類社會帶來的利與弊，探索如何創造一個兼顧進步與平等的未來。本篇只介紹「通用AI的幻覺」。
目前AI的發展路線是以圖靈的主張為圭臬，追求的是通用、達到人類水準的智能。儘管GPT-3與推薦系統已有長足的進展，但就目前由人類處理的許多決策而言，要想憑著目前的AI路線來破解人類智能，甚至光是達到極高的水準的生產效率，都還言之過早。
在人類認知上與社交及情境層面有關的任務，對於機器智能來說仍然是巨大的挑戰。如果我們仔細看看人們目前現有的成就，就會發現把人類擅長的事情全部交給機器處理會有多困難。連GPT-3這項技術也不具備人類的社交或情境智能元素，因此執行任務時，GPT-3無法判斷情境的脈絡，或從中推論因果關係。
事實上，從這些討論還是讓我們看到一個更大的問題：統計方法雖然能夠辨識模式、做出預測，但掌握不到許多人類技能的本質。首先，由於所謂確切的情境難以定義與編碼，也就很難應對情境的資訊。
統計方法長期以來還有另一項問題，稱為「過度配適」，一般指的是為了想要精確呈現實證上的關係，結果在統計過程參考太多的參數。令人擔心的地方在於，一旦出現過度配適，統計模型會把資料當中其實無關的部分也納入計算，於是所做的預測或結論都出現失準。
想要解釋這個問題，就必須先針對最後應用的目標，了解有哪些不相關、不是長久存在的特徵，從中對過度配適的問題進行更廣泛的認識。讓我們以「區分狼與哈士奇」這項任務為例。
例如，如果背景是都市，像是有平整的草皮、消防栓，AI就會判斷為哈士奇；如果背景是雪山那樣的自然情境，AI則會判斷是狼。但這兩種配對方式根本是不相關的特徵，原因有二：
- 人類不是用這樣的背景因素來定義或分辨動物。
- 隨著氣候暖化，狼的棲地可能會改變，因此程式需要能在不同環境中辨別狼隻。
換言之，正因為「背景」並非狼的決定性特徵，所以一旦周遭世界或環境改變，這種判斷方式就會導致錯誤的預測。對於機器智能來說，過度配適特別麻煩，因為那會讓人誤以為機器的表現十分出色，但其實錯誤百出。
舉例來說，雖然「溫度」與「各國每人平均GDP」這兩個變數在統計上相關，但並不代表氣候會對經濟發展造成巨大影響，原因可能只是在某段特定的歷史中，歐洲殖民主義對於不同氣候的不同地區有了不同的影響。但如果沒有一套正確的理論，就很容易誤把「因果」與「相關」混為一談，而機器學習就常常出現這種情況。
在一種情況下，演算法過度配適的影響會更為嚴重，那就是在社交情境中，人類會不斷對新資訊做出回應。在這種時候，整個需要判斷的情境會不斷因為人的反應而改變，甚至這種改變正是因為有人參考了演算法的資訊。
例如，由於太多人被演算法鼓勵去申請某個職缺，會讓申請應徵的人數超過職缺數目，那麼這個職缺就不再是個理想的選擇了。要是機器智能無法從這種情境與社交層面來了解人類的認知，掌握人類行為會如何動態調整，就會不斷碰上過度配適的問題。
AI缺少社交智能還存在著其他隱憂，雖然AI能夠運用大批使用者的資料數據，以此了解資料中的社交面向，但目前仍無法善加利用人類對事物的理解，是靠著人與人之間的選擇性模仿、溝通交流與爭論而來。所以，許多自動化的嘗試似乎還讓整體靈活度下降。
反之，如果是一名訓練有素的員工，在環境變化時，常常能運用從同事那裡學到的技能與觀點，迅速應對、反應靈活。
話雖如此，我們並不排除在不久的將來，可能出現一種全新的方法解決「通用AI」的問題，但到目前為止，還沒有這種跡象，也尚未看到有人願意投資、大舉投入研究這個領域。目前，產業重點依然只在於廣泛收集資料數據，以及靠著機器學習技術，將一些狹益的任務自動化。
這種商業策略造成的經濟問題很明顯：當人類並不如有時候想像的那麼無用、智慧機器也不如想像的那麼聰明，我們就只能得到「差不多湊合著用的自動化」，代價則是讓一大票勞工失業，卻無法實現之前的承諾，使生產力收益大幅提升。
就連對於企業本身，這樣的自動化也不見得能提供什麼好處。有些企業之所以採用AI，有可能只是在跟風。像是前AI科學家艾伯托．羅梅洛所說：「AI擁有強大的行銷威力，讓許多企業根本沒搞清楚原因就開始使用。人人都只想要搭上這股AI潮流。」
結語
雖然目前市場對AI的看好度不變，但若將來出現雜音的話，最有可能的就是此篇文章提到的。
我也一再提醒學員，AI的工業革命才剛剛開始，像有些漲幅過大的AI相關概念股，還是要有風險意識，要買可以等股市發生大幅回檔再買。
有關書籍的介紹，請參考：作者、出版社、內容簡介
更多的理財書目，請參考：汪汪書架的書–理財書籍
