`
AI很擅长于寻找大数据中的规律，其亮丽的表现已经令人类叹为观止。在学习AI时，如果您能深刻掌握AI的黑盒子(Black box)和不确定性(Uncertainty)，将更能发挥AI的专长来帮助人类。
1. AI的長處
當今基於深度學習的AI，其非常擅長於：从大数据的复杂关系中寻找出人类难以得知的规则(规律性或法则)。人们对周遭大环境的隐藏规律太多未知，AI可以协助人们去探索未知，AI是好工具补足人类的短處。
那么，人们为什么需要AI的助力呢? 因为人们常常只能观察到小数据(Small data)，只能归纳出局部性(Local)的规律，然后从各个局部性规律中，抽象出原则(Principle)，然后掌握原则，幷相信它(原则)就代表全体规律，乃是恒久不变之<道>。如今，AI逐渐打破了这项数千年来的迷思。AI迅速掌握全体大数据，迅速找出全体新规律，巅覆人类所相信的原则。于是，只您会藉助于AI者，就可得到新规律来引领大潮流。反之，如果您不善助于AI者，坚守旧原则，就很可能成为没落贵族了。
虽然AI擅长于<小范围大数据>中找规律；但是人类则擅长在<小数据>中找规律，又能举一反三，应用于<大范围>上。两者互补且相辅相成。例如，在商业竞争环境中，AI可以帮企业取得相关产业的全域最佳解(Global optima)，轻易地打败传统(无AI)的企业竞争者，因为这些传统企业只能凭借人的视野和经验，只能取得局部最佳解(Local optima)。 2. AI的两项特征：黑盒子&不确定性
AI有两项特性：1) 黑箱式推理；2)不确定行为。当今AI(人工智能)技术是基于算法和大数据相关性(Correlation)而进行归纳推理，其属于低阶因果关系的推理。如下图：
基于底层的算法，搭配归纳推理能力，AI能够从大数据的复杂关系中找出规则(规律性或法则)，并进行预测(Prediction)。
依循AI自己找出的规则，就能针对应用资料来进行预测或判断，并且输出结果。
由于AI寻觅出来的规则，只能以成千上亿个数字表示，成为无(文)字天书。让人们对其判断理由无从理解(Incomprehensibility)，且对其推理过程无法解释(Inexplainability)，所以称之为：黑盒子。
同时，常常因为训练数据的偏差或算法参数设定等，都会让AI产生意外的结果，让人们捉摸不定其行为，通称为：AI不确定性(Uncertainty of AI)。
3. AI的两层规则(Rules)
在上一节里提到了，AI能从大数据寻觅出来的规则，并能以成千上亿个数字表示，成为无(文)字天书，让人们无从理解。于此，就来细说AI与规则的关系。首先从AI的算法说起，什么是AI的算法呢？<算法>是人们给予AI机器的规则(Rules)。这种规则是妈妈层级的规则(Meta-rules)，成为AI的底层框架，此框架支撑AI的归纳性能力，能够从大数据中找出规则(规律性或法则)，就生出儿女层级的规则。
因为是归纳法，所以妈妈如何生出儿女，其过程是黑箱(Black box)。当AI训练完毕，投入实际应用时，是依循儿女层级的规则而执行。所以，人们常常无法充分掌控AI的行为。也许您会认为算法能充分掌控AI的行为。其实不然，掌控得了妈妈，幷不一定能掌控其儿女，因此人们常常无法充分理解和解释AI行为的背后理由。
当今的AI神经网路(Neural Network)受人脑的启发，一个神经网路类似于大脑中神经元的连接系统，由成千上万个微小的“神经元”连接，经由一系列数学计算，形成数百万个复杂而微小变化的连结，人类无法精准地确定正在发生的连接结果，只会得到一个输出的结果。这种<输入数据和答案之间的不可观察的空间>，通称为<黑箱(Black box）。在AI领域常拿这个名词来描述神经网路的内心深处如何在“暗处”运作的神秘景象。对于人类来说，至今仍然太难理解了。
4. 举例说明：从传统IT迈向AI
4.1 传统IT：人们把规则(Rules)写入电脑
人们最常见的迷思是：延续传统IT思维，想把自己心中的规则(Rules)输入给AI。例如，当您想让AI来进行二进位的加法运算— 如(011)和(011)两数相加。在传统IT里，您会利用程式(如Python)的<编程逻辑>来把心中的规则表达于Python程式码里，经过编译(Compile)、连结(Link)之后，载入到电脑里。例如，计算二进位的 (011)和(011)相加时，您會運用二进位加法的基本规则是：个位数1和1相加，得到0，且进位 1。下一位则是：1和1和进位1相加，得到1，且进位 1。再下一位则是：0和0和进位1相加，得到1。于是，得到结果是：二进位的110。然后，写成Python程式码来表达之：
此时您需要编程技能，和严密的程式逻辑。所以，在传统小数据时代的IT逻辑编程，是让人类表达其心中的规则，以程式码叙述出来，植入到电脑中，让电脑替人类快速执行(规则)。所以，您需要努力学习编程；然而那是传统IT逻辑思维，不是当今AI的逻辑思维。
4.2 AI：自己找出规则(规律性或法则)
基于大数据的AI逻辑思维是：人类只需要给它(电脑)答案，由它自己归纳出规则。例如二进位加法：
基于大数据的AI逻辑思维是： 人类只需要给它(电脑)答案，由它自己归纳出规则。例如二进位加法：
人们只要给电脑考卷(即输入值011和011)，并且给予答案(即输出值110)就可以了。AI能自己归纳出规则，并计算出非常接近正确的答案：
AI计算出来的答案：[0.98, 0.93, 0.09]，只是非常接近正确答案：[1,1,0]。AI自己以权重(数字)来表达它自己归纳出来的规则。
在传统小数据时代的IT逻辑编程，是让人类表达其心中的规则，以程式码叙述出来。如今的AI，并不需要人类去表达心中的规则，反而AI基于大数据而能归纳出比人类更优质、可信的规则。
5. 细说AI的<不确定性>
5.1 AI的特质：<不确定>行为
前面说过了，AI的特质是非常清晰的：它依赖大数据表层(浅层)的相关性，作为归纳法推理的基础。而归纳性推理是一种<黑箱(Black box)>思维，只有结论而没有推理过程的。
当AI训练完毕，投入实际应用时，是依循AI自己归纳出来的规则而执行。所以，人们常常无法充分理解和解释AI行为的理由。AI自己讲不清础，甚至AI专家也讲不清础。这是人们对于AI行为的不确定感。
于此也推荐您听听Janelle Shane于2019年4月，她在Ted上演讲，主题是：「AI的危险比你想象的更怪异」(The danger of AI is weirder than you think)。
为了有效提升人们对AI的信赖度(即降低不确定感)，许多专家们联合起来筹组了一个联盟，名称为：(The Association for Uncertainty in Artificial Intelligence，简称AUAI)。并且定期召开大型会议，研讨各种可能的解决途径。 5.2 AI不擅长<不确定性>的事物
俗语说，优点的另一面，往往是缺点。AI擅长于归纳性推里(考古)，迅速找出事物幕后蕴藏的规律性。对于没有经历过的未知事物(Unknown)通常是无法理解和判断的。此外，因为AI没有拟定（对未来的)假设或假说(Hypothesis)的能力，而且它又没有关于未来可变事物的数据。所以，AI对中长期的未来事物变迁的预测(Forecast)能力却非常薄弱。这些未知的、未来变迁的不确定的部分，都是AI不擅长的。
在AI时代里，AI负责考古和探索眼前事实；人类观想未来和拟定假设性方案。AI的能力与人类能力，形成互补，相辅相成，共同邁向人機共舞的社會。
`
