AI的能力边界

引言

AI擅长的

当我们说AI的特征时，其实大家可以发现一个显著的特点就是你告诉他一句话，他居然可以根据这句话给你生成一套你需要的内容。

非常非常的开放，并且结构化非常的好，会直指你提问的问题。

举个例子，你告诉AI，请帮我生成一份“关于****的报告”

AI会给你生成一份完整的报告，并且分段，分模块，论点，论据，数据，推测都能生成的非常的好。（至于真实性，暂不讨论）

如果你有一个报告的大纲，你希望AI帮你完善大纲的内容，并且根据大纲生成详细的报告内容，AI也会按照你所说的诉求进行生成。

如果你想知道某个复杂的概念解释，比如“什么是量子力学”，AI也能给以一个非常广泛的常识性的答案。

你会发现，它其实非常适合做开放性的事情，这类事情不拘泥于结构，不拘泥于精确，不拘泥于一个非常确定的结果，这种情况下，AI的表现非常的好，能给人带来很多的创意和启发。

这也是为什么在前文，我会说：

遇事不决，可问AI！

因为它能够给你带来完全不同的，全新的，可能人脑很难考虑到的一些方向和点子，或者是一些容易遗漏的内容，AI在这方面做得非常好。

AI擅长的类型

上面其实是整理一个例子，能让大家更好的明白AI擅长的事情，以下是几个方面目前AI做的比较好的方面：

1. 头脑风暴与创意生成

比如策划一场活动，构思小说或者剧本的情节，设计产品概念，还是为新品牌想名字、Slogan，AI都能快速提供大量、多样的初步想法，打破思维定式。

现在也有很多实用AI生成各种剧本分镜的，大家应该接触的比较多一些。

比如我的公众号名字，就是我通过AI生成的名字去挑选然后改造出来的。（只需要描述你的方向，定位还有预期，AI就会生成很多内容供你选择）

2. 文本的创作和润色

比如写一个报告，写一封某个主题的邮件、改写句子使其更流畅或符合特定风格（如更正式、更幽默）、扩写缩写内容等。

甚至你写完的内容，也可以发给AI帮你润色一下，一般都会有不错的结果。

比如我在整理的AI教程相关的内容，就是我自己写一遍，然后再交给AI帮我润色一遍，真的，效果远远超出了预期。

3. 信息总结与归纳

快速阅读大量文本（如长篇文章、会议记录、用户评论）并提炼核心要点、不同观点或情感倾向。

现在很多企业高的知识库，或者个人层面自己搭建的知识库，以及AI整理的会议纪要，都会有很不错的效果。

4. 解释概念与知识问答

AI由于训练了极高量级的数据，因此对于广泛的常识性或知识性问题都能给出非常不错的回答，而且远远比搜索引擎来的细致和完善。

因为搜索引擎终究只是搜索出来对应的别人发表的内容，然后你自己去看，去学，去整理和分析。而AI可以可以在检索出所有内容后，自行整理，分析后，将最核心关键的内容汇总展示给你。

5. 代码辅助

比如生成基础代码片段、解释现有代码的功能、辅助调试常见错误等，也是现在 AI 的IDE（开发工具）如火如荼的原因，它是真有用。

比如你可以问它，帮我用python写一个函数，用来读取和分析某个excel表的数据，并求出某个列的数据之和。

最近也刚好在学python，对于初学者来说，有个AI在旁边帮你找问题，出意见，真的，老爽了。。。要不然你还得一个一个百度问题，那成本，不是一般的高。

6. 视觉创意辅助

比如AI生图，AI生视频，这些大家应该听得比较多，目前的整体效果很不错，已经有很多的人开始靠着AI的工具，做自媒体，做商业化广告，做插话，做视频了，效果也非常好。

我们后期也会有专门的文章讲AI生图，AI生视频等相关内容。

AI不擅长的

但是，如果你给了一个非常精确的指令，比如说生成一个产品方案，产品方案要求有哪些页面，每个页面具体要有什么样的细节，每个细节的诉求是什么…等等

然后AI就懵了，AI可以根据你的所有要求，给你生成一个大体框架正确的一个页面或者方案，但是真的到页面细节层面，就彻底抓瞎了。。。

（当然，可能是现在的问题，以后随着技术的发展，就会越来越）

再比如说，你需要AI根据某条特定的规则，生成出一个特定的结果（这个其实本质就是专家模型），这时候，AI也会很懵，它可以根据你提供的规则，生成很多不同的结果，但可能就是无法生成你要的特定的结果。

当然，现在有了专家混合模型，可以用来解决这种精确性结果的问题，这个后续有机会再讲。

归根结底，AI对于确定性要求较高的，处理起来都会有所偏差，所以，对于确定性极高的诉求，AI处理起来都会偏弱一些。

但是，即时较弱，也依然不能掩盖它的优势，你也可以根据AI输出的内容，给自己提供思考的方向，建议，以及完善自己的思路和想法，也还是很有用。

还是那句话，遇事不决，可问AI！

AI不擅长的类型

上面的是介绍一些例子，来说明AI不擅长的内容。以下是AI目前做的不太好的方面，大家后续可以重点关注。

1. 较为复杂的精确性问题

比如说一些的复杂的产品设计方案，一些严格的数理逻辑，一些长链条的因果推断、一些复杂条件判断的问题，遇到这种问题时，AI容易遗漏前提、遗漏细节，混淆概念，然后得出一些部分结果甚至是一些错误的结果。

2.幻觉的问题

比如说，你让AI给你出了一份报告，这部分报告中会有很多的数据，但是这些数据有可能是错的。AI会自信地编造不存在的事实、数据、引用、事件细节（如虚构的文章、错误的历史日期等）。当然，也有可能会被训练的一些数据，或者网络上的一些虚假数据误导，它追求“合理的推理”而非“真实的依据” 。

3. 一些专业度极深的行业判断缺失

比如说医疗行业，法律行业等等，专业度极深的行业内容，规范，AI处理起来可能会丢失很多关键信息。因此，对于这类行业，都需要有单独的垂类的行业知识库，然后再叠加上专家模型，可能才能最终输出一些比较优质的结果。

4.一些专业类型的工具的操作

比如你想让AI帮你PS一个图片的某一部分，或者是画一些精密图纸等等，这些AI处理起来就会比比较开发，精密图纸层面基本无法实现，至于PS的话，倒是可以，但是无法达成精确完成你的要求，你需要生成很多张，然后找到一张感觉还不错的。（这种操作，在业内称之为抽卡）

AI本质的分析

其实AI擅长和不擅长的，本质上都是受AI本身的底层逻辑影响。

还记得上文聊得么，它的本质是根据不同的输入场景信息给出针对性的输出和回应的一个函数。

而函数的本质，就是AI对于数据的处理，是统计本质，就是汇总所有的数据，然后通过推理和计算，给出一个AI认为的最佳的回答。

这里简单多提一嘴，AI到底是怎么识别一个东西的。

举个简单的例子，如果在你面前放一个苹果，你看到它的第一眼就知道这是一个苹果，这是人的经验，历史，共识和意识的直接反映，都不需要经过任何的判断，在你看到它的第一眼，你就知道这是个苹果。

但是对于AI来说，不是这样的，它无法识别这是个苹果，他需要经过一些认识和计算，它识别到这个物体是圆的，红色的，尺寸大约10cm，通过这些特征，来判断这可能是个苹果。

如果颜色是黄色，长条形，尺寸大约20cm，通过这些特征，来判断这可能是个香蕉。

因此你会发现AI即使通过模拟人类神经网络的方式，来模拟人类的神经元传递，但是到目前为止，暂时还无法像人类一样理解世界。（未来可能会不一样）处理问题的底层逻辑不一样，涉及到的训练数据不一样，最终决定了AI擅长的方向以及不擅长的方向。

AI的特点

所以，综上，我们会发现，对于特征多的场景或者问题，AI处理起来就会更加擅长。对于特征少的，AI处理起来就会比较弱。

对于确定性和开放性的问题，AI会更擅长处理开放性的问题，对于确定性极高的问题，AI处理起来反而会比较弱。

所以，对于AI来说

特征多，确定性强的问题，比较适合混合专家模型来解决。（依靠规则）

特征少，确定性强的问题，比较适合混合专家模型来解决。（依靠规则）

特征多，开放性强的问题，极其适合AI来解决。

特征少，开放性强的问题，比较适合人来解决，然后AI来配合。