随着以机器学习、深度学习和大数据为代表的人工智能技术不断发展，新一轮的产业革命正在到来，社会的经济和产业结构、劳动力市场分工发生了很大的变化，然而当前人工智能技术还面临着三道难题：可解释性、常识和知识，在它推动经济增长、改变产业结构的同时，需要更好的引导资本与技术的协调发展，构建新型智能经济生态。
学习：人类在学习过程中学的不是知识，而是获取数据、信息和知识经验的方法，而机器学习学的则是数据、信息和知识。相似性是自然界的一个基本特性，不同的系统之间存在着相似性；同一系统中的不同子系统与原系统之间也存在着相似性。机器学习的长处在于学习、迁移这种同质性、线性的相似系统，但是它很难在异质性、非线性等相似系统之间进行类比与转换，而人不同，人能够在线性与非线性、同质与非同质、同构与非同构、同源与非同源、同理与非同理、拓扑与非拓扑、周期与非周期、家族与非家族之间随意转换。机器的学习离不开时空与符号，而人的学习随着自身情感、价值、事实改变而不断发生变化；机器的学习遵循和依赖已有的规则，而人则是在学习中不断改变旧规则、打破常规则、建立新规则。例如优秀的领导者会在实践中不断打破规则创新改革，而不是循规蹈矩、四平八稳地逐渐腐朽和没落，更不是眼睁睁看着疫情肆虐而双眼却盯在竞选和权力上。
常识：正如药一样，所有的知识都有其前提和适用范围，如果缺少了前提条件，知识便会产生副作用。知识只是常识的素材和原材料，机器只能做到“知”而无法拥有“识”，也就做不到知行合一。知识应该与思想结合起来而不仅仅是依附于思想，如果不能运用知识改变思想，使思想变得完善，那么知识就变成了一把双刃剑，可能给它的主人带来副作用或伤害。而人类避免知识产生副作用的良方之一便是常识，常识往往是碎片化的，而态势感知就是通过感、知这些碎片化常识的状态、趋势从而产生非常识的认识和洞察。人类可以通过自己的常识来感知世界、理解世界，而典型的人工智能体则缺乏对物理世界运行的一般理解、对人类动机和行为的基本理解（如直觉心理学）和对普遍事物的认知。
可解释性：人工智能的可解释性问题一直备受关注，在欧盟出台的《人工智能道德准则》中提出AI未来应该向“可信赖”的方向发展，其中“可信赖”包含安全、隐私、透明和可解释性等方面。人工智能的应用以输出决策判断为目的，可解释性可以让人理解机器做出决策或判断的原因，AI的可解释性越高，人们就越容易理解模型做出的某种决策或预测的原因，可解释性指的是对模型内部的机制或机理的介绍以及对模型输出结果的解释。其重要性体现在：建模阶段，帮助研究人员理解模型，从而对不同的模型进行选择对比和调整优化；投入运行阶段，向应用方提供模型的内部机制和输出结果的解释，增加使用人员对模型的信任度。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
