新冠期間，以人工智能為技術基礎的系統表現出了點兒問題。病毒都能感染人工智能了嘛？當然不是，被影響到的是人類。沒有了人工介入，人工智能和機器學習系統都不能良好運轉了。

人工智能聽起來似乎離我們很遠，但其實每個人生活中都體驗過它。從Netflix的定制化推薦到Spotify的個性化播放歌單，再到像Alexa一樣可以管理購物清單和應用的語音助手。這些例子都能說明集成人工智能系統是如何進入人類生活的。

從商業的角度看，很多公司都會在人工智能和機器學習方面大量投資。不管是重要商業過程的自動化，建立多渠道的供應鏈；還是將聊天機器人授權給顧客聯絡團隊，以人工智能為基礎的系統都能大大降低了人工勞動以及企業成本，以獲得更高收益率。

看似百毒不侵的AI，卻被發現了也有弱點？來自麻省理工學院的作者威爾·道格拉斯近期在文章中提出：在新冠病毒疫情期間，以人工智能為技術基礎的系統表現欠佳。病毒不是直接影響人工智能，而是影響了人類。

如果經常用機器學習算法來管理存貨、客戶支持及其他功能，系統可能會被訓練得很好，在無人介入的情況下也能高效運轉。但這種說法只能說是部分正確，因為人們并未根據疫情出現的“新常態”來訓練機器學習算法。

疫情已經徹底改變了世界，包括供給和需求的模式和一般買方行為。在幾天時間內，廁紙、口罩、手部消毒液成了亞馬遜上全球搜索頻率最高的產品，而手機充電器和樂高這些長久以來爆紅產品的人氣卻大大降低了。

這些驚人的變化都影響了人工智能，很多基于常規行為訓練出的機器學習模型突然面臨大量的偏差，就無法正常工作了。

疫情前值得關注的人工智能失敗案例

人工智能應用在過去的幾年內的優化十分顯著。然而，當機器因為一個或某些原因無法正常工作時就會出現問題。比如，本應治愈癌癥的IBM“沃森腫瘤學”卻成了荒謬的產品。

有人發現這個產品給出錯誤的診療建議，這有可能會惡化病人的病情，接著它就被停止使用了。人們這才發現，沃森是基于少數“人造癌癥病例”被訓練出來的，而不是基于真實的病人數據。即使是建議，也應該基于一些癌癥專家的專業知識，而不是任何書面指南和證據。

另一個案例是亞馬遜的招聘引擎偏向白人男性。這個模型是基于十年間投遞到亞馬遜的簡歷訓練出來的，并且以現在的工程師為基準。根本上來說，這個訓練后的模型在招聘中偏向男性。據熟悉此問題的人報道，系統會不公平地對待含“女性的”這個詞的簡歷，并且還會給來自兩所女子大學的簡歷降分。

回到當前疫情，以賣消毒劑的公司為例，零售商依靠自動存貨管理系統預測出的合作公司（預測算法根據用戶行為生成）不再與疫情期間的實際需求相匹配，這會導致嚴重的供需不平問題。

實際上，當全世界的供應鏈受到影響，各家公司面對新的需求情況時，人們應該重新考慮運用在銷售和開支預算中的人工智能模型了。由于當前的經濟和社會情況催生了“新常態”，曾經導入到機器學習模型的數據和假設不僅不再適用，而且還可能導致嚴重的錯誤。

人工介入對人工智能的成功至關重要

機器學習系統的質量僅取決于用于訓練它的數據的質量，這意味著當今的黑天鵝事件引發了人們去重新想象導入到人工智能——機器學習系統里的訓練集合。很多專家認為，訓練人工智能不能僅基于單一的最壞情況能，還應基于人類歷史上的轉折性事件，比如上世紀30年代的大蕭條、2007-2008年的金融危機，還有當前的疫情。

人類的監管可以很大程度上攻克人工智能的短板。這幾個月來，人們對健康的關注變得更多了，再加上社交媒體上關于疫情不斷的真假傳聞。很多人不能辨別新聞的真假，這會在現實世界里造成嚴重的后果。

所有人只知道控訴臉書的算法推送假新聞來影響美國大選，事實上，人類的監管可以制止假新聞的傳播，可以通過讀者點擊新聞來源，辨別故事真假，曝光假新聞，從而阻止其傳播。

今天，人類盡管試圖讓人工智能模仿人類，但還是無法讓人工智能在無人監測的情下獨自運行。機器終究只是機器，它們并不受道德和社會標準的約束。

好的情況下，人工智能基于訓練它的良好數據而表現良好；反之，人工智能也能反映偏見、思考過程、或創造者的道德標準。為了克服這些問題，用不同的數據集合訓練人工智能，并且加入人工檢測，是很有必要的。未來之路還有很久很長。