到目前為止，沒有工具，也沒有明確的方法可以阻止AI出現問題；想比較而言，了解AI到底出了什么問題更為現實。

AI的目的是開發智能系統，能夠自動駕駛汽車，診斷、治療復雜的醫療狀況，甚至還能訓練其他機器。

問題在于，沒有人確定該如何診斷這些系統中潛在的缺陷，也許我們只能阻止問題的發生。雖然機器可以很好地完成某些工作，但人類仍然需要設計系統來訓練和觀察它們，并且這個系統還遠遠不夠完善。

“調試是一個開放的研究領域，”IBM research Almaden副總裁兼實驗室主任Jeff Welser說。“但是我們至今還有一個好的答案。”

在這個問題上他不是一個人。盡管人工智能、深度學習和機器學習正在被應用于包括半導體設計和制造業在內的多個行業，但重點在于如何使用這些技術，而不是在出了差錯時發生了什么。

“調試是一個開放的研究領域，但這個問題沒有解決。”ANSYS首席技術專家這樣表示。

至少部分問題是，沒人能完全確定一旦設備被訓練后會發生什么，特別是在深度學習、人工智能以及各種神經網絡方面。

企業解決方案技術副總裁、杰出的發明家Steven Woo表示，調試是建立在理解的基礎上的，關于大腦是如何運作的，還有很多需要學習。所以從傳統意義上來說，調試仍然是一個挑戰，因為需要了解何時發生了錯誤并進行錯誤分類。我們需要進一步研究“我不知道”類型的分類。

這與科幻小說中描述的一些場景相去甚遠，在科幻小說中，機器可以控制整個世界。錯誤的算法可能導致在某處發生意外，如果它涉及到功能安全系統，可能會造成不可預估的危害。

但是人工智能(AI)、深度學習(DL)和機器學習(ML)的不同之處在于，僅僅通過一個軟件補丁修復這些bug是不可行的。更何況，這些bug可能在數月或數年內都不會出現，或者直到與其他設備進行交互才出現。

Synopsys嵌入式視覺處理器產品營銷經理則這樣認為，如果我們正在訓練一個網絡，那么它的吸引力就在于我們可以讓它更快、更準確。一旦我們訓練的網絡出了問題，只能追蹤到代碼。現在，調試成了一個棘手的問題，而且它并不是一個能提前避免的事情。

什么足夠好?

“什么足夠好?”是半導體行業一個潛在主題，答案因市場、應用的不同而有很大差異。就算在在同一設備中，不同功能之間甚至都可能有所不同。例如，在玩手機游戲的時候，出現bug會很煩人，可能需要重新啟動才能解決，但如果打不了電話，那我們可能會直接選擇換掉手機。對于工業設備，這項技術可能直接與收入掛鉤，因此它可能是計劃維修更換的一部分，而不是等待失敗。

當AI出現問題時，我們竟無能無力？

對于人工智能，深度學習和機器學習，則不存在上面的標準。推斷結果是數學分布，而不是固定的數字或行為。

eSilicon市場副總裁在某次采訪中表示：它們最大的問題是，是否正確，以及如何與人類相提并論。是否當它們超越人類時，就可以認為它們足夠好了?事實上，這個問題可能我們永遠也無法證明。所有這些都是訓練數據的結果，一般來說，擁有的訓練數據越多，就越接近完美。這也是與以往最大不同的地方，因為過去我們只關心算法和布線是否正確。

這是一個可能會出現問題的地方。雖然在批量制造方面有大量的數據，但設計方面卻少得多。

“對我們來說，每顆芯片都是如此獨特，我們只處理幾百個系統，所以輸入數據量很小，”ArterisIP首席技術官說。“這個東西是一個黑盒子。如何處理以前從未處理過的事情，特別是涉及偏見和道德問題，需要更多的訓練數據。”

對于AI/DL/ML，即使是對bug的定義，也是不同的。

因為算法性能在一個領域中得到了發展，而它又不是確定性的，所以bug的定義也會改變。有時候，可能無法從這類算法中分離出一個作為bug的特定輸出，因為它是基于算法中捕獲的進化概率分布。

但我們可以通過預先設定算法可接受行為的明確邊界條件，來避免這種情況。然而，理解這些邊界條件并不簡單，一則算法本身處于不斷優化的狀態，再則是這些算法被廣泛用于各種應用中。

了解未知

調試AI/ML/DL的一個起點是描述你所做的和不理解的。

這在機器學習中比在深度學習中簡單，這兩者都適合在AI的保護傘下，因為算法本身更簡單。深度學習是一種基于多層矩陣的數據表示，其中每一層使用上一層的輸出作為輸入。機器學習則使用為特定任務開發的算法。

在一個生產環境中，我們要知道哪里出了問題。可以了解機器學習算法來自于哪個模型，并對不同的算法進行大量比較，但不同產品之間可能會有所不同。可能在產品A上，隨機森林效果不錯；而在產品B上，另一個算法或某種組合效果更好。但是，如果沒有大量的數據，或者有很多獨立變量在改變的時候，機器學習可能就沒什么作用了。

這正是當下研究的重點。

人工智能系統觀察一只狗，將它識別為小狗或某種類型的狗。機器能識別5~6個特征，但這些特征是否正確?是否存在過分強調一個特征?這一切都將回歸到人們對機器的擅長程度上。

人們很容易理解導致這一決定的一系列事件，但決策過程并非如此。

一位Arm研究員說：“這或許是人工智能，就是把一些數據輸入到系統中，然后彈出一個答案。它不一定解釋得出這個答案的精確推理，輸入數據的屬性，強烈地影響了這個答案是這樣出來的。如果我們給AI程序或機器學習算法提供了更多的決策控制，對于各種各樣的環境也是有幫助的。”

訓練數據偏差在這方面也起著關鍵作用。

這對醫療數據來說是一巨大挑戰，因為在某些領域，專家們在如何給某些東西貼上標簽的問題上存在分歧，因此不得不開發在標簽中容忍噪音的算法。我們從算法的角度知道它在做什么，我們發現它告訴我們看起來有用的東西。但與此同時，我們也向自己證明，不管輸入設置中出現任何偏差，都會影響輸出結果。這是一個關于智力的例子，或只是一個推理濫用的例子，亦或是我們還不知道的事情?

什么可行，什么不可行?

一旦錯誤被識別出來，處理它們的實際過程也不清楚。

解決這個問題的方法之一，是從傳統方面著手，比如支持系統和優化內存帶寬。但沒人知道這些系統實際上是如何運作的。如何配置黑盒?這可能是需要機器學習來調試機器學習的情況，需要一名主管來訓練這些系統，并確定什么是好的，什么是壞的。

訓練數據的微小變化也會蔓延開來。用于培訓一臺機器的數據可以由另一臺機器生成，后者可能實現不同的算法，或者它可能是實現相同算法的不同實例。例如，兩臺機器(兩臺機器都實現一種玩圍棋的算法)可能會互相玩，這樣每臺機器就會產生數據供給另一臺機器用來訓練。調試原理與上述相同，因為每個機器的行為分別根據可接受行為的邊界條件進行驗證。

另一種方法是使AI/DL/ML的應用范圍足夠小，這樣就可以在內部不斷優化。從TensorFlow算法開始，很快會發現它們是不夠的，所以要轉用隨機森林。今天我們做分析，還能夠改變方法靈活適應。但是如何才能在一個已經是虛構的深度學習中做到這一點呢?

迄今為止取得的進展

更令人困惑的是，所有這些系統都是基于訓練算法，幾乎處于不斷變化的狀態。當它們用于現實世界的應用程序時，問題就會顯現出來。在此基礎上對訓練數據進行修正，并對推理系統進行分析和測試，以了解這些變化是如何影響行為的。

西門子商業公司Mentor產品營銷經理表示：為了生成一組好的測試數據，我想做很多不同的事情。我提出一套特定的刺激裝置，并且在我的模擬農場里一天內做了1000次測試，卻總得到同樣的結果。因為我將得到同樣的結果，所以它必須做一些不同的事情。這實際上是一些方法的應用，這些方法與我們所說的形式化技術非常相似，但這并不是純粹意義上的形式化驗證，就像我們考慮屬性檢查和基于斷言的驗證一樣。就形式數學而言，它是正式的。

領先的公司已經為此努力了一段時間。我們還沒有看到任何商業上的東西，但你可以想象貝爾實驗室的客戶類型。有一些客戶早就站在了這項技術的前沿——為自己開發，不一定是用于商業目的。

未來之路

多年來，人工編寫算法由大學和研究機構開發和測試，調試人工智能一直被擱置一旁。在過去一年里，一切都變了。機器學習、深度學習和人工智能無處不在，這項技術甚至在去年還在測試的系統中得到了更廣泛的應用。

這種情況必須迅速改變。其中一些應用背后的想法是，人工智能可以用于培訓其他系統，并提高制造業的質量和可靠性，但只有在培訓數據本身沒有缺陷的情況下，這種方法才有效。但也是在這一點上，沒有人可以很確定。