善于识别人工智能可以做什么和不能做什么的挑战之一就是看到一些人工智能的混凝土和失败的例子。
如果你平均每年工作一个新的人工智能项目，那么看三个例子会带你三年的工作经验，这只是很长一段时间。
在我之前的视频和本视频中，我希望做的是快速向您展示一些成功和失败的例子，或者它可以做什么和不能做什么，以便在更短的时间内，您可以看到多层离散的例子来帮助磨练你的直觉和选择有价值的项目。
那么，我们来看几个例子吧。
让我们说你正在建造一辆自动驾驶汽车，这是一件可以做得非常好的东西，它可以拍摄汽车前面的东西，也许只是使用相机，也许还可以使用雷达或激光雷达等其他感官。
然后弄清楚，什么是位置，或其他车辆在哪里。
因此，这将是一个AI，其中输入A，是汽车前方的图像，或者可能是雷达和其他传感器读数。
输出B是，其他车在哪里？
今天，自驾车行业已经找到了如何收集足够的数据并且具有良好的算法，可以很好地完成这项工作。
那么，这就是今天人工智能所能做的。
这是一个今天人工智能无法做到的事情的例子，或者至少使用今天的人工智能非常困难，这就是输入图片并输出人类试图在你车上尝试的任何意图。
所以，这是一名建筑工人伸出一只手托着你的车停下来。
这是一个试图挥动汽车的搭便车者。
这是一个骑自行车的人举起左手来表示他们想要左转。
所以，如果你试图构建一个系统来学习A到B的映射，其中输入A是我们在你的汽车上的人类生命的短视频，输出B是，这个人想要的意图或者是什么，今天是非常困难的。
部分问题在于人们对你做出的姿势非常非常大。
想象一下，有人可以想象的所有手动提示要求你放慢速度或去或停止。
人们可以向你示意的方式非常多，非常大。
因此，很难从数以千计的不同人群中获取足够的数据，以及捕获人类手势丰富性的所有不同方法。
因此，从视频中学习这个人想要什么，这实际上是一个有点复杂的概念。
事实上，即使是人们也很难搞清楚有人在你车上想要的东西。
第二，因为这是一个安全关键的应用程序，你会想要一个非常准确的人工智能计算出来，建筑工人是想让你停下来，还是他或者你想要去？
这也使得人工智能系统变得更加困难。
所以，今天如果你只收集10,000张其他汽车的照片，很多团队都会建立一个至少具有检测其他汽车的基本能力的aAI系统。
相比之下，即使您收集了10,000人的照片或视频，也很难找到10,000名在您的车上挥手的人。
即使有了这个数据集，我认为现在很难建立一个人工智能系统来识别人类的意图，他们的姿势需要非常高的准确度才能安全地驾驭这些人。
所以，这就是为什么今天，许多自驾车队有一些组件来检测其他车辆，他们依靠这项技术来安全驾驶。
但很少有自驾车队试图依靠theAI系统来识别各种各样的人类手势，并且只是在人们身边安全地计算。
让我们看一个例子。
假设你想建立AI系统来观察X射线图像和诊断肺炎。
所以，所有这些都是胸部X光片。
因此，输入A可以是X射线图像，输出B可以是诊断。
该患者是否患有肺炎？
所以，这是AI可以做的事情。
AI不能做的事情就是从解释肺炎的医学教科书章节的10张照片中诊断出肺炎。
人类可以看一小部分图像，可能只是几十张图像，并从医学教科书中读取几段并开始感觉。
但实际上不知道，给定一本医学教科书，什么是A，什么是B？
或者如何将此作为一个人工智能问题，如知道如何编写一个软件来解决，如果你只有10幅图像和几段文字解释胸部X光片中的肺炎是什么样的。
虽然年轻的医生可能会很好地阅读医学教科书，只看几十张图片。
相比之下，人工智能系统今天真的无法做到这一点。
总而言之，以下是机器学习的一些优点和缺点。
当你尝试容忍一个简单的概念时，机器学习会很好地运作，例如你可以用不到一秒的心理思维来做的事情，以及当有大量数据时。
当您从大量数据中学习复杂概念时，机器学习往往效果不佳。
人工智能的第二个被低估的弱点是，当它被要求执行与数据集中所见数据不同的新数据时，它往往很不好。
让我举个例子来解释一下。
假设您建立了一个监督学习系统，该系统使用A到B来学习从这些图像中诊断出肺炎。
这些是非常高质量的胸部X光图像。
但现在，让我们假设您使用这个人工智能系统并将其应用于不同的医院或不同的医疗中心，也许X射线技术人员在某种程度上奇怪地让患者始终处于某个角度或有时存在这些缺陷。
不确定您是否可以在图像中看到失效的结构。
这些低的其他物体位于患者的顶部。
如果人工智能系统已经从您左边的数据中学习，可能是从高质量的医疗中心采取的，并且你采用了这个系统并将其应用到生成右侧图像的不同医疗中心，那么它的表现将会很差。好。
一个优秀的AI团队可以改善或减少这些问题，但这样做并不容易。
这是AI实际上比人类弱得多的事情之一。
如果一个人从左边的图像中学到了东西，那么他们就更有可能适应像右边的那些图像，他们发现患者只是躺在一个角度上。
但是，人工智能系统在推广或配置如何处理新类型的数据方面可能不如人类医生强大。
我希望这些例子可以帮助你磨练你对AI能做什么和不能做什么的直觉。
如果它能够或不能做什么之间的界限看起来仍然模糊不清，请不要担心。
这是完全正常的，完全没问题。
事实上即使在今天，我仍然无法看到一个项目，并立即告诉它是否可行。
在形成对某些事情是否可行的坚定信念之前，我经常需要数周或数周的技术调查。
但我希望这些例子至少可以帮助你开始想象你公司中可能可行的一些事情，并且可能会更多地探索。
接下来的两个视频是可选的，是对什么是神经网络以及什么是深度学习的非技术性描述。
请随意观看。
接下来，我们将更深入地了解构建AI项目的过程。
我期待下周为你服务。
讲师：Andrew Ng
课程：https://www.coursera.org/learn/ai-for-everyone
