20世纪50年代出现的计算热潮，“人工智能”一词诞生(1956年);20世纪80年代出现了神经网络和个人计算革命的突破，使计算得以广泛使用，人工智能再次出现。但在这两个时刻，人工智能从未到达人类的期望。随后对该技术的失望和幻灭导致了研究资金的停滞和人工智能技术的发展下降。结果是“AI之冬”的开始。
如今，像ChatGPT和Bard这样的生成式人工智能解决方案既令人兴奋又印象深刻。它们能够接收巨大的数据集，并建立复杂的相关性，只需一个简单的提示即可生成内容。这些方法所实现的巨大进步表明，人工智能领域正处于复兴的边缘。
问题是，ChatGPT和Bard都无法检查他们答案的准确性，听起来正确和实际表现良好之间存在巨大差异。因此，聊天机器人实际上对解决业务问题的作用并没有想象中那么大。
为了避免重演历史，使人工智能再次停滞，重要的是要承认生成式人工智能的真正局限性，并通过开发和加强其他关键人工智能技术来解决这些局限性。
生成式人工智能的工作原理
生成式人工智能使用大型语言模型，这是在大量文本上训练的神经网络。他们的力量来自于在这些海量数据集上建立相关性的能力。一旦人工智能根据足够的数据进行了训练，如果给出一个简短的提示，它就可以回忆起以前看到的文本的风格，并生成具有类似设计的内容。
虽然这些人工智能所展示的技术实力与上世纪90年代网络浏览器的发展一样令人兴奋，但对于如何推动这一领域的发展，人们有不同的看法。一些人认为，只要有足够的数据，生成式人工智能就可以解决任何问题;他们走向人工智能复兴的道路只需要在更多的数据上训练生成模型。但这从根本上忽略了一个事实，即生成式人工智能根本无法解决所有问题。
了解生成式人工智能当前的局限性
尽管人们对ChatGPT和Bard很感兴趣，但用户/学者都表示，听起来正确和真正表现良好之间存在巨大的差异。生成式人工智能正在为听起来令人印象深刻的提示提供答案，但它们并不一定准确。这是因为他们并不是为了理解自己的答案是否正确而设计的，而且在很多问题中，准确性至关重要。问题是，传统生成式人工智能是使用大量未经验证的数据在通用模型上进行训练的，它们无法利用企业的内部数据。尽管内部数据对于解决一些最紧迫的问题是必要的，但由于敏感的客户数据不会在互联网上公开，生成式人工智能不太可能很快获得访问权限，也不是为了从较小的“企业规模”数据中学习而构建的。
ChatGPT局限性的另一个例子涉及因果关系的概念。例如，如果一个人凭直觉问了一个问题，比如“如果下雨，草会湿吗?”，这个人会理解是雨导致草湿的。然而，ChatGPT并没有被编程为具有因果关系感，以理解支撑因果逻辑感的知识层次。ChatGPT的另一个经常被忽视的局限性涉及支持它所需的计算成本。每一代后续生成的人工智能都需要大幅增加计算成本，因为它需要获取越来越多的信息来改进其相关方法，这使得它对大多数组织来说过于昂贵。
另类技术助力人工智能复兴
为了让人工智能在解决一系列问题方面真正强大，其他技术需要与生成式人工智能同时发展。将各种现代技术相结合，可以使其能力得到提高，并引导人工智能走向复兴。其中包括：
因果人工智能，旨在确定因果关系和控制其他变量。标准的行业惯例是使用A/B测试来确定什么样的干预措施——例如，“我应该向客户提供多大的促销折扣?”——并确定个别客户行为不同的原因。使用许多不同的同时变量进行大规模的A/B测试是很棘手的，这就是可以利用因果人工智能的力量的地方。
在线学习是人工智能的一个技术术语，它根据条件、预测和准确性不断更新自己。当前生成式人工智能无法根据反馈实时更新自身。以疫情为例。消费者习惯发生了巨大变化，再多的历史数据也无法预测买家行为会如何变化，以及组织需要如何调整。归根结底，任何值得一试的人工智能都需要足够灵活，能够实时“实地”学习，并根据实际情况提供答案来解决相关问题。
有了这些技术的结合，人工智能可以解决无数不同类别的问题。值得注意的是，尽管人工智能通常与海量数据集合作，但专注某些领域的人工智能可以在单个数据点和有限数据集(如单个企业的交易)的规模上进行决策，对于不同行业来说价值更大。更重要的是，这可能是世界一直在等待的真正人工智能复兴的开始。
