人工智慧可以解答所有問題嗎？這個問題十分容易回答，當然是不行。真相是，人工智慧只能對符合特定形式的問題提供良好的解答，而且還需要符合特定條件。
人工智慧適合解決什麼問題？我們可以用兩個軸度，來為所有可能的決策問題做分類。圖的橫軸表示是否容易為此問題取得大量資料，也就是樣本數的多寡。因為機器學習是基於資料，來學習已知與未知，也可以說是觀測與決策之間的關係。因此，歷史資料愈充足，愈有機會萃取出，觀測與決策在各種條件下的關聯性。縱軸表示該問題是否與情境相關。
【繼續閱讀】：欠缺人力巡檢軌道？AI能幫忙
辨識人臉、診斷病情 人工智慧都能做
左上角的第二象限是同樣與情境沒有太大關聯，但較難蒐集到大量資料的問題，但因與情境相關性低，基本上人工智慧還是多能提供不錯的解答，例如醫療診斷、排程預測、預測性維護等。
在醫療診斷應用中，已有太多研究證明，只要給予與病情有相當關聯性的生理訊號，機器學習即可精準地診察眼底視網膜病變、肺結核、心律不整、及多種癌症等。雖然醫療診斷的資料量相對較少，也許每種疾病只能蒐集到幾萬或幾千例，但是因為醫療診斷與情境並不相依，也就是說，生理訊號（例如X 光片及心電圖）本身就足以準確地判斷病徵，不會受到其他無法觀測的外部因素的干擾；同一張X 光片，無論是在哪裡拍的、受測者身上穿什麼衣服、受測者當時開不開心、受測當天天氣如何、受測者收入，結果都應該一致。
基本上，只要是與情境無關的問題，人工智慧通常可以做得不錯，甚至超越人類。例如許多電腦遊戲及牌類、棋類遊戲，人類已無法與人工智慧匹敵。
與情境高度相依的問題人工智慧難發揮
圖右下角的第四象限指的是有大量資料，但與情境相依程度較高的問題。基本上此象限的問題，仍可由人工智慧來提供解決方案，但隨著情境相依度愈高，要得到好解答的困難度也愈高。
例如信用卡盜刷、個人化行銷、程式交易、自駕車、對話機器人等，這些問題要做出好的人工智慧系統相當有挑戰性，因為有許多無法觀測到的情境變數，可能影響決策判斷，很難僅僅憑藉我們能觀測到的少部分變數，做出十分準確的預測。
例如，對話機器人也是屬於高度與情境相關的問題。主要原因在於，人類的對話相當複雜，有時難以透過表面上的字句得知顧客真正的意圖，此時就會出現針對同樣問話，對話機器人即使做出同樣的反應，每一位顧客感受卻會不同的情況。畢竟每個人有不同的立場、知識及個性，同樣的話，有些人聽完會很滿意，有些人可能會生氣。
例如假設有位男性顧客姓王，招呼語稱呼他為王先生，多數人會覺得很正常，有些政商名流可能會不高興，覺得應該要稱呼他為王市長、王董等。人工智慧在此種情況下，沒有辦法表現得和人類一樣好。
【繼續閱讀】：AI為何還是取代不了放射科醫師？
人工智慧能預測成功率，但無法預測未來
圖右下角的第三象限，包含的是與情境相依且難以蒐集大量資料的問題，對這些問題來說，人工智慧的發揮十分有限，只能有限度地提供輔助。
像是新創事業是否會成功、該不該跟某位異性告白、該不該進行某項全新商品的發售、該不該進行某個政治操作等問題。以「新創事業是否會成功」為例，這涉及到創辦人格局、新創團隊能力、產品技術實力與市場變化、競爭對手策略等，都是難以量化的資訊。
因此，即便許多創投業者都期待，能預知新創事業的成功機率，但在此條件下，人工智慧頂多只能根據片面資訊做預測，以僅供參考的方式，輔助降低投資新創事業的風險，並無法做到精準的預測。
【繼續閱讀】：【2019天下經濟論壇】讓AI有道德！微軟法律顧問：AI不是取代人類，是強化人類
總結來說，能夠觀測完整，也就是無法觀測或量化的情境資訊少的問題，基本上都適合以人工智慧來找解答。但若觀測十分片面或是無法量化，又沒有大量的資料來補助資訊的不足，這時巧婦難為無米之炊，就不用期待人工智慧能像先知一樣預知未來。
人工智慧的極限很明確，原則也易於掌握，千萬不要忽略對這些原則的掌握，貿然在人工智慧不擅長之處對它抱有太大期待，免得費時耗力又因為失敗而對人工智慧失去信心。
書名：人工智慧在台灣
作者：陳昇瑋、溫怡玲
出版：天下雜誌
時間：2019年5月
