人工智能是当今科技领域最受瞩目的技术之一，尤其是自从chatgpt3.5的推出后，受关注程度更是大大升高。人工智能的应用范围覆盖了许多不同的领域。然而，虽然人工智能有许多优点，但同样的也存在一定的不可回避性的问题，这需要我们认真对待。
现在的人工智能大多是基于机器学习的神经网络，从大量的数据集中提取特征和规律，从而做出预测和决策。这样做有好处同样也有弊端：
因为神经网络模型是基于提取到的特征对测试集进行打分和分类，这种模式就代表着神经网络不像通过一堆条件判断写出来的分类程序一样死板。就比如自然语言处理（NLP）在服务型的聊天机器人，你可以通过判断用户输入的句子里面的关键字，做出应答，但是这样不觉得很死板吗？而且在功能不断增加的情况下，程序也会变得越来越庞大，越来越难以维护。神经网络就可以很好的解决这个问题。而在图片的分类和识别上，想要仅仅通过条件判断的程序实现这个功能更是异想天开，然而神经网络却可以做到。
同样的，弊端也是显而易见，而这个弊端也是神经网络的好处带来的附加品。机器学习是从数据中提取特征，再利用这些特征对测试集进行打分和分类，固然可以完成一些很难得任务，但只要是这个模式，在面临复杂多变的打分和分类的正确率就不可能是100%（就算你在你的测试集和验证集跑出来都是100%那也只是说明你的测试集和验证集没有足够大，大到让你的模型犯错的程度）。然而如果这一次的打分和分类的错误会造成非常严重的后果，亦或者关乎人命呢？
所以我认为在人工智能的应用场景应该满足一下的两点：
1. 在人工智能出现连续错误的时候，造成的不良影响很小或根本没有影响。
2. 在连续错误会有严重后果时，一次错误如果影响不大，需要有神经网络以外的东西给神经网络反馈，让神经网络知道自己错了，并及时进行改正。
以上内容仅仅是个人的一些思考和见解，如果大家觉得有不对的地方欢迎指正。