当我们在想象未来的人工智能助手时，它们是否都像样样俱到，入得厨房，算得账本，还能陪你聊聊天？

如果一个算法尝试做太多东西，它就会出问题。

研究科学家 Janelle Shane 说道，她创立了网站 aiweirdness.com。在这个网站上，她除了会展示自己训练的神经网络成果外，还会顺手写些小“段子”，调戏在努力模仿人类的算法们。

她指出，很多负责训练机器学习算法的研究人员总结认为，在训练 AI 这方面，构建烤面包机似的专门算法比什么都懂的神奇盒子算法要合理。

这听起来也许有点反常识，因为西方科幻故事里的人工智能的机器人都是基于 AGI（artificial general intelligence），它们可以像人一样和世界互动，完成多种不同的任务。

但现实是，现在有很多公司已经通过培训和使用专门化 AI 来完成任务。譬如，基于一个算法的聊天机器人只能用于解决客服交互中和电话费相关的问题，而另一个算法则专门负责预测顾客是否会致电咨询，它们各自推算自己领域的问题，最后将结果输出至人类工作人员，目的在于辅助人类工作。

这种就是 ANI（artificial narrow intelligence）——只限于非常有限功能的人工智能。

Shane 列举了同一算法在不同条件下的表现，它训练的目标是“根据一句话来生成相应的图片”。当它的数据库全都是鸟类图片时，它根据“这只黄色的鸟头部有点黑色，喙部很短”生成了以下图片：

当这个算法的训练数据包含了各种内容的图片，它就开始有点挣扎了。这是它对“一张女孩在吃大片比萨的图片”描述生成的结果如下：

和人类大脑相比，今时今日的算法‘脑力’很有限，你每为它增加一项功能，它的‘脑力’就会被分薄一些。

但这并不意味着 ANI 算法潜力就止步于此，如今研究人员们已经找出两套方法更好地利用这些专门化的算法。

第一套是“迁移学习”（transfer learning），意思就是，完成算法对一种任务的训练后，它在学习另一种不同但相关的任务时效率会高很多。但致命副作用就是，这个算法在学习完后者后，会完全忘掉旧技能。

第二套方法则是“模块化”（modularity）。与其让一个算法学习完成多种技能，研发人员们用多个不同算法组成一个整体，负责不同的任务。譬如，一个学习玩电子游戏的 AI 可以拥有多个独立模块算法来分别应对视觉、控制、和记忆等任务，同时还能具备独立模块来投票选出最好的决定方案。

方法二除了能更好地利用 ANI 优势外，对于研究人员而言，还有助于帮助理解总 AI 做出决定的过程，因为他们可以细看每个子 AI 做决策的过程。最后，Shane 总结道：

所以，当我们在未来充满算法的世界准备时，得确保我们不是在规划一个可以完成各种任务的神奇盒子式算法，而是一个个专门化，性能高的烤面包机们。