做出決策的關鍵因素是預測和判斷，而這正是人類不擅長的事情。隨著AI技術進展，預測的成本也就降低，我們將有機會更頻繁地運用。這是一場預測技術的通用革命，將顛覆傳統決策流程與商業模式，連擁有權力的機制都會轉移。（本文節錄自《AI顛覆經濟學》一書，作者：阿杰・艾格拉瓦，約書亞‧格恩斯，阿維・高德法布，啟動文化出版，以下為摘文。）
提到 AI 時，一般人想到的是流行文化中到處可見的智能機器。
他們想到了像 R2-D2（編按：電影《星際大戰》系列中一個機器人角色）或瓦力（WALL-E，編按：皮克斯製作的動畫科幻電影），這樣有用的機器人；想到像《星際迷航記》（Star Trek）中的百科（Data）或《鋼鐵人》（Iron Man）中的賈維斯（J.A.R.V.I.S.），這樣卓越的隊友。
他們還會聯想到反派角色，比如《2001 太空漫遊》（2001）中的哈兒（HAL 9000）或《復仇者聯盟》（The Avengers）中的奧創（Ultron）。
無論他們有什麼怪癖或意圖，這些對 AI 的描繪都具有一個共同點：沒有人質疑它們，能夠像我們一樣思考、推理和具有行動力。
我們可能開發出能夠做到上述一切的技術，但目前並非如此。
我們現在擁有的是一種統計技術的進步，而不是能夠思考的東西。但這種統計技術的進步非常顯著。
在這種進步發揮潛力後，就能大幅降低預測的成本，而預測正是我們在各處進行的活動。
近年來，AI 領域的一個重大事件是，展示了所謂「深度學習」的卓越機器學習新技術。2012 年，由傑弗瑞．辛頓領導的多倫多大學團隊使用深度學習技術，顯著提高了機器識別圖像內容的能力。
團隊使用了名為 ImageNet 的資料集，其中包含數百萬幅影像，在十幾年的期間，一直試圖設計能準確識別圖像內容的運算法。該資料庫中具有人類預先分類的內容。
他們打算利用這個資料庫開發演算法，然後將新圖像輸入該演算法。接著，這些演算法將與能夠識別圖像內容的人類進行比賽。人類在這項任務上表現得並不完美，但在 2012 年之前，他們遠遠優於任何演算法，但在 2012 年後，這種情況開始有所改變。
深度學習方法將識別圖像內容的任務視為預測問題，目標是能夠在給予新圖像時，預測出人類可能認定的圖像內容。在面對小狗圖像時，任務不是理解圖像中的小狗如何形成，而是猜測圖像中的東西最可能屬於現有標籤中的哪一個。
因此，目標就是猜測最有可能的正確標籤，這就成了預測。在納入大量屬性（attributes）及其組合（在運算上做到這點相當不容易）後，多倫多團隊展示了深度學習能夠在猜測方面超越其他演算法，最終甚至超越大多數人類。
這種描述可能讓人覺得機器做的是「即興發揮」，而不是在解決問題。但這可說是強化版的即興。機器的預測之所以有用，是因為它比其他任何方法更準確，成為我們決策時的關鍵輸入。(延伸閱讀│諾獎化學得主預言：AI設計藥物若可行，20年內多數疾病可治癒)
相關性與因果關係
數據提供了使預測成為可能的資訊。隨著 AI 獲取更高品質的數據後，預測的結果也日趨準確。所謂的品質，意味著你擁有預測目標的背景脈絡資料。統計學家稱之為需要在有數據的「支持」下，進行預測。根據你擁有的資料過度推論，預測可能不準確。
在資料的支持下進行預測，並不是從更多不同的環境中收集資料，以確保不會過度推論或避免過度預測未來，實際上沒有那麼簡單。有時你需要的資料並不存在。這就是世界各地統計學課程中一再重複的金句：相關性不一定等於因果關係。
在美國玩具業，廣告和收入之間有很強的相關性。廣告支出在 11 月底急劇增加，持續約一個月。在這段大量廣告的時間裡，玩具銷售額驚人。光看資料，可能會讓人忍不住想在全年增加廣告。當然，如果業界在早春時，像在聖誕節前一個月那樣進行廣告，那麼四月份的收入可能會增加。
然而，該行業並未這麼做。四月的玩具廣告量遠低於 12月。這意味著沒有足夠的數據能夠用來預測，在四月份增加廣告對玩具銷售情況有何影響。
從廣告和收入之間的逐月相關性看來，你無法判斷是廣告帶來收入，還是聖誕節同時帶來兩者。這種相關性可能是因果關係，因此增加四月份廣告支出可能導致玩具銷售顯著增加。
當然，也有可能廣告並不是造成12 月銷量的主要因素。而是因為聖誕節來臨，同時帶來廣告和銷量。此外，廣告確實可能增加 12 月的銷量，但由於四月份購買玩具的美國人遠少於其他時間，因此每年這個時候的廣告不會對銷售量造成影響。
換句話說，單憑預測機器無法獲得足夠的訊息：了解到如果改變業界的廣告策略，將對四月份的玩具銷售產生什麼影響。要發現這種關係，你需要使用不同的統計方法─「因果推論」（causal inference）。
就像 AI 一樣，這個方法在過去幾年也出現重大突破（2021 年諾貝爾經濟學獎，就是為因果關係分析的進步而頒發），愈來愈清楚的是，這些工具本身是對AI 的補充，在許多情境中，為 AI 提供了實現有效預測所需的資料。
世界頂級的 AI 公司都體認到這一點。例如，2021 年三位諾貝爾獎得主中，有兩位替亞馬遜工作。除了原本的學術職位外，吉多．因本斯（Guido Imbens）是核心 AI（Core AI）團隊的科學家，而戴維．卡德（David Card）則是亞馬遜學者（Amazon Scholar）。
因果推論的挑戰拘限了 AI 的運用，僅可用於收集相關資料。AI 在玩遊戲方面非常有效，包括西洋棋、圍棋和《超級瑪利歐兄弟》。每次的遊戲情境都是相同的，因此不需從過往資料中進行太多推論到當前遊戲。
此外，由於遊戲是軟體，對於不在資料中的情況，可以進行模擬實驗。這些實驗使得 AI能夠填補其餘資料，探索如果按下不同按鈕或嘗試新策略會怎樣。
這就是 DeepMind（編按：AI 公司，2014 年被 Google 收購）的 AlphaGo 和 AlphaGo Zero，用以找出以往在高階競賽中未曾使用的策略。DeepMind 進行了數百萬次的模擬實驗，藉由模擬嘗試多種不同的方法預測獲勝策略。
在許多商業情境下，皆有可用資料。如果沒有，通常可以透過實驗收集。商業實驗通常比遊戲需要更長時間，因為它是以人類的速度進行，而非以電腦運行模擬的速度。儘管如此，這仍是一種強大的工具，可以收集相關資料，成為對 AI 有用的輸入。(延伸閱讀│給財會人員的AI指南：別再用Excel！這樣塑造數據洞察與分析力)
