隨著以機器學習、深度學習和大數據為代表的人工智能技術不斷發展，新一輪的產業革命正在到來，社會的經濟和產業結構、勞動力市場分工發生了很大的變化，然而當前人工智能技術還面臨著三道難題：可解釋性、常識和知識，在它推動經濟增長、改變產業結構的同時，需要更好的引導資本與技術的協調發展，構建新型智能經濟生態。
當前人工智能技術面臨的難題有哪些？開課吧
學習：人類在學習過程中學的不是知識，而是獲取數據、信息和知識經驗的方法，而機器學習學的則是數據、信息和知識。相似性是自然界的一個基本特性，不同的系統之間存在著相似性；同一系統中的不同子系統與原系統之間也存在著相似性。機器學習的長處在于學習、遷移這種同質性、線性的相似系統，但是它很難在異質性、非線性等相似系統之間進行類比與轉換，而人不同，人能夠在線性與非線性、同質與非同質、同構與非同構、同源與非同源、同理與非同理、拓撲與非拓撲、周期與非周期、家族與非家族之間隨意轉換。機器的學習離不開時空與符號，而人的學習隨著自身情感、價值、事實改變而不斷發生變化；機器的學習遵循和依賴已有的規則，而人則是在學習中不斷改變舊規則、打破常規則、建立新規則。例如優秀的領導者會在實踐中不斷打破規則創新改革，而不是循規蹈矩、四平八穩地逐漸腐朽和沒落，更不是眼睜睜看著疫情肆虐而雙眼卻盯在競選和權力上。
當前人工智能技術面臨的難題有哪些？開課吧
常識：正如藥一樣，所有的知識都有其前提和適用范圍，如果缺少了前提條件，知識便會產生副作用。知識只是常識的素材和原材料，機器只能做到“知”而無法擁有“識”，也就做不到知行合一。知識應該與思想結合起來而不僅僅是依附于思想，如果不能運用知識改變思想，使思想變得完善，那么知識就變成了一把雙刃劍，可能給它的主人帶來副作用或傷害。而人類避免知識產生副作用的良方之一便是常識，常識往往是碎片化的，而態勢感知就是通過感、知這些碎片化常識的狀態、趨勢從而產生非常識的認識和洞察。人類可以通過自己的常識來感知世界、理解世界，而典型的人工智能體則缺乏對物理世界運行的一般理解、對人類動機和行為的基本理解（如直覺心理學）和對普遍事物的認知。
可解釋性：人工智能的可解釋性問題一直備受關注，在歐盟出臺的《人工智能道德準則》中提出AI未來應該向“可信賴”的方向發展，其中“可信賴”包含安全、隱私、透明和可解釋性等方面。人工智能的應用以輸出決策判斷為目的，可解釋性可以讓人理解機器做出決策或判斷的原因，AI的可解釋性越高，人們就越容易理解模型做出的某種決策或預測的原因，可解釋性指的是對模型內部的機制或機理的介紹以及對模型輸出結果的解釋。其重要性體現在：建模階段，幫助研究人員理解模型，從而對不同的模型進行選擇對比和調整優化；投入運行階段，向應用方提供模型的內部機制和輸出結果的解釋，增加使用人員對模型的信任度。
