人工智能的局限性在多个IT资讯和实际应用案例中有所展现,以下是一些典型表现：
-
数据偏见与公平性问题：一些招聘AI因训练数据中历史性别或种族偏见，导致对女性或少数族裔的筛选不公，亚马逊曾弃用其AI招聘工具,因为它学会了歧视女性。
-
缺乏常识与推理能力：AI在复杂语境下可能产生荒谬答案，如ChatGPT等大语言模型有时会编造事实（“幻觉”现象），或在简单逻辑题上出错,显示其不懂真实世界规律。
-
脆弱性与对抗攻击：图像识别AI易被微小干扰欺骗，研究人员通过修改几个像素让AI将熊猫误识别为长臂猿,表明它缺乏人类对视觉的鲁棒性。
-
泛化能力不足：在特定任务上训练的AI换到新场景就会失效，自动驾驶汽车在遭遇罕见路况（如极端天气、未标记施工区）时可能完全无法应对。
-
伦理与社会风险：深度伪造技术引发虚假信息传播、隐私侵权问题；AI生成的虚假新闻或诈骗语音让监管面临挑战。
-
计算资源与环境成本：训练大型AI模型（如GPT-3）需消耗巨量能源,其碳排放问题凸显AI在可持续发展上的瓶颈。
这些事例共同说明，当前AI仍在依赖数据统计、缺乏真实理解、难以应对开放世界和伦理困境等方面存在根本性局限。
