近年來，網站建設被稱為時代主題。企業、政府、政府機構、組織和個人都在為自己的網絡宣傳平臺做準備。自從媒體時代發展以來，網站建設不能走向破產。隨著人工智能技術在物聯網中的應用，通過人工智能技術對應用技術進行深化和改革，使整個時代的機械化變為人性化。SEOer行業人士曾指出，人工智能時代將徹底改變世界，也將對網絡優化產生一定影響。SEO搜索算法目前只使用搜索引擎算法，沒有融入人工智能技術。影響人工智能技術擴展的人，需要看搜索引擎工程師對搜索系統的判斷。

　　人工智能是一個黑匣子

　　深度學習以一種不太嚴格但容易理解的方式，就是給已有的數據(大量數據)貼標簽，然后系統自己總結數據和結果的關系(即標簽)，面對新的數據時，可以根據自己總結的規則進行判斷。對于圍棋來說，無論是歷史游戲還是自我游戲，AlphaGo都知道臉和結局(也是標簽)，所以系統會總結規則，判斷面對新臉時贏棋的概率。但是AI系統發現了數據的什么特征，和結果有什么關系，連創造AI的工程師都不知道。

　　所以，目前的人工智能系統是一個黑箱。我們知道AI判斷的準確率高，但是不知道為什么，也不知道怎么判斷。

　　AI在搜索算法上也是如此。百度搜索工程師很少說只知道百度現在是All  In  AI。谷歌工程師已經明確表示，他們不知道RankBrain到底是如何工作的。這種情況下，算法中大量使用人工智能就比較麻煩了。一旦出現異常結果，不知道是什么原因，無法調試。

　　我寫這個帖子是因為前幾天在紐約時報上看到一篇文章“AI能學會自我解釋嗎？”，很有意思。心理學家Michal  Kosinski將20萬個社交網絡賬號(是交友網站)的照片和個人信息(包括很多內容，比如性取向)輸入人工智能系統進行面部識別，發現人工智能在只看到照片的情況下判斷性取向的準確率很高。通過照片判斷一個人是否是同性戀的準確率為60%，比扔硬幣的準確率略高，但人工智能判斷男性是否是同性戀的準確率高達91%，判斷女性的準確率更低，也是83%。

　　你看不到有助于你判斷的信息，比如語氣、姿勢、日常行為、人際關系。同性戀是否具有外表純潔的特點？我個人的經驗是，以貌取人不靠譜。以前認識一對男同性戀，很有男人味，常年健身，待人彬彬有禮但從不女性化，從外面看不出來。可能也是靠某些服裝特點？表情？背景？人工智能從照片中看到了哪些我們人類很可能忽略或者人類根本看不到的特征，準確率91%？不知道，只是知道AI很準。不能說明你的AI不可信

　　這個黑盒特征有時候是不相關的，比如判斷性取向。有時候不能這么草率，比如看醫生。雖然AI系統診斷某些癌癥的正確率已經達到了人類醫生的水平，但得出的結論是目前醫生還是要做的，尤其是AI無法告訴我們其診斷原因的時候。除非AI能解釋為什么以后會做出這種診斷，否則人類百分百信任AI是有很大的心理障礙的。

　　前幾天剛看到新聞，新加坡政府開始測試無人駕駛公交車。這顯然是正確的方向，相信在不久的將來會成為現實。雖然自駕汽車的事故率比人低，大家都知道其實更安全，但是過馬路的時候，停在我旁邊的公交車沒有司機，我會不會有點擔心它突然啟動？當我開車時轉過頭，我看到我旁邊的公共汽車上沒有司機。我會不會震驚，下意識的遠離？至少在早期。和幾個朋友聊起這件事，我理性的相信，情感上愧疚。

　　此前，該計劃依賴于確定性和因果關系。例如，搜索算法中的哪些頁面特征是排名因素，每個占據多少權重，這些都是由工程師選擇和確定的。雖然可以通過拍打頭部來決定選擇，但是在監控效果和調整參數之后可以獲得令人滿意的平衡。人工智能系統并不依賴于工程師給出的因果關系，而是更善于發現概率和相關性之間的聯系。對于人來說，往往很難解釋以概率和相關性為特征的判斷原因，比如，也許看心情，也許看起來好不好。

　　要求AI系統解釋自己的判斷不僅僅是心理問題，將來可能會變成倫理法律問題，就像看病一樣。再比如涉及用戶利益的事情，比如貸款。人工智能基于大量數據做出拒絕貸款的決定，但銀行無法解釋為什么拒絕，應該如何向用戶解釋？今年，歐盟可能會發布規定，要求機器做出的決定必須得到解釋。這對谷歌、Facebook等全球性企業來說是一種壓力。在許多領域，如軍事、法律和金融，所有的決策都需要有人負責。如果一個決定不能說明原因，恐怕沒有人敢承擔責任。

　　需要AI來解釋原因的另一個原因是，如前所述，人工智能看的是概率和相關性，但是基于相關性做出決策有時會導致嚴重的錯誤。《紐約時報》的文章舉了一個例子。總的來說，數據訓練出來的人工智能系統輔助了醫院急診室的分診，但研究人員仍然不敢真正使用，因為數據中的相關性可能會誤導人工智能做出錯誤的判斷。比如數據顯示，哮喘合并肺炎患者最終恢復情況好于平均水平，這種相關性是真實的。如果AI系統因為這個數據而給哮喘肺炎患者較低的治療水平，可能會發生一些事情。因為這些病人最后狀態都很好，因為他們一到就被給了最高的等級，得到了最好最快的治療。所以，有時候我們從關聯性中看不到真正的原因。解釋性人工智能

　　X.A.I  .(可解釋人工智能)是一個新興領域，旨在使人工智能解釋自己的判斷、決策和過程。去年，美國國防部高級研究計劃局啟動了由大衛葛寧博士領導的XAI項目。谷歌在這一領域仍然處于領先地位，深夢似乎是這項研究的副產品：

　　人工智能與SEO

　　回到搜索算法和SEO，搜索引擎不能完全應用人工智能的原因之一是人工智能的判斷無法解釋和理解。如果算法使用目前的人工智能，一旦排名出現異常，工程師就不知道是什么原因，更不知道如何調整。

　　我覺得自動駕駛是AI最早的實用領域之一，和能否解釋有關系。自駕汽車的大多數決策幾乎不需要解釋，或者解釋一目了然，因為離前面的車太近，需要減速或者剎車。這樣的判斷應該不需要進一步解釋。

　　SEO的人大概也有同樣的疑惑。一個競爭對手的頁面看起來沒什么特別，內容不好，視覺設計一般，外鏈一般，大家做同樣的頁面優化。為什么排名這么好？目前的搜索算法也可以探究原因，搜索工程師大概有內部工具看排名的合理性。如果搜索工程師看了一個不好的頁面，排名第一，但是不知道為什么，還找不到，心里可能會著急。

　　XAI研究剛剛開始，給SEO們一個最后的緩沖期。從人工智能系統在其他領域碾壓人類的表現來看，一旦大規模應用于搜索，作弊和黑帽SEO很可能成為過去式，目前的常規SEO工作可能變得無足輕重，所以SEO人需要回歸網站的本質：提供有用的信息或產品，沒有其他辦法。