AI在解决复杂问题时，其有效性受多种因素左右。其中，高质量数据、潜在解决方案数量、目标清晰度以及适应变化评判系统，是最为关键的因素。这些要素缺失或定义不明时，便会带来挑战。
数据作为AI模型的关键输入，质量与规模同样重要。以AlphaFold为例，2017年初始开发阶段，团队仅掌握约15万个3D蛋白质结构数据点，规模较小。但通过预测未知蛋白质序列结构，构建原型版本生成百万个新折叠蛋白质预测结果，并自我提炼，将得分前30%的预测结果加入数据集，扩展到约50万个折叠蛋白质，成功训练出最终版本。不过，使用生成虚拟数据训练模型需谨慎，否则可能导致递归学习风险，降低模型性能。若初始数据集大但质量低，提升质量则困难重重。
当问题的潜在解决方案过多，“蛮力”穷举测试不切实际，启发式方法常被采用。运用AI解决复杂问题前景广阔，但验证方案质量难度增加，如LLM面临“幻觉”现象。因此，确保LLM生成方法正确、可验证，是推动其能力发展的关键。
目标函数是AI模型的努力方向，明确且可衡量的目标至关重要。在现实世界中，目标往往复杂无序，缺乏简单度量标准。AlphaFold以最小化实验与预测结构差异为目标，通过参与CASP竞赛获得客观“评分”。而在社交媒体环境中，以“参与度”为指标可能带来不良后果，设计多目标优化框架，平衡多种关键指标，纳入人类反馈等，能让AI生成有益结果。
面对动态变化的问题，AI可能偏离最佳答案。带有人类反馈的强化学习（RLHF）逐渐兴起，它使模型能从人类洞察中学习。谷歌DeepMind与YouTubeShorts团队合作，为短视频生成准确描述，便是成功案例。人类能直观判断“好”描述，模型通过人类反馈不断优化，该方案已应用于新上传的YouTube短视频。
企业可依据上述标准确定适合AI解决的问题，并从众多应用机会中选择。DeepMind团队提出的“根节点问题”概念，为选择提供了方向。解决根节点问题，如AlphaFold解决蛋白质折叠问题，能推动多领域发展，获诺贝尔奖认可。找出根节点问题，需安排AI专家与其他领域专家交流。
确定根节点问题后，产品团队进行AI产品化，要避免两大风险。一是不能仅关注已确定领域，谷歌创立IsomorphicLabs便是应对措施；二是不可妄图预测技术演进，应保留选择权，持续收集反馈。
随着AI发展，组织部署AI需深思熟虑。通过关注根节点问题，促进跨学科合作，利用AI推动商业增长与社会进步。
