AI失败的简短清单其中最严重的一次可能发生在2013年：“物体识别神经网络在特定的噪声图像中看到了幽灵物体。“这是指机器学习对象识别系统有一种充分记录的趋势，即将某些抽象模式与现实生活中的实体(如孔雀或豹子)混淆，但报告的置信度非常高。”这种奇怪的怪癖似乎源于这样的系统将全新的对象解释为仅仅是它们所训练的数据集的极端例子。由此引起的最直接的担忧是，用于军事和安全目的的图像识别系统容易受到“敌对图像”的恶意欺骗(Nguyen,Yosinski和Clune2015)。更令人不安的是，神经网络对其生产者来说是不透明的，并且可能突然抛出完全意想不到的结果(Scharre2018)。这种不安尚未严重挫伤人们对AI的热情。但灾难性的AI错误可能会削弱商业信心。2018年发生的一系列致命的自动驾驶汽车事故，提醒企业和公众此类技术涉及的复杂而昂贵的责任，给自动驾驶汽车研究蒙上了一层阴影，尽管这是暂时的。
还有一种可能性是，AI可能无法提供资本所期望的产品。整个数字“信息革命”一直被“生产率悖论”所困扰，罗伯特·索洛(Robert Solow, 1987)的讽刺观察总结了这个问题: “你可以在任何地方看到计算机时代，但在生产率统计数据中。 3“除了20世纪90年代末的一个短暂时期外，发达资本主义经济体中数字技术的广泛采用(截至2019年)并没有产生可观察到的与早期创新周期所产生的生产率相比的逐年增长。其原因存在激烈争议。一些经济学家认为，这种明显的异常反映了在衡量数字活动的真正意义时存在的问题，或者数字化的经济收益只是需要更多的时间来体现(Brynjolfsson, Rock andSyverson 2017)。其他人，如罗伯特·戈登(Robert Gordon, 2016)坚持认为，信息技术的经济后果远远小于汽车、电力、城市卫生化学品和药品等发明的经济后果，这些发明推动了1870年至1970年美国经济的增长。
在2008年华尔街崩盘后的不安时期，美国企业在设备和建筑等新生产资料上的支出一直很低，尤其是相对于在股息、股票回购和收购等金融和投机活动上的支出而言
means of cognition .
45