无论是超级智能还是人工愚蠢，都有许多因素导致在出现流氓人工智能的情况下难以进行人为干预。首先是它们的运行速度。已经有用于自动执行股票交易等指令的人工智能系统，执行时间以纳秒为单位。由于这些交易的发生速度很快，一旦出现问题，人类根本不可能进行实时干预。
更重要的是，当今许多人工智能工具中都存在“黑箱”般的不透明性。至于先进神经网络与基因算法的情况，它们的人类操作者很久以前就不再试图理解其有效执行复杂任务的能力。这为仔细检查人工智能增加了难度。尼克·博斯特罗姆与其研究员同事埃利泽·尤德考斯基（Eliezer Yudkowsky）此前曾阐述一个假设情景，使用机器学习算法提供是接受还是拒绝房屋抵押贷款申请的建议。他们建议，如果申请人的抵押贷款被拒绝，申请人可以向银行申诉，声称人工智能因种族而歧视部分申请人。而银行则告知申请人，情况并非如此，且算法无法知道特定申请人的种族。但无论如何，在审查神经网络决策制定流程的结果时，人们发现黑人申请的批准率大大低于白人申请的批准率。
有许多原因可以解释这一现象，但是博斯特罗姆和尤德考斯基认为，很难确定具体原因。如果任务采用的是一种简单专家系统，可能很容易就能说明这个情况，比如，抵押贷款顾问人工智能的部分决策取决于申请人的当前地址，住在贫困地区的申请人的贷款违约率较高。
人工智能执行大量工作的具体方法加剧了这一问题。在21世纪的第二个10年里，技术公司的影响不再与其规模成比例。2012年4月Facebook花10亿美元收购的Instagram，其员工名单上仅有13人。与之相比，摄影巨头柯达在前数码时代其地位与Instagram旗鼓相当，其全盛时期员工人数超过14万。20世纪工业巨头的规模使它们更易于被监管。这同样适用于20世纪威胁公众的风险源，如核技术。这样的研究领域需要实体场址，建筑大规模设施以及大量资金。然而，时下人工智能的最大投资者：谷歌、Facebook和苹果可能会雇用数千人才，并在硅谷拥有大量大学式园区，但这已经不再是必要条件。当今计算设备的能力意味着，只要拥有必需的编程技术、一台个人电脑、笔记本甚至是智能手机，任何人都可以在构建人工智能的项目中发挥重要作用。完全不需要去与飞机库一样大的大型公司总部，任何有好想法的人都可以在自己学校的寝室，甚至是在苹果和谷歌创始人创业的改造车库里，构建人工智能系统。
尽管缺乏数百万美元支持的兄弟公司所拥有的资源，但是开源人工智能项目可以帮助塑造未来的人工智能。在线开源机器学习库的数量不断增长，全球用户定期对这些学习库进行更新。比如，自从2010年2月对公众开放以来，开源学习库scikit-learn已经修改了18 000多次。2015年，普通的一天中，有8名用户对scikit-learn代码进行了18次修改。而这些进行讨论的用户远在瑞士、法国、美国和印度。一些开源人工智能项目设法制定一些相对温和的目标，如想出极客式家庭自动化项目。其他开源人工智能项目则致力于通用人工智能。
“今天，没有什么挑战比创造有益的通用人工智能更加重要，通用人工智能具有与人类相当的广泛能力并且将最终超越人类。”OpenCog网站上如是写道。OpenCog是个开源软件创意，自称“直面”构建通用人工智能的挑战。
随着人工智能处理的任务量不断增长，这些问题也将愈加迫切。就像本书所描述的那样，现在的人工智能用于帮助设计新城市、监控银行账户安全、执行具有重大经济影响的金融交易以及驾驶汽车。在不久的未来，即使你听说美国总统这样重量级的人物乘坐人工智能驱动的汽车，也不必吃惊。
谁又能说清楚明天它们将用于什么领域呢？