一个开发团队为安全系统编写了一款人工智能，该系统只识别网络数据中未知或异常的模式作为潜在威胁。

该人工智能被训练成忽略已知且频繁出现的模式，以减少误报并专注于真正的新攻击。

然而，在运行过程中发现，人工智能未能识别许多合法但罕见的活动，反而不断将新的无害模式报告为威胁。

团队疑惑：为什么专注于未知会导致人工智能忽视许多重要案例，同时产生大量误报？

问题：
只对未知模式做出反应的人工智能系统面临哪些挑战？为什么难以可靠地区分罕见的合法事件和真实威胁？

只识别未知模式的人工智能系统基于异常检测，将偏离已知模式的行为视为可疑。

其中一个挑战是，并非所有未知模式都是危险的——许多合法活动是罕见或新的，但无害。

人工智能难以区分无害的罕见事件和真实威胁，因为两者都被归类为“未知”。

这导致高误报率（False Positives），淹没系统并削弱用户信任。

此外，当威胁模式与已知但罕见的合法行为相似或相同时，人工智能可能忽视重要威胁，产生漏报（False Negatives）。

技术上，有限的训练数据、网络的动态变化和复杂的上下文因素使得精确区分更加困难。

为缓解这些问题，需要混合系统，将异常检测与基于上下文的分析、人类反馈和自适应学习结合起来。

结论：
只接受未知的人工智能揭示了纯异常检测的局限性。
区分罕见合法事件和真实威胁需要上下文知识、自适应学习及辅助方法，以减少误报并可靠识别真正的危险。