辨别AI程序的好坏可以从多个维度进行考量，以下是一些主要的评估标准：
准确性：
AI程序的准确性是指其在特定任务上的表现能力，例如图像识别、语音识别或机器翻译等。准确性可以通过与人类专家的比对或者已知正确答案的对比来评估。针对不同类型的AI系统，可以使用不同的评估指标，如分类准确率、回归误差、检测精度等。
速度：
AI程序的速度也是一个重要的属性，特别是对于需要处理大量数据的任务而言。速度通常可以通过优化算法、硬件升级或并行化等方式提高。
稳定性：
AI程序的稳定性指其能否在长时间、大规模的使用中保持一致的性能。稳定性可以通过代码优化、测试和质量保证等方法提高。
可扩展性：
AI程序的可扩展性是指其能否轻松应对不断增长的数据集和不断变化的需求。可扩展性是AI系统长期成功的关键。
可解释性：
AI程序的可解释性是指其能否清晰地表达其工作方式以及如何产生决策。由于黑盒模型的出现，可解释性已经成为一个极其重要的属性。
安全性：
AI程序的安全性是指其能否防范外部攻击、保护隐私数据和避免错误决策等问题。随着AI应用的增多，安全性已经成为了一个极其重要的问题。
易用性：
一个好的AI系统应该具备良好的易用性，即用户无需经过复杂的学习和训练就能使用。如果一个AI系统需要经过复杂的学习和训练才能使用，那它就不是一个好系统。
鲁棒性：
AI系统的鲁棒性是指其在面对不同环境和数据变化时的稳定性和可靠性。一个优秀的AI系统应该具备对噪声、干扰和异常情况的适应能力。评估一个AI系统的鲁棒性可以通过引入噪声数据、异常数据或者模拟特定环境下的数据来进行测试，观察系统的表现和稳定性。
效率：
除了准确性和鲁棒性外，AI系统的效率也是评估其性能的重要指标之一。效率包括了模型的训练时间、推理时间和资源占用等方面。一个高效的AI系统能够在较短的时间内完成训练和推理任务，并且能够有效利用硬件资源。
合规性：
AI程序是否符合相关法律法规和伦理标准，例如数据隐私保护、算法公平性等，也是评估其好坏的重要方面。
通过综合这些评估标准，可以对AI程序进行全面的评价。需要注意的是，这些标准并不是孤立的，它们之间可能存在一些权衡和折中。