899
機器人
人工智能發展中的6大挑戰
目前人工智能雖然發展火熱，但也存在不少風險和挑戰。
一、前沿科研與產業實踐尚未緊密銜接：除少數垂直領域憑借多年大數據積累和業務流程優化經驗，已催生出營銷、風控、智能投顧、安防等人工智能技術可直接落地的應用場景外，大多數傳統行業的業務需求與人工智能的前沿科技成果之間尚存在不小距離。麵向普通消費者的移動互聯網應用與人工智能技術之間的結合尚處在探索階段。科學家和研究者所習慣的學術語境，與創業者和工程師所習慣的產品語境之間還無法快速銜接。
二、人才缺口巨大，人才結構失衡：據LinkedIn統計，全球目前擁有約25萬名人工智能專業人才，其中美國約占三分之一。這一數量級的人才儲備遠無法滿足未來幾年中人工智能在垂直領域及消費者市場快速、穩健增長的宏觀需求。人才供需矛盾顯著，高級算法工程師、研究員和科學家的身價持續走高。人才結構方麵，高端人才、中堅力量和基礎人才間的數量比例遠未達到最優。
三、數據孤島化和碎片化問題明顯：數據隱私、數據安全對人工智能技術建立跨行業、跨領域的大數據模型提出了政策、法規與監管方麵的要求。各垂直領域的從業者從商業利益出發，也為數據的共享和流轉限定了基本的規則和邊界。此外，許多傳統行業的數據積累在規範程度和流轉效率上還遠未達到可充分發揮人工智能技術潛能的程度。
四、可複用和標準化的技術框架、平台、工具、服務尚未成熟：雖然TensorFlow、Caffe、MXNet等深度學習框架已被數以萬計的研發團隊采納，相關開源項目的數量也在飛速增加，但一個完整人工智能生態所必備的，從芯片、總線、平台、架構到框架、應用模型、測評工具、可視化工具、雲服務的模塊化與標準化工作，尚需3年或更長時間才能真正成熟。
五、一些領域存在超前發展、盲目投資等問題：目前的人工智能技術隻有在限定問題邊界、規範使用場景、擁有大數據支持的領域才能發揮最大效能。但創投界存在盲目追捧，不顧領域自身發展程度，或利用人工智能來包裝概念等現象。由此產生的盲目創業和投資問題雖非主流，但仍有可能阻礙整個行業的健康發展。
六、創業難度相對較高，早期創業團隊需要更多支持：與互聯網時代、移動互聯網時代的創業相比，人工智能創業團隊麵臨諸多新的挑戰。例如，對高級人才較為依賴，科學家創業者自身的商業實踐經驗較少，高質量大數據較難獲得，深度學習計算單元和計算集群的價格十分昂貴等。
最後更新：2017-10-08 00:52:20