数据|为什么AI很火，落地却很难

过去10年间，在5G、大数据、云计算等新兴技术的赋能下，人工智能（AI）加速发展。但AI技术“落地难”的问题也随之而来。日前《深圳经济特区人工智能产业促进条例（草案）》首次披露并提请审议，将探索建立与人工智能产业发展相适应的产品准入制度，并支持低风险人工智能产品和服务先行先试。这也是全国人工智能领域的首部地方性法规。
AI产品落地难并非个案。如何让AI产品顺利落地，打通创新“最后一公里” ，已成为人工智能应用阶段急需解决的问题。
要落地首先要有好数据
AI既能提高劳动效率，又能解放劳动力，但在各行业的实际应用中，进展却相对较缓慢，这是为什么呢？
“AI落地是一个知易行难的过程。数据是制约AI成功落地的一大因素。因为AI依赖数据训练基础算法。获得有意义的高质量数据，对于AI落地成功至关重要。如果缺少统一、标准化、高质量的数据， AI应用可能就是无米之炊、无源之水。 ”远望智库人工智能事业部部长、图灵机器人首席战略官谭茗洲在接受科技日报采访人员采访时表示。
有专家指出，数据有“罪”——“自由散慢” 。 “自由”是指当你靠一些服务器收集数据时，会发现很多数据有问题，根本无法使用。比如英国调查机构发现， 80%的人都出生于1911年11月11日，之所以有这种情况，是因为有些被调查者不愿回答一些隐私问题，在需要输入出生日期时他们想输入00 ，但系统不允许输入00 ，于是大家就都输入11 ，所以80%的人生日都是随意填写的。 “散”是指数据散落在各处。 “慢”则是指数据的更新速度慢。
再比如在制造行业， “该行业产生了大量的数据，数据质量和数据管理问题非常重要。 ”谭茗洲指出，但是制造业的数据可能是有偏差的、过时的，甚至是充满错误的。尤其是在生产车间这种繁重的制造环境中，极端、恶劣的操作条件下收集的数据。
【数据|为什么AI很火，落地却很难】此外，数据的风险和合规因素也不容忽视。 “AI让企业开始习惯于大量依赖机器帮忙做决策。在这个过程中会带来隐私保护、AI可信度、伦理和社会的问题等，这些都是AI在落地过程中需要解决的。 ”谭茗洲强调，规模化也是一大难题。大多数企业的AI创新都是点状的、实验性质的、局部的创新，缺少规模化、商业化、运行态的布局。
降低成本是实现商业化的关键
业内普遍认为，任何新技术想要在行业中实现规模应用，都需要为企业降低成本、增加效益，并能为企业寻找创新的机会。以目前的AI技术水平而言，很多时候还只能在产业的某一个环节、某一个步骤实现“降本、增效、创新” ，只有在极少数的情况下， AI技术才可能完全替代人类。
“目前AI在产业中的应用场景主要分为三大类，即智能感知、智能交互和智能决策。在这三类场景中， AI要真正落地，就需要降低算力成本，提高算法和框架的性能。只有这样， AI落地时才不会因为成本过高而失去商业价值，进而实现商业化、规模化。 ”谭茗洲说。
谭茗洲指出，应用场景、资源与基础设施、算法和模型、智能设备、数据构成了AI技术落地的五大要素。如何将这五大要素在落地场景中实现协调，是AI技术在产业界落地的另一个关键点。在实现智能感知、智能决策、智能交互的时候，往往任何一个要素的变化都会导致其他要素的变化。比如算法模型发生变化，设备资源调度就要跟着改变。结果就是，真正落地实施的时候，算法专家、设备专家、资源专家，以及应用开发的合作伙伴都需要在场。这最终导致AI落地的成本太高，无法真正在产业应用中大规模铺开。