在疫情期间，人工智能技术在实战中崭露头角，孵化出各类“人工智能+”应用场景方案，让人们对人工智能抱以瑰丽憧憬。但现实情况是，当下的人工智能技术在企业应用落地过程中还面临一系列阻碍。究其原因，是技术本身存在弊端，小编将以主流的深度学习技术为例，剖析人工智能产业落地上目前存在的三大问题：

1、成本高昂

数据是人工智能的基础，如果说人工智能是一颗大树，那么数据便是千丝万缕的根基。深度学习能够实现的前提是大量经过标注的数据，这其中涉及两个关键词，一是大量数据，二是经过标注。虽然互联网大数据技术（Big data）可以提供大规模的数据集，但要获取标记数据却没这么容易，特别是在垂直细分领域，要求标注人员掌握更复杂的行业知识，进一步提升数据标注的门槛与成本。

不仅要考虑数据的获取成本，运算和调试的成本也十分昂贵。深度学习神经网络是非常灵活的模型，是通过数百万甚至数十亿人工神经元，模拟人类大脑皮层的大型神经网络模型。研发过程中需要一边消耗大量的运算能力进行训练计算，一边进行超参数的调整与架构的探索，动辄需要超过800个GPU全天候运行数周的成本，是大多数企业承担不了的。

2、通用性不强

在小编看来，深度学习的名称存在一定的欺骗性，虽然称之为“学习”，但并不具备一般人类意义上的学习的能力，其本质上是通过计算机强大的运算能力对大量数据进行训练，从而‘学会’解决某一问题。这导致深度学习并不能使用一些普适的基本逻辑化规则或机制去有效地解决各种‘智能问题’，而只能解决特定应用上的特定问题。

这就造成投入大量资金、时间成本设计的深度神经网络模型，却难以应用到其他领域上，缺乏通用性。举个例子，一个利用十亿至千亿级别样本建立的普通话语音体系，同样的对话语句，在面对地方方言时却完全失效。不可否认，深度学习是一种通用性差、低效且浪费的解决办法。

3、应用范围狭窄

当下深度学习掌握的是一种认知路线，即从输入数据到输出任务的认知途径，也就是说，深度学习是输入和输出之间关联记忆的一种形式。这种形式过于依赖训练数据，想要达到输出任务的目的，研究人员就必须输入与其匹配的数据，致使人工智能在面对与数据训练中不同的情景时，不能做出正确判断，无法应用于高风险任务，例如无人驾驶。

无人驾驶不像下围棋那般简单，车辆在真实交通场景中遇到的问题是复杂多样的，每一个场景都可能是新场景。比如说雷击、飞鸟与相机相撞、小孩子用激光笔照射传感器、卡车有一些货物掉在路上怎么办？围棋可以输，但无人驾驶需要确保100%的安全，即使是谷歌旗下的Waymo无人车，测试总里程高达1609万公里，测试的车辆达到600辆，也无法完全保证驾驶安全性。

算力的进步、数据的迸发、深度学习技术浪潮的袭来，使得人工智能技术快速发展，但距离产业应用场景的广泛落地还存在差距，在成本、投入产出比、业务场景理解等方面都面临着一系列挑战。在未来，我们能否找到一种成本更低、通用性更强的新一代人工智能，将是人工智能转变成规模化产业产品与服务的关键，人工智能技术才是真正的实现最大价值！