人工智能真的已经到达技术瓶颈了吗？

目前，AI发展的瓶颈主要有以下三点：

1.对数据的极度贪婪和依赖；

2.运行机制和模型的不透明；

3.脆弱性，错误不可控。

这三点缺陷导致了想象中的AI与真实落地的AI之间形成了几重落差。

Gap 1：（想象的）大数据VS（现实的）小数据、脏数据、假数据、违规数据、孤岛数据

在数据行业摸爬滚打多年、最近转行到AI创业公司的数据分析师“小J”颇有感悟：“这些年，媒体和各行各业言必称大数据，客户看到自己数据库存了多少TB甚至PB了，就以为自己有大数据；问客户某某数据有没有，客户满口说有。等实际入场后才发现，数据根本不可用，有些字段错得离谱，有些字段又太稀疏，等你做完清理后，剩下的数据可能跑个逻辑回归都够呛，根本没法上深度学习。

有些数据需要手工生成，质量也不可靠。有一次做浙江某轮胎厂的故障检测项目，故障样本是工厂每月被客户退回来的问题轮胎，几百上千个在露天的空场上堆成小山，落满了灰，只好雇人爬上去把灰擦一擦看清楚型号批次，再把信息和故障记下来。大热天的，又脏又累，后来就有人学会了偷懒，假造数据。

还有数据孤岛，比如A、B企业的数据维度都比较单一，但可以互补，需要放到一起才有价值，而A和B出于监管考虑又不能交换数据。一些大企业内部也有数据孤岛，实质是部门竞争、不愿配合，非要闹到大老板那儿去。即使老板拍板下来要打通，也有各种手段让你的效果大打折扣，脱敏、二次加工、延时等等。

数据来源有时打打擦边球也是公开的秘密了。在一些信息安全措施不那么严格的行业，找内部人员用硬盘拷数据是最经济有效的。几乎所有公司都在用爬虫，前不久有公司刚被抓，爬简历上的个人隐私牟利，算是行业反面教材了。”

Gap 2：AI训练测试数据VS实际运行环境数据

如果把训练好的模型作为软件模块来集成，模块的输出受输入数据分布变化的影响，不能按模块之间的合约（contract）“办事”，造成其他模块无法正常工作。

更难受的是，何时、何种情况下会“违约”，无法预先界定。所以当系统给AI软件模块一个任务时，它能不能完成，能完成到什么程度，没准。

这就好比一个公司告诉你，在我司测试环境下，行人检测模型准确率为99.99999%；但在您的实际驾驶环境中，预计准确率在97%~99%之间，且我司既不确保准确率有多少，也无法判断何时准确率会异常。这车您还敢开吗？

如果把训练算法作为软件模块来集成呢？也有新问题。

训练算法的输出依赖训练数据，而生产环境中的数据受太多因素干扰：隐藏的信息反馈循环、未声明的调用模块，都会让数据相互影响，不可控、不好追查。此外，在给真实客户做AI项目时，不同项目、项目不同阶段，都会带来不同的数据，从而影响算法网络结构设计和模型参数设定。

有多年工程及算法经验、待过互联网大厂也做过to B项目的“老P”说：“做AI项目，客户第一次会给一小撮数据样本让你理解业务数据，等你入场做PoC（Proof of Concept，可行性验证）时会拿到批量的真实历史数据，等项目上生产环境你会碰到更实时的数据，等运行一段时间后又必然会遇到各种新情况，例如客户的用户定位调整了、政策有变导致业务环境变了等等。

这四个不同阶段，你所认知的客户数据的特点和分布都会变，而变化就意味着可能要重调超参数，重设网络结构，甚至重新取舍算法……折腾啊，但没办法，这就是做AI项目的命。”

更要命的是，这是长期的“折腾”；是时间、地点、人物不定的折腾；得去客户现场折腾，而不能远程云折腾；得派很贵的、掌握炼金经验和调参玄学的算法工程师去折腾，而不能让普通软件工程师去折腾。

这就引出了AI落地时的第三个落差，也是最现实的挑战：

Gap 3：AI to B项目对高级算法人才长期驻场的强需求VS此类人才的驻场成本和意愿

为什么to B项目通常都要驻场？ 现阶段，大中型企业才有足够的数据、业务场景和钱做AI，而大公司对数据又有超强保护意识，数据不出门、不落地。要碰数据可以，请到客户现场来，有时还要求用客户提供的电脑干活。

为什么要长期驻场？

典型的AI to B项目有以下几个流程：

1.初步理解客户业务场景和需求;

2.初步调研客户数据情况;

3.可行性判断和初步方案设计;

4.深度理解客户业务，细化或调整AI算法目标和达到目标的路径;

5.深度理解客户数据构成、语义、质量和分布等细节，细化或调整算法方案和模型结构;

6.数据清洗和特征工程;

7.部署测试环境，训练并调参模型（效果不好的话要回到步骤4、5、6进行优化）;

8.生产环境部署上线，调试生产bug（如数据泄露）;

9.持续监控生产环境输入输出数据变化，并随时回到步骤4、5、6。

这里的4、5、6、7、8、9必须在客户现场完成，1、2可远程完成但也需要与客户交互，只有步骤3完全不涉及客户环境。

先说步骤4、5、6、7、8，短则两三月，长则大半年，跟客户配合程度有关，跟数据质量有关，跟问题复杂度、成熟度有关。更重要的，跟炼金运气有关。

最头疼的是9，前面的步骤即使周期再长，也有结束的一天，但步骤9（生产环境监控优化）却永无宁日，因为业务环境和数据变化是不可避免的，而算法模型不一定能自动适应到最佳状态。

为什么要高级算法人才长期驻场？

正如Rahimi所说，深度学习的理论不完备，算法模型的运行机制不可知，因此，各种调试优化能不能成功，靠的是经验加运气，能力难以快速复制。

这就像学中医一样，初级医师要成长为高级人才，需要做过很多项目，遇过很多情况，成功、失败经验都丰富的老中医手把手带，靠项目和悟性不断积累“望闻问切”的经验。

然而，行业的另一面现实却是，想让高级算法工程师长期驻场，太难了。

首先，驻场意味着人员很难复用，没法一人同时干N个项目，薪资成本是个问题。

其次，搞技术的通常不喜欢驻场，尤其是有经验的高级人才，一般岁数不小、有家有娃，长期出差有困难。

最后，公司里许多高级算法人才可能是在基础研究或底层架构部门，项目工程团队未必请得动。

BAT某云行业销售负责人“阿K”，一度对AI项目满怀憧憬，但后来宁可去卖CDN：“我们今年中了一个千万级的标，其中的AI模块很关键。中标之后项目组都很兴奋，但是要干活时，麻烦了。

客户很看重数据信息安全，对外部驻场人员管得很严，每天上班要指纹打卡，封闭会议室办公，桌面必须保持清洁，否则罚款甚至通报批评。

客户给的IT支持比较少，我们工程师都说，驻场的SDE（Software Develope Engineer）其实是Someone Do Everything，跟在自家公司时比，驻场干的事太杂了，还没有延续性，不利于他们的技术发展。

现场跟客户沟通遇到些技术分歧时，人家好歹是甲方，我不提醒吧，有些工程师能让客户下不来台；我说他两句吧，人就说驻场要看客户脸色，不想干了。

结果这项目还没做到一半，比较资深的两个AI工程师就回去了，只好换了几个毕业没多久的顶着，项目进展很慢，客户很不爽。别给我搞烂尾了，哎。”

BAT另一朵云的行业售前总监、最近绞尽脑汁往自己行业里集成AI元素的“老W”说：“有一次客户让我们做AI项目PoC，要比较高级的人驻场。我好说歹说，找AI研究部门借了几个人，出差去客户那儿干了一个半月，结果项目没成。以后再找，他们就再也不搭理了。

人家本来就不爱参与客户项目，又发不了paper，这么贵的人工成本花出去，又不一定能成为年终绩效上的业绩。”

驻场需求强烈，且得不到高效满足，是AI公司无法做到真正产品化（从业务运营角度的产品化）的重要原因。困于客户项目的PoC、交付和维护，脱身无门，也就无法大规模扩张。

吴恩达曾说：“如果普通人能在不到一秒的时间内完成某项脑力工作，那么我们很可能可以在现在或不远的将来用AI将其自动化。”

或许更符合事实的情况是这样：如果普通人能在不到一秒的时间内完成某项脑力工作，那么我们很可能可以在现在或不远的将来用AI将其自动化，如果不行，至少可以找到一个符合条件的客户，把我们最贵的算法科学家砸进去，做一个demo出来。

人工智能的范畴很广，只能说目前在深度学习这块，遇到了一些瓶颈。

现在最好的图像识别算法，计算量可能是Alexnet算法的1000倍，但只能把效果提升一点点，没有达到等价收益，所以大家会觉得深度学习是不是又到了天花板，这个问题确实存在。

但并不代表人工智能进入天花板。人工智能正在进入另外一个领域，不再靠单一算法打天下，解决问题，而进入一个新的阶段，依靠工程化、功能和平台化来解决实际的问题。即便是深度学习的应用，也越来越组件化了，只是平台的一个工具，整个应用流程的一个环节。通过综合许多算法，最终取得一个相对较好的效果，这是更现实的情况

先说结论，我认为并没有达到技术瓶颈期。想反，应该是技术爆发期，最近一年的技术进步比前三年的进步还要多。

目前人工智能的问题在于落地困难，人们预期过高，觉得自己什么都不用做，AI都应该搞定，但其实AI更需要培养，需要深度了解行业，才能真的用起来。好在目前大家都越来越重视落地，预期人工智能迈过落地这个门槛后更加大有可为。

不但没有达到，应该定性为是刚刚开始。

现在仅仅是4个环节简单的自能处理：环境及危险程度的自动监测识别+系统及局部逻辑的中心处理+执行机构的机械运动或位移等+系统反馈及修正在处理。

下一步的发展空间:除了中心大系统智能处理以外，会有个各级的独立的小智能系统，就像天体运动一样，每个载体都有自己独立运行轨道，自己的运行规则，在系统统一管理下有自己的开始及结束，无穷的细分下去，正所谓大到天体小到细菌，那才是智能的未来。

还需要人类继续努力，经过不断发现发展，一代一代人的不断探索才会接近目标的，也许几十年，也许上百年，也许更多年……。就像人类文明一样，会一直伴随人类走下去的。

才刚开始，其实人类制造代替脑力的工具，已经很久了，从电脑雏形开始的，未来会更加强大，为了更好替人类分担脑力劳动。

人工智能不会有瓶颈，人工智能已经取代人的时候，智慧生物大爆发，可能是人工智能发展停步期。

科技发展就是突破一个又一个瓶颈，但是人工智能目前是刚迈过上一个瓶颈期，正在快速发展应用期，还没有到达下一个瓶颈期。

不但没有达到，应该定性为是刚刚开始。

现在仅仅是4个环节简单的自能处理：环境及危险程度的自动监测识别+系统及局部逻辑的中心处理+执行机构的机械运动或位移等+系统反馈及修正在处理。

下一步的发展空间:除了中心大系统智能处理以外，会有个各级的独立的小智能系统，就像天体运动一样，每个载体都有自己独立运行轨道，自己的运行规则，在系统统一管理下有自己的开始及结束，无穷的细分下去，正所谓大到天体小到细菌，那才是智能的未来。

还需要人类继续努力，经过不断发现发展，一代一代人的不断探索才会接近目标的，也许几十年，也许上百年，也许更多年……。就像人类文明一样，会一直伴随人类走下去的。

才刚开始，其实人类制造代替脑力的工具，已经很久了，从电脑雏形开始的，未来会更加强大，为了更好替人类分担脑力劳动。