人工智能大模型落地还面临哪些挑战
中国青年报客户端讯（中青报·中青网记者邱晨辉）这两年，人工智能领域的大模型概念大热，谷歌、微软、英伟达、浪潮等“大厂”相继推出了各自的巨量模型，在该领域投入重兵。在前不久举行的2021人工智能计算大会上，中国工程院院士王恩东说，各种行业的“大脑”、无人化作业模式不断涌现，正在推动着智慧时代的到来。
“人工智能已经从五六年前的‘黑科技’变成了今天的‘热科技’，我们看到前沿的研究不断涌现。比如AlphaFold2模型，可以预测人类蛋白质序列，通过脑机接口研究，让猴子用意念来打游戏。”王恩东说，而人工智能变成“热科技”的关键，在于计算系统的创新。
在他看来，面对指数级增长的战略需求，计算产业正面临多元化、巨量化、生态离散化交织的趋势与挑战。不过他同时表示，从芯片到算力的转化依然存在巨大鸿沟，当前，多元算力的价值，并未得到充分释放。
在2021人工智能计算大会现场，浪潮人工智能研究院开发的全球最大规模中文AI巨量模型“源1.0”引发关注。浪潮信息副总裁刘军表示，巨量化的一个核心特征就是模型参数多、训练数据量大。以“源1.0”为例，其参数量高达2457亿，训练数据集规模达到5000GB。
“随着人工智能的规模化发展，算力已经成为决定性的力量。”王恩东说。一方面，多样化的智能场景需要多元化的算力，巨量化的模型、数据和应用规模需要巨量的算力，算力已经成为人工智能继续发展的重中之重；另一方面，如何快速完成多元芯片到计算系统的创新，已经成为推动人工智能产业发展的关键环节。
“2020年，人工智能加速芯片所交付的计算力总和已经超过了通用CPU。预计到2025年，加速芯片所提供的计算力可能超过80%。”王恩东说。
不过，人工智能大模型的落地仍有诸多困难。一方面要考虑技术如何走出实验室，另一方面真正有数据、有需求的行业可能又不具备算力、数据的承载能力。此外，应用场景的能源、人才是否适配都是难题，需要从国家、产业、企业和科研机构多机构、多角度协同推进。王恩东认为，目前人工智能的技术、产业链条脱节，生态离散化成为制约人工智能技术上水平、应用上规模、产业上台阶的瓶颈。
“要想释放多元算力价值、促进人工智能创新，既要重视智算系统的创新，加大人工智能新型基础设施建设，把从技术到应用的链条设计好，从体系结构、芯片设计、系统设计、系统软件、开发环境等各个领域形成分工明确而又协同创新的局面，又要加快推动开放标准建设，通过统一、规范的标准，将多元化算力转变为可调度的资源，让算力好用、易用。”王恩东说。
“就像你要在山顶建一座高塔，你不必从山脚爬到山顶，现在你已经站在山顶了，只需要在山顶建塔即可。”刘军说，“这对整个产业的快速推进非常有利。一些非计算机类院校毕业生，只要会用模型的API，能去生成新任务就可以了。这也缓解了人工智能产业发展的人才需求缺口。同时，从用户需求推动，也会促进大模型的发展。”
来源：中国青年报客户端
人工智能产业发展仍面临诸多挑战
作为新基建的重要组成部分，人工智能与5G、云计算、大数据等深度融合，将加速成为数字经济发展的重要驱动力。当前，我国人工智能发展仍面临诸多挑战。
人工智能对新经济发展的驱动作用日益受到重视。中国信息通信研究院发布的《全球人工智能战略与政策观察（2020）》报告称，截至2020年12月，全球已有39个国家和地区制定了人工智能的战略政策、产业规划文件。
工业和信息化部的数据显示，截至2020年6月底，我国人工智能核心产业规模达770亿元，人工智能企业超过2600家。赛迪智库人工智能课题组认为，随着算法的创新、算力的增强、数据资源的累积，智能化基础设施的建设和传统基础设施将实现智能化升级，人工智能技术有望推动经济发展全要素的智能化革新。
我国人工智能产业快速发展的同时，产业本身也面临诸多挑战。该课题组表示，预计2021年，围绕算法、数据和算力人工智能的“三驾马车”，人工智能产业链建设力度将继续增大。
具体而言，在算力方面，2021年我国5G通信网络部署加速，数据的增长速度越来越快，人工智能训练所需的计算量将进一步呈现指数增长，相关行业对算力的需求将更为庞大。
由IDC与浪潮联合发布的《2020-2021中国人工智能计算力发展评估报告》认为，人工智能三要素中，算力成为驱动AI产业化和产业AI化发展的关键要素。服务器是人工智能基础设施的核心。该报告称，我国人工智能基础设施市场规模在2020年达到39.3亿美元，同比增长26.8%。其中，AI服务器市场规模占整体人工智能基础设施市场的87%以上。
赛迪智库分析认为，我国整体在人工智能算力基础设施方面准备不足，体现在芯片端对外依赖较大，服务器市场国内企业份额有限。
在算法方面，国内企业的算法框架和平台尚未得到业界广泛认可和应用，在深度学习框架核心技术领域支撑不足。
在数据方面，产业数据标准化和互联互通水平严重不足，降低了数据的可用性和可迁移性。
与此同时，人工智能行业在专业人才和典型场景应用等方面也面临挑战。
赛迪智库认为，应推动建立专用的AI计算设施夯实算力基础，构建智能生态圈，打造软硬件协同能力，持续支持人工智能开源开放和公共服务平台建设，更好推动产业发展。（记者孙云龙）
人工智能三大瓶颈
姚期智在2020年浦江创新论坛的演讲：人工智能存在三大技术瓶颈：
鲁棒性、机器学习算法缺乏可解释性、人工智能的对抗性较弱
一.鲁棒性关于鲁棒性问题，可以解释成脆弱性、非安全性、非可靠性问题。人工智能系统设计历来重功能性设计，轻可靠性、安全性设计；或先功能性，后安全性、可靠性。
在早期产品中这一现象尤为严重。在自动驾驭汽车领域，最终制约因素是安全性、可靠性问题，未来，无人驾驶汽车研发会因可靠性、安全性问题，成为“永在途中”的课题。
在姚期智看来，脆弱性是人工智能面临的第一大技术瓶颈。人眼识别十分稳定，一个图像如有微小改变，人仍能一眼看出它是什么，而人工智能在图像识别上却是能力不足，比如将一只小猪的照片加入一些图像“杂音”，机器视觉系统可能会把它识别为飞机。“小猪变飞机”这种漏洞会给人工智能应用带来安全隐患。
二.可解释性关于可解释性，可以理解成广义的开源性。可解释性就是如何让人们深入了解人工智能系统。以汽车为例，在工业革命时代，汽车驾驶者们对汽车原理、结构一目了然；现在，汽车对于驾驶员而言只是一个黑盒子，只有方向盘、油门、刹车这样一个应用界面。
相比而言，工业革命时代的汽车有高度的可解释性，人工智能的新兴汽车无可解释性。同样，手机、数码相机、电视机相较于电话机、照相机、电子管电视机而言，无可解释性，对所有使用者都是黑盒子，无人去拆解、修理，去了解其内部结构，这是一种十分现实、十分先进的人工智能产品的傻瓜化应用模式，它将知识创新与创新知识应用彻底分离。
然而，对于人工智能创新领域，不可解释性是一个技术创新的巨大障碍。硬件的透明、软件的开源，一定程度上解决了技术创新的可解释性障碍。
目前，可解释性障碍突出表现在算法领域（人工智能三大基础之一），它阻碍算法的推广、评价与市场化，算法的碎片化现象会严重阻碍人工智能的发展。
三.对抗性第三大技术瓶颈是人工智能的对抗性较弱。
如今，一个无人机群可轻松完成灯光秀、农林作业等任务，但要看到，这些任务都是在自然环境下完成，如果是处于高对抗的人为环境中呢？
比如在电子竞技和军事战斗中，无人机群的协同作战能力就会受到很大考验，要在对抗中胜出，需要计算机科学、数学等领域的科学家进行深入的强化学习、博弈论研究，让无人机群能在高对抗环境中自主找到最优策略。“这是一个很重要的科研方向。
早年在清华大学的一次演讲中，他提出了人工智能时代的“大科学”概念。它表明：人工智能时代，已进入到诸多强势科学的交叉融合发展时代，各个强势学科都会以自己的视角诠释人工智能。
此次演中，姚期智提到超人工智能，并提出对超人工智能的三点期望。过去人们一直把人工智能分成弱人工智能与强人工智能。
弱人工智能始于半导体微处理器诞生，是对人类智力的人工仿真；强人工智能始于大脑工程，是人工智能的智力创新时代。
由于人工智能超高速度的疯狂发展，人们无法预见人工智能的未来，便有了后强人工智能的超人工智能概念。姚期智认为超人工智能具有很大的不确定性，人类会面对诸多种潜在威胁。
对于超人工智能的未来，姚期智给出了未来制约智能机器的三个原则：一是利他，即人的利益凌驾于机器；
二是谦卑，即机器不能自以为是；
三是尽心，即机器能学懂人的偏好。每个原则都要用严格的算法来实现，这样就能有效驾驭人工智能。
这是一个对未知时代的理性期望，希望人工智能最终能走向理性化道路。
人工智能发展中面临的问题有哪些
目前世界各国都在投入大量的人力物力资源，对人工智能进行研究，我国人工智能研究从国家的“863项目”开始，加大研究力度，缩短了我国人工智能技术与世界先进水平的差距，也为未来的发展奠定的技术和人才基础。那么人工智能发展中面临的问题有哪些？
人工智能发展中面临的问题有哪些？
（一）识别功能的困惑：
计算机识别技术研究在近些年取得了大量成果，其产品的实际应用范围较广，但不可否认的是，计算机识别的模式是基于一定的算法和程序设定的，其识别机制完全不同于人类的感官识别，因此，在计算机进行识别，尤其是图形识别时，对各种印刷体、文字、指纹等清晰图形可以快速识别，但对于相似度较高的物体，计算机识别能力相对较弱，识别失败的情况较为普遍。语音识别主要研究各种语音信号的分类。语音识别技术近年来发展很快，但是缺点是识别极易受到干扰，不标准的语音较易引发识别错误。
人工智能发展中面临的问题有哪些？
（二）GPS功能的局限性：
GPS是企图实现一种不依赖于领域知识求解人工智能问题的通用方法，但是问题内部的表达形式和领域知识是分不开的，用谓词逻辑进行定理归结或者人工智能通用方法GPS，都可以从分析表达能力上找出其局限性，这样就减少了人工智能的应用范围。
到2020年，人工智能总体技术和应用与世界先进水平同步；到2025年，人工智能基础理论实现重大突破，部分技术与应用达到世界领先水平；到2030年，人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心。
免费领取人工智能学习资料
我国人工智能产业发展面临的三大问题
2019年，人工智能数据、算法、算力生态条件日益成熟，我国人工智能产业发展迎来一轮战略机遇，智能芯片、智能无人机、智能网联汽车、智能机器人等细分产业，以及医疗健康、金融、供应链、交通、制造、家居、轨道交通等重点应用领域发展势头良好。展望2020年，全国各级地方将根据自身实际情况申报和落地人工智能创新应用先导区，国内人工智能产业投融资将更关注易落地的底层技术公司。
2020年形势判断
从产业链建设看，人工智能数据、算法、算力生态条件日益成熟。算法、数据和计算力是推动人工智能技术进步和产业发展的“三驾马车”。
一是在算法方面，2019年，基于视觉、触觉传感的迁移学习、变分自动编码器（VAE）和生成对抗网络（GAN）是无监督学习中新涌现的算法类型。预计2020年，上述新兴学习算法将在主流机器学习算法模型库中得到更高效的实现，Caffe框架、CNTK框架等分别针对不同新兴人工智能算法模型进行收集整合，可以大幅度提高算法开发的场景适用性。
二是在数据方面，2019年，我国5G、物联网、汽车电子等多种新兴技术产业的快速发展，数据总量呈现海量聚集爆发式增长。预计2020年，我国5G通信网络部署加速，接入物联网的设备将增加至500亿台，数据的增长速度越来越快，世界领先的互联网公司大数据量将达到上千PB，传统行业龙头型企业数据量将达到PB级，个人产生数据达到TB级。
三是在算力方面，2019年以来，我国人工智能的算力仍以GPU芯片为主要硬件承载，但随着技术的不断迭代，预计2020年，ASIC、FPGA等计算单元类别将成为支撑我国人工智能技术发展的底层硬件能力。
从政策推动来看，全国各级地方将根据自身实际情况申报和落地人工智能创新应用先导区。2019年，我国31个省份中已有19个省份发布了人工智能规划，其中有16个制定了具体的产业规模发展目标，以北上广深为代表的城市积极地制定了行之有效的政策，对人工智能产业的落地和发展产生了较大的推动作用，成为中国人工智能行业的重要实践者和领头羊。
尤其是2019年下半年以来，上海市和深圳市获批成为我国首批人工智能创新应用先导区，为我国人工智能产业应用发展带来新契机。预计2020年，国内更多城市（群）将聚焦智能芯片、智能无人机、智能网联汽车、智能机器人等优势产业，面向医疗健康、金融、供应链、交通、制造、家居、轨道交通等重点应用领域，积极申报和搭建符合自身优势和发展特点的人工智能深度应用场景，以“先导区”工作为抓手，促进人工智能产业与实体经济深度融合。
从投融资情况看，我国人工智能产业投资市场将关注易落地的底层技术公司。在过去5年间，我国人工智能领域投资曾出现快速增长。2015年，人工智能产业投融资规模达到450亿元。到2019年，仅上半年国内人工智能领域就获得投融资超过478亿元。近四年来，人工智能领域投融资集中在企业服务、机器人、医疗健康、行业解决方案、基础组件、金融等落地前景较好领域。预计2020年，新零售、无人驾驶、医疗和教育等易落地的人工智能应用场景将更加受到资本关注。
同时，由于中国在人工智能底层技术方面仍落后于美国，随着人工智能在中国的进一步发展，底层技术的投资热度将持续增长，那些拥有顶级科学家团队、雄厚科技基因的底层技术创业公司将获得资本市场的持续资金注入。
三大问题
我国人工智能领域的基础创新投入严重不足。
从企业研发创新看，中国人工智能企业的创新研发支出仍远远落后于美国、欧洲和日本。2018—2019年，美国人工智能领域企业投入的科技研发费用占据了全球科技支出的61%，我国人工智能领域企业研发支出虽然快速增加，增速达到34%，但实际占据的全球科技支出份额明显小于美国。
从人工智能知识产权保有量看，我国各类实体拥有的人工智能专利总量超过3万件，位居世界第一，但中国相关企业拥有的人工智能相关专利多为门槛较低的实用新型专利，发明专利仅占专利申请总量的23%。同时，根据世界知识产权组织的数据，我国企业拥有的95％的人工智能设计专利和61％的人工智能实用新型专利将会在5年后失效，相比之下，美国85.6％的人工智能专利技术在5年后仍在支付维护费用。2020年，我国需要在人工智能基础研究与创新，打造核心关键技术长板、加强知识产权保护方面加大投入力度。
我国人工智能产业的算力算法核心基础相对薄弱。我国人工智能发展在数据规模和算法集成应用上都走在世界前列，但在人工智能基础算力方面，能提供国产化算力支持的企业还不多。
在人工智能的算力支持方面，IBM、HPE、戴尔等国际巨头稳居全球服务器市场前三位，浪潮、联想、新华三、华为等国内企业市场份额有限；国内人工智能芯片厂商需要大量依靠高通、英伟达、AMD、赛灵思、美满电子、EMC、安华高、联发科等国际巨头供货，中科寒武纪等国内企业发展刚刚起步。
在人工智能算法方面，主流框架与数据集领域国内外企业龙头企业包括谷歌、脸书、亚马逊、微软等，深度学习主流框架TensorFlow、Caffe等均为美国企业或机构掌握，百度、第四范式、旷视科技等国内企业的算法框架和数据集尚未得到业界的广泛认可和应用。2020年，我国需要进一步部署加强人工智能基础设施建设，并重视国内人工智能算法框架的创新推广。
以算法战、深度伪造为代表的人工智能技术滥用给经济社会带来严重负面影响。算法战指的是将人工智能算法、机器学习等技术全面应用于对敌作战中的情报收集、武器装备、战场勘测、指挥协同、决策制定等环节，核心目标是利用人工智能技术提升军事作战能力；深度伪造（Deepfakes）是“DeepMachineLearning”（深度学习）和“Fake”（造假）的英文组合词，是一种基于深度学习的人物图像合成技术，随着人工智能算法开源不断推进，深度伪造技术门槛正在不断降低，非专业人员已经可以利用简单开源代码快速制作出以假乱真的视频和图像。
2019年以来，基于人工智能的算法战和深度伪造的正在扩大军事影响、形成网络暴力、破坏政治选举、扰乱外交关系等方面被滥用，并给社会和国家带来极大风险。上述对人工智能技术的滥用给我国家安全、产业安全、社会经济安全带来巨大风险，需提前预防可能风险，并寻求国际支持。
对策建议
以算力为核心加强人工智能基础能力建设。首先要大力推进人工智能算法库、解决方案库、数据集及公共服务平台建设，强化人工智能发展基础。其次加强面向人工智能发展应用的5G网络、边缘计算硬件新兴信息基础设施建设。最后要对各行业企业自动化、智能化改造的产出、效果进行科学有效测算，指导企业找准技术研发投入的切入点，利用好人工智能技术实现经济社会高质量发展。
体系化梳理我国人工智能产业供应链现状。我们既要关注重要整机产品以及大厂商、大企业，也要覆盖量大面广的细分领域及增长势头良好的隐形冠军。
推动国内人工智能企业加快开拓国内外应用市场并提升出海抗风险能力。我国需要加强国内应用市场推广，挖掘多种类型的应用场景，培育各种规模的竞争主体，进一步提升新技术的应用水平和应用层级。同时，引导对外应用市场开拓，支持企业开拓海外市场，对出海企业在经营合规管控、知识产权管理、专利诉讼等方面的具体问题给予窗口指导。最后，提升企业自身的抗风险抗打击能力，鼓励新兴领域的独角兽企业尽快做大做强，形成较大规模体量和较强技术竞争力。
在国际社会上提出发展“负责任的人工智能”。首先应加紧研究并提出中国版的人工智能伦理守则或框架，形成人工智能伦理风险评估指标体系或风险管理指南，为人工智能企业提供风险识别、评估及应对的系统指引。其次应加强与联合国、欧盟及其成员国、G20等国际组织的合作，参与搭建多层次国际人工智能治理机制，提出发展“负责任的人工智能”供全球各国讨论，在全球人工智能伦理框架的制定议程中发挥建设性作用。
来源：赛迪研究院
更多资讯，请扫描下方二维码，关注中国微米纳米技术学会微信公众号
人工智能的瓶颈问题
人工智能现有进展主要体现在专用人工智能方面，但是仍存在一些局限性，将其总结为以下四点：有智能没智慧，有智商没情商，会计算不会“算计”，有专才无通才。这些瓶颈问题主要包括：
（1）数据瓶颈：深度学习需要大量的数据；
（2）泛化瓶颈：这是模式识别、计算机视觉、人工智能方法面临的一个共同的问题，现有方法在一些实际问题中仍无法取得理想的泛化性能，或者训练好的模型用在变化的环境或领域，其泛化性能明显下降；
（3）能耗瓶颈：人的大脑尽管是一个通用的人工智能系统，但是能耗很低（只有20瓦），但现有计算机上实现人工智能系统则能耗很高；
（4）语义鸿沟瓶颈：目前语言服务大多为简单查询，不涉及语义推理问题，缺乏真正的语言理解能力，比如一些有歧义的自然语言句子，人很容易根据上下文或常识理解其真正含义，计算机却很难理解；
（5）可解释性瓶颈：现有人工智能系统都是知其然而不知其所以然，其过于依赖训练数据，缺乏深层次数据语义挖掘。报告指出，可解释性非常重要，人工智能不仅要知其然还要知其所以然，知其然只是浅层智能，知其所以然才叫深层智能；
（6）可靠性瓶颈：现有人工智能系统可靠性较差，有些错误识别结果会带来致命后果，比如2016年7月，特斯拉自动驾驶功能不能正确识别反光条件下的卡车，导致致命车祸。
观点二可解释的人工智能是未来重要方向从专用人工智能到通用人工智能是大势所趋，一些科技巨头包括国家机构都在布局通用人工智能的研究，比如GoogleDeepMind创始人DemisHassabis宣布朝着“创造解决世界上一切问题的通用人工智能”这一目标前进，微软成立人工智能实验室以挑战通用人工智能为主要目标。
可解释的人工智能系统备受关注，它也是突破统计学习瓶颈问题的一个重要方向。DARPA（美国国防高级研究计划局）的报告里面把过去几十年人工智能技术的发展和创新分成几个波次：第一个波次是基于规则的，例如以专家系统为代表的系列方法和技术；第二个波次就是当前以大数据驱动为代表的统计学习；第三个波次很可能是可解释的人工智能，就是人工智能要知其然还要知其所以然，以此可见人工智能可解释性的重要意义。
观点三切忌借人工智能热度圈钱圈地国务院印发的《新一代人工智能产业发展规划》的实施，一定会有力推动我国人工智能事业的发展，掀起人工智能新的热潮。但是在新一轮的AI热潮下，我们尤其要保持清醒的头脑，吸取人工智能16年发展的教训，当然也有经验，切忌借这个机会圈钱圈地，一哄而上，给人工智能设定不切实际的目标，提出过高的期望。
人工智能主要面临哪些挑战
如今，有许多事情让企业管理者日夜操劳，无论是经济环境还是市场环境，有时看起来将会进一步恶化，还有消费者不断变化的需求对企业施加的无情压力。但是人们忘了一件事：技术。
也许最为相关的是，技术的快速发展不断颠覆组织开展业务的方式，这足以让企业管理人员失眠。无可否认，如果企业未能跟上发展步伐，将不可避免地落后于竞争对手。这将成为进化或消亡的市场案例。
这个领域的主要参与者之一是人工智能（AI）。并且成为行业媒体时常提到的流行术语之一。许多企业仍在寻求采用人工智能以获得更多的商业利益、更高效的运营以及向客户提供新产品和服务。但是，他们是否采取了实现这些目标所需的最佳方法？
对于那些尚未通过人工智能取得成功的企业来说，即使是开始踏上旅程，也很容易对他们的竞争对手的领先地位感到失望。他们经常以绝对主义的观点看待人工智能：要么拥有跨组织的全自动系统，要么根本没有。
但人工智能并不是非此即彼的二元化技术：成功的应用程序可以建立在规模较小的、成功的项目平台上，这本身就是试验和错误的结果。与其尽快在整个企业中推出人工智能，不如尝试在较小规模上提供真正好处的举措，这样更有效。
这并没有改变这样一个事实，即成功的人工智能项目将面临多个障碍，但这些问题并不是不能克服的。然而，组织必须了解他们需要克服哪些困难才能开发和交付解决实际业务挑战的项目。
人工智能面临的主要挑战
今年早些时候，O＇Reilly公司向3，000多名商业受访者询问了他们对人工智能和深度学习的准备情况，其中包括采用必要的工具、技术和技能。
特别值得注意的是调查中显示的人工智能技能差距。缺乏人才被认为是成功实施人工智能项目的最大瓶颈，五分之一的受访者这么认为。这在人工智能项目中尤其重要，因为从头开始构建此类应用程序依赖于端到端数据管道（包括数据提取、准备、探索性分析以及模型构建、部署和分析）。
然而，企业所需要的不仅仅是技术人才。他们还要求有商业头脑的人才根据人工智能提供的数据和洞察力做出战略决策。
深度学习仍然是一种相对较新的技术，它尚未成为工业数据科学家使用典型算法集的一部分。那么谁来做这项工作？人工智能行业人才匮乏，人工智能项目的增加意味着人才库可能会变得更小。企业需要认真解决技能差距。这可能包括聘用外部顾问，内部开发和培训必要的技能——例如通过使用在线学习平台。
在调查中，大多数企业（75％）表示他们的公司正在使用某种形式的内部或外部培训计划。几乎一半（49％）的企业表示为员工提供内部在职培训，而三分之一（35％）的企业表示采用来自第三方的培训或来自个人培训顾问或承包商的培训服务。
而在另一方面，人工智能的商业理由要求企业管理层识别用例，并找到每个特定项目的赞助商，确保提供明确的商业案例。
数据的作用
成功项目的另一个关键挑战是确保所使用的数据完全准确并且是最新的。机器学习和人工智能技术可用于全部或部分自动化许多企业工作流程和任务。由于这些技术依赖于从一系列新的外部资源，以及不同内部业务部门持有的现有数据集中提取信息，因此显然必须对这些数据进行适当标记。
此过程的第一步是确定哪些任务应优先考虑自动化。人们所问的问题包括任务是否是数据驱动的？是否有足够的数据来支持任务？以及计划交付的项目是否有业务案例？
企业必须记住，虽然采用人工智能和机器学习技术可以更加轻松地工作，但是为了最大限度地利用它们，需要将它们调整到特定的领域和用例，可能涉及诸如计算机视觉（图像搜索和对象检测）或文本挖掘之类的技术。经常调整这些技术对于提供准确的洞察力是必不可少的，这需要精确地标记大型数据集。
首席数据官（CDO）是解决数据挑战的关键。首席数据官（CDO）负责考虑获取数据、数据治理以及为有用目的转换数据的端到端流程。技术熟练的首席数据官（CDO）可以帮助确保人工智能计划提供全部功能。
引入深度学习
回到调查研究，四分之三的受访者（73％）表示他们已经开始使用深度学习软件。TensorFlow是受访者最受欢迎的工具，其中Keras位居第二，PyTorch排名第三。其他框架如MXNet、CNTK和BigDL也有越来越多的受众。人们希望所有这些框架，其中包括那些现在不太受欢迎的框架将会继续添加用户和用例。
最终，每个企业都能够成功实施人工智能，凭借决心和适当的培训投资水平，人工智能将会蓬勃发展。但是，从一开始就制定明确的目标对于企业非常重要。在此过程中，需要确保团队拥有适当水平的专业知识和技能，以使企业在应用人工智能方面迈出成功的第一步。
在中小学开展人工智能普及教育，面临着哪些困难
普及教育之所以区别于特长培养类课程，它注重相关领域的常识普及，侧重全校学校的参与程度。目前更多学校在开展普及性的创客教育、人工智能教育时，仍面临着资金、师资不足等难题。
阿童木创想家曾多次进入中小学、社区，开展人工智能普及教育，并被一些中小学引入校本课，但并非一帆风顺，阻碍也是有的，即使是在支持创新教育的创客之都深圳，也会有学校师资不够的情况发生，需要借助阿童木创想家师资力量，开展双师课堂、创客社团等。
天津市第五中学高中物理教师杨磊，也面临着一些问题。杨磊介绍说，在创客教室创立之初，资金不足是一大难题。但随着工程的不断推进，他发现如何有效利用资金才是学校更应该考虑的事情。
人工智能课程，或是信息技术教育，对于学校的“存量老师”存在一定难度。现在往往采取短期培训的方式提高教师水平。杨磊认为，这是一种方法，但短期培训效果是否有效目前还待证明。杨磊建议希望师范院校能够设立相关专业，培养信息技术老师。
杨磊认为，普通学校所面临的最大的问题是学生时间不足。
上图中是2011年至2018年，杨磊所统计的创客工作室的参与人数。上面折线代表潜在有可能参加创客活动的学生，下面折线则代表实际情况。杨磊具体解释说，2015年之前参与的学生都是老师推荐，所以参与人数比较少。但2016年之后，杨磊在新疆预科班全面推广编程教育，并实施“1+3”模式，即一周一节理论课，三节活动课。根据图片显示，2017年、2018年的参与人数又有所下降，杨磊解释说，学生进入高一之后，学业压力增大，并没有足够的时间参与到创客活动中去。
针对上述痛点，杨磊建议学校在开展信息技术相关课程时要与其他学科相融合。
针对学校如何开展人工智能课程，杨磊给出了三点建议：
硬件体验。两种方式，一种是在原有的机器人套装中，加入声音识别、指纹识别等带有智能功能的模块；另一种是利用智能语音音响，让学生体验人工智能。
软件体验。利用手机APP等软件产品。
利用商业平台。例如，百度平台、商汤科技。杨磊实践之后感觉这些平台最大的缺点就是价格昂贵。
更多信息请关注阿童木人工智能公号。阿童木人工智能专注于3-18岁孩子的机器人、编程、创客等教育，提供品牌合作，希望自己的教学理念得到传播，惠及到更多的孩子，专注于培养面向未来的人才。
点击下方链接了解更多！返回搜狐，查看更多