先說結論，我認為並沒有達到技術瓶頸期。想反，應該是技術爆發期，最近一年的技術進步比前三年的進步還要多。

目前人工智慧的問題在於落地困難，人們預期過高，覺得自己什麼都不用做，AI都應該搞定，但其實AI更需要培養，需要深度瞭解行業，才能真的用起來。好在目前大家都越來越重視落地，預期人工智慧邁過落地這個門檻後更加大有可為。

目前，AI發展的瓶頸主要有以下三點：

1.對資料的極度貪婪和依賴；

2.執行機制和模型的不透明；

3.脆弱性，錯誤不可控。

這三點缺陷導致了想象中的AI與真實落地的AI之間形成了幾重落差。

在資料行業摸爬滾打多年、最近轉行到AI創業公司的資料分析師“小J”頗有感悟：“這些年，媒體和各行各業言必稱大資料，客戶看到自己資料庫存了多少TB甚至PB了，就以為自己有大資料；問客戶某某資料有沒有，客戶滿口說有。等實際入場後才發現，資料根本不可用，有些欄位錯得離譜，有些欄位又太稀疏，等你做完清理後，剩下的資料可能跑個邏輯迴歸都夠嗆，根本沒法上深度學習。

有些資料需要手工生成，質量也不可靠。有一次做浙江某輪胎廠的故障檢測專案，故障樣本是工廠每月被客戶退回來的問題輪胎，幾百上千個在露天的空場上堆成小山，落滿了灰，只好僱人爬上去把灰擦一擦看清楚型號批次，再把資訊和故障記下來。大熱天的，又髒又累，後來就有人學會了偷懶，假造資料。

還有資料孤島，比如A、B企業的資料維度都比較單一，但可以互補，需要放到一起才有價值，而A和B出於監管考慮又不能交換資料。一些大企業內部也有資料孤島，實質是部門競爭、不願配合，非要鬧到大老闆那兒去。即使老闆拍板下來要打通，也有各種手段讓你的效果大打折扣，脫敏、二次加工、延時等等。

如果把訓練好的模型作為軟體模組來整合，模組的輸出受輸入資料分佈變化的影響，不能按模組之間的合約（contract）“辦事”，造成其他模組無法正常工作。

更難受的是，何時、何種情況下會“違約”，無法預先界定。所以當系統給AI軟體模組一個任務時，它能不能完成，能完成到什麼程度，沒準。

這就好比一個公司告訴你，在我司測試環境下，行人檢測模型準確率為99.99999%；但在您的實際駕駛環境中，預計準確率在97%~99%之間，且我司既不確保準確率有多少，也無法判斷何時準確率會異常。這車您還敢開嗎？

如果把訓練演算法作為軟體模組來整合呢？也有新問題。

訓練演算法的輸出依賴訓練資料，而生產環境中的資料受太多因素干擾：隱藏的資訊反饋迴圈、未宣告的呼叫模組，都會讓資料相互影響，不可控、不好追查。此外，在給真實客戶做AI專案時，不同專案、專案不同階段，都會帶來不同的資料，從而影響演算法網路結構設計和模型引數設定。

有多年工程及演算法經驗、待過網際網路大廠也做過to B專案的“老P”說：“做AI專案，客戶第一次會給一小撮資料樣本讓你理解業務資料，等你入場做PoC（Proof of Concept，可行性驗證）時會拿到批次的真實歷史資料，等專案上生產環境你會碰到更實時的資料，等執行一段時間後又必然會遇到各種新情況，例如客戶的使用者定位調整了、政策有變導致業務環境變了等等。

這四個不同階段，你所認知的客戶資料的特點和分佈都會變，而變化就意味著可能要重調超引數，重設網路結構，甚至重新取捨演算法……折騰啊，但沒辦法，這就是做AI專案的命。”

更要命的是，這是長期的“折騰”；是時間、地點、人物不定的折騰；得去客戶現場折騰，而不能遠端雲折騰；得派很貴的、掌握鍊金經驗和調參玄學的演算法工程師去折騰，而不能讓普通軟體工程師去折騰。

這就引出了AI落地時的第三個落差，也是最現實的挑戰：

為什麼to B專案通常都要駐場？ 現階段，大中型企業才有足夠的資料、業務場景和錢做AI，而大公司對資料又有超強保護意識，資料不出門、不落地。要碰資料可以，請到客戶現場來，有時還要求用客戶提供的電腦幹活。

為什麼要長期駐場？

典型的AI to B專案有以下幾個流程：

1.初步理解客戶業務場景和需求;

2.初步調研客戶資料情況;

3.可行性判斷和初步方案設計;

4.深度理解客戶業務，細化或調整AI演算法目標和達到目標的路徑;

5.深度理解客戶資料構成、語義、質量和分佈等細節，細化或調整演算法方案和模型結構;

6.資料清洗和特徵工程;

7.部署測試環境，訓練並調參模型（效果不好的話要回到步驟4、5、6進行最佳化）;

8.生產環境部署上線，除錯生產bug（如資料洩露）;

9.持續監控生產環境輸入輸出資料變化，並隨時回到步驟4、5、6。

這裡的4、5、6、7、8、9必須在客戶現場完成，1、2可遠端完成但也需要與客戶互動，只有步驟3完全不涉及客戶環境。

先說步驟4、5、6、7、8，短則兩三月，長則大半年，跟客戶配合程度有關，跟資料質量有關，跟問題複雜度、成熟度有關。更重要的，跟鍊金運氣有關。

最頭疼的是9，前面的步驟即使週期再長，也有結束的一天，但步驟9（生產環境監控最佳化）卻永無寧日，因為業務環境和資料變化是不可避免的，而演算法模型不一定能自動適應到最佳狀態。

為什麼要高階演算法人才長期駐場？

正如Rahimi所說，深度學習的理論不完備，演算法模型的執行機制不可知，因此，各種除錯最佳化能不能成功，靠的是經驗加運氣，能力難以快速複製。

這就像學中醫一樣，初級醫師要成長為高階人才，需要做過很多專案，遇過很多情況，成功、失敗經驗都豐富的老中醫手把手帶，靠專案和悟性不斷積累“望聞問切”的經驗。

然而，行業的另一面現實卻是，想讓高階演算法工程師長期駐場，太難了。

首先，駐場意味著人員很難複用，沒法一人同時幹N個專案，薪資成本是個問題。

其次，搞技術的通常不喜歡駐場，尤其是有經驗的高階人才，一般歲數不小、有家有娃，長期出差有困難。

最後，公司裡許多高階演算法人才可能是在基礎研究或底層架構部門，專案工程團隊未必請得動。

BAT某雲行業銷售負責人“阿K”，一度對AI專案滿懷憧憬，但後來寧可去賣CDN：“我們今年中了一個千萬級的標，其中的AI模組很關鍵。中標之後專案組都很興奮，但是要幹活時，麻煩了。

客戶很看重資料資訊保安，對外部駐場人員管得很嚴，每天上班要指紋打卡，封閉會議室辦公，桌面必須保持清潔，否則罰款甚至通報批評。

客戶給的IT支援比較少，我們工程師都說，駐場的SDE（Software Develope Engineer）其實是Someone Do Everything，跟在自家公司時比，駐場乾的事太雜了，還沒有延續性，不利於他們的技術發展。

現場跟客戶溝通遇到些技術分歧時，人家好歹是甲方，我不提醒吧，有些工程師能讓客戶下不來臺；我說他兩句吧，人就說駐場要看客戶臉色，不想幹了。

結果這專案還沒做到一半，比較資深的兩個AI工程師就回去了，只好換了幾個畢業沒多久的頂著，專案進展很慢，客戶很不爽。別給我搞爛尾了，哎。”

BAT另一朵雲的行業售前總監、最近絞盡腦汁往自己行業裡整合AI元素的“老W”說：“有一次客戶讓我們做AI專案PoC，要比較高階的人駐場。我好說歹說，找AI研究部門借了幾個人，出差去客戶那兒幹了一個半月，結果專案沒成。以後再找，他們就再也不搭理了。

人家本來就不愛參與客戶專案，又發不了paper，這麼貴的人工成本花出去，又不一定能成為年終績效上的業績。”

駐場需求強烈，且得不到高效滿足，是AI公司無法做到真正產品化（從業務運營角度的產品化）的重要原因。困於客戶專案的PoC、交付和維護，脫身無門，也就無法大規模擴張。

吳恩達曾說：“如果普通人能在不到一秒的時間內完成某項腦力工作，那麼我們很可能可以在現在或不遠的將來用AI將其自動化。”

或許更符合事實的情況是這樣：如果普通人能在不到一秒的時間內完成某項腦力工作，那麼我們很可能可以在現在或不遠的將來用AI將其自動化，如果不行，至少可以找到一個符合條件的客戶，把我們最貴的演算法科學家砸進去，做一個demo出來。

才剛開始，其實人類製造代替腦力的工具，已經很久了，從電腦雛形開始的，未來會更加強大，為了更好替人類分擔腦力勞動。

不但沒有達到，應該定性為是剛剛開始。

現在僅僅是4個環節簡單的自能處理：環境及危險程度的自動監測識別+系統及區域性邏輯的中心處理+執行機構的機械運動或位移等+系統反饋及修正在處理。

下一步的發展空間:除了中心大系統智慧處理以外，會有個各級的獨立的小智慧系統，就像天體運動一樣，每個載體都有自己獨立執行軌道，自己的執行規則，在系統統一管理下有自己的開始及結束，無窮的細分下去，正所謂大到天體小到細菌，那才是智慧的未來。

還需要人類繼續努力，經過不斷髮現發展，一代一代人的不斷探索才會接近目標的，也許幾十年，也許上百年，也許更多年……。就像人類文明一樣，會一直伴隨人類走下去的。

人工智慧的範疇很廣，只能說目前在深度學習這塊，遇到了一些瓶頸。

現在最好的影象識別演算法，計算量可能是Alexnet演算法的1000倍，但只能把效果提升一點點，沒有達到等價收益，所以大家會覺得深度學習是不是又到了天花板，這個問題確實存在。

但並不代表人工智慧進入天花板。人工智慧正在進入另外一個領域，不再靠單一演算法打天下，解決問題，而進入一個新的階段，依靠工程化、功能和平臺化來解決實際的問題。即便是深度學習的應用，也越來越元件化了，只是平臺的一個工具，整個應用流程的一個環節。透過綜合許多演算法，最終取得一個相對較好的效果，這是更現實的情況