過去幾年中，令人屏息的新聞剪輯數(shù)量令人難以記住，但人工智能的歷史充滿了挫折和挫折。 記憶猶新的人們記得70年代初和80年代的第一對所謂的" AI冬季"。 首先是由于對AI的幻滅而造成的，而第二個(可能更重要的)冬天誕生了，因為技術(shù)和物理硬件遠遠落后于當(dāng)今的理論。 例如：科學(xué)家發(fā)明了反向傳播的概念，它是深度學(xué)習(xí)的基礎(chǔ)，但是直到現(xiàn)代的GPU大量出現(xiàn)后，真正的必要的計算能力才真正發(fā)揮出來。

現(xiàn)在，當(dāng)然，情況已經(jīng)改變。 計算是隨時可用的。 我們正在研究數(shù)據(jù)。 政府正在投資研究。 大學(xué)生正在研究機器學(xué)習(xí)。 媒體報道了AI，這是技術(shù)的下一次巨變。 一切似乎都朝著未來的趨勢發(fā)展，在這種情況下，人工智能已經(jīng)相當(dāng)普遍，公眾也理解并接受了它的承諾和實用性。

不幸的是，"似乎"是最后一句話中的執(zhí)行詞。 企業(yè)正在投資人工智能，但只有約三分之一的企業(yè)看到了投資回報。 而且，如果該投資回報率仍然難以捉摸，那么就很容易預(yù)測投資將開始萎縮的世界，尤其是在全球性經(jīng)濟環(huán)境中，這種經(jīng)濟環(huán)境由于史無前例的大流行而變得動蕩不定。 與其享受上一個AI冬季以來的持續(xù)解凍，不如輕松地看著溫度再次下降。

但是請注意，問題不在于AI不能賺錢還是不能賺錢，而是可以。 例如，許多流程自動化AI項目都是成功的。 考慮一下那些"閱讀"法律文件并提取信息的AI，或者分類和處理客戶溝通或核對賬單問題的AI。 當(dāng)然，這些不是最性感或最復(fù)雜的用例，但它們可以為公司省錢，因此您知道他們很快就不會去任何地方。

因此，如果AI可以賺錢，為什么只有35%的公司看到投資回報? 一個很大的原因是，構(gòu)建和訓(xùn)練模型的成本仍然過高。 好吧，那為什么呢? 正是由于最近的另一種趨勢席卷了整個企業(yè)，尤其是科技界：大數(shù)據(jù)。

問自己：您聽過多少次"更多數(shù)據(jù)"才能使模型變得更好? 實際上，這是錯誤的。 高質(zhì)量的數(shù)據(jù)使模型更好。 有用且標(biāo)簽明確的數(shù)據(jù)使模型可以工作。 有無數(shù)的數(shù)據(jù)? 其實并不重要。 尤其是在無法證明數(shù)據(jù)有用的情況下。 當(dāng)您處理我們在此談?wù)摰臄?shù)量時，這很難做。

現(xiàn)實情況是，由于缺乏更好的期限，投資者以及大數(shù)據(jù)行業(yè)一直保持著對大數(shù)據(jù)的首要地位的敘述。 大數(shù)據(jù)的成本是AI成本的巨大推動力。 人工智能和機器學(xué)習(xí)從業(yè)者所擔(dān)心的是，那些完全相信自己需要堆積所有數(shù)據(jù)(即使他們看不到這樣做的明顯效用)的公司可能會開始撤回對人工智能的投資，以支持建立大數(shù)據(jù)。 但是，首先存儲所有數(shù)據(jù)比較大的原因是，您可以進行預(yù)測并從中構(gòu)建AI。 換句話說，我們實際上正處于大數(shù)據(jù)扼殺AI投資的危險中-奇怪的是，這首先存在于AI中的一個重要原因!

還有一個問題是，小公司受大數(shù)據(jù)負(fù)擔(dān)的影響更大。 對于較小的組織來說，存儲數(shù)據(jù)和訓(xùn)練模型的門檻更高。 當(dāng)您將所有這些與摩爾定律已經(jīng)結(jié)束的事實結(jié)合在一起時，您可以開始看到對服務(wù)器空間和計算真正的經(jīng)濟競爭的未來。 這就像是對潛在的AI冬季的預(yù)測。

那么在這里可以做什么? 從業(yè)者將必須帶頭。 我們需要表達自己的需求，而不是大數(shù)據(jù)的需求。 我們需要投資于有助于AI獲利的公司和解決方案，而不是那些僅用于組織和構(gòu)造大數(shù)據(jù)的解決方案。 我們必須努力使該行業(yè)在貨幣和環(huán)境方面都可持續(xù)。 我們必須拒絕擁有更多數(shù)據(jù)總是可取的舊觀念。 因為，坦白說不是。 太多公司堆積數(shù)據(jù)而沒有太多實際用途。 我們需要能夠清除實際上沒有理由保留的舊的無用數(shù)據(jù)。 我們必須投資于數(shù)據(jù)質(zhì)量度量，而不是用于保留數(shù)量的地方。