其实，2010年以来，基于深度学习的人工智能技术陆续在谷歌、facebook、百度等顶尖互联网公司获得广泛应用；2016年，谷歌的战略重心已从“移动先行”全面转向“人工智能先行”；埃森哲预测，到2035年时，人工智能可将12个发达经济体的年经济增长率提升一倍；2016年下半年，美国白宫科技政策办公室连续发布人工智能战略规划和研究报告，呼吁美国政府关注人工智能相关的科研、教育、产业发展及可能引发的就业和经济问题。
1
回望历史，人工智能在过去数十年间也几度成为大众关注的焦点，但转瞬又归于沉寂。此次人工智能热潮是否仍会昙花一现？创新工场认为，人工智能在未来很长一段时间内只是人类的工具，在社会和经济生活中扮演协作者、助力器和加速器的角色。人工智能相关的商业模式还处在相对早期的实践和发展阶段，不同垂直领域在适用人工智能的水平和阶段上有巨大差异。
人工智能产业发展的六大挑战
创新工场认为，目前的人工智能产业发展面临六大挑战：
一、前沿科研与产业实践尚未紧密衔接
除少数垂直领域凭借多年大数据积累和业务流程优化经验，已催生出营销、风控、智能投顾、安防等人工智能技术可直接落地的应用场景外，大多数传统行业的业务需求与人工智能的前沿科技成果之间尚存在不小距离。面向普通消费者的移动互联网应用与人工智能技术之间的结合尚处在探索阶段。科学家和研究者所习惯的学术语境，与创业者和工程师所习惯的产品语境之间还无法快速衔接。
二、人才缺口巨大，人才结构失衡
据linkedin统计，全球目前拥有约25万名人工智能专业人才，其中美国约占三分之一。这一数量级的人才储备远无法满足未来几年中人工智能在垂直领域及消费者市场快速、稳健增长的宏观需求。人才供需矛盾显著，高级算法工程师、研究员和科学家的身价持续走高。人才结构方面，高端人才、中坚力量和基础人才间的数量比例远未达到最优。
三、数据孤岛化和碎片化问题明显
数据隐私、数据安全对人工智能技术建立跨行业、跨领域的大数据模型提出了政策、法规与监管方面的要求。各垂直领域的从业者从商业利益出发，也为数据的共享和流转限定了基本的规则和边界。此外，许多传统行业的数据积累在规范程度和流转效率上还远未达到可充分发挥人工智能技术潜能的程度。
四、可复用和标准化的技术框架、平台、工具、服务尚未成熟
虽然tensorflow、ca?e、mxnet等深度学习框架已被数以万计的研发团队采纳，相关开源项目的数量也在飞速增加，但一个完整人工智能生态所必备的，从芯片、总线、平台、架构到框架、应用模型、测评工具、可视化工具、云服务的模块化与标准化工作，尚需三年或更长时间才能真正成熟。
五、一些领域存在超前发展、盲目投资等问题
目前的人工智能技术只有在限定问题边界、规范使用场景、拥有大数据支持的领域才能发挥最大效能。但创投界存在盲目追捧，不顾领域自身发展程度，或利用人工智能来包装概念等现象。由此产生的盲目创业和投资问题虽非主流，但仍有可能伤害整个行业的健康发展。
六、创业难度相对较高，早期创业团队需要更多支持
与互联网时代、移动互联网时代的创业相比，人工智能创业团队面临诸多新的挑战。例如，对高级人才较为依赖，科学家创业者自身的商业实践经验较少，高质量大数据较难获得，深度学习计算单元和计算集群的价格十分昂贵，等等。 |
