一、人工智慧的生產原料（資料）遇到了什麼問題

資料層應用現狀：

（1）存不下——數字化浪潮下的海量資料儲存挑戰

資料量的急劇上增是資料存不下的重要原因，目前據全球統計企業的資料量從PB級向EB級邁進，資料量將從2018年的32.5ZB快速增長到2025年的180ZB。

由於儲存系統仍為傳統架構以及成本等原因，當前企業資料僅有不到2%被儲存，資料“存不下”的問題日益嚴重。

儲存擴充套件性不足：傳統儲存由獨立的控制器與硬碟框組成，當容量不足時可增加新的硬碟框進行級聯，但由於控制器的處理能力受限，儲存的擴充套件能力非常有限。
儲存協議型別單一：非結構化資料逐步成為企業資料的主體。隨著電商、物聯網等業務擴張，80%的新增資料由各類音影片、日誌等非結構化資料構成。然而傳統儲存協議型別單一，無法同時滿足塊、物件、檔案、大資料等多樣性資料的存取需求，企業不得不為每一種新的資料型別新增一種儲存裝置，增加了高效利用儲存資源的難度。
儲存成本依然高昂：越來越多的企業選擇將資料長期儲存。2017年起，移動運營商因合規性要求，將其裝置日誌的儲存週期從2個月增加至6個月。

這意味著其資料儲存伺服器的裝置規模將增加至少2倍。傳統的架構中，伺服器因儲存需求不斷擴容，但CPU的使用率卻始終處於較低的狀態，資源得不到合理利用，無疑會對採購成本和維護成本造成更大的壓力。企業不得不因為儲存成本而放棄大量寶貴資料。

（2）流不動——由來已久的資料孤島難題

孤立的資料價值並不顯著，只有當資料像水一樣流動起來，才能打破“資料壁壘”，最大化釋放其價值。

資料的“三類孤島”：

應用孤島：不同應用產生的資料分別存放在不同的儲存系統中，而且這些資料由於各自的特徵，彼此之間是無法共享使用的，即形成“應用孤島”問題；
管理孤島：為對生產資料加以保護和使用，會將生產資料的一個副本，複製到各個系統（如備份、容災、歸檔、開發測試和分析系統）中進行管理和使用。即便是同一份資料，為實現不同目的，還需分別儲存、管理和使用，即形成“管理孤島”問題；
地理孤島：由於企業的更新換代，將存在多套儲存裝置，比如生產環境、非生產環境、雲環境和邊緣環境，企業的資料將存放在不同的地方，形成“地理孤島”問題。

（3）用不好——資料供應不足造成應用複雜低效

海量的資料孕育了前所未有的機遇，也帶來了巨大的挑戰。甚至有人說，從來不缺資料，資料多了反而成為一種負擔。也有人說，資料只是資源，而不是資產，很難產生價值。其根本原因是沒有用好資料，資料沒有釋放價值。而影響資料價值釋放的主要原因是資料供應不足，無法反饋業務本質，支援業務決策：大量資料未儲存。

企業每天會產生大量資料，但傳統的資料錄入需要預先的人工規劃，這導致大量非結構化資料以及一些新型的資料無法進入系統（例如IoT資料、影片資料、圖片資料等）。資料的缺失會削弱對業務的感知，無法真實及時地反映出業務本質。

找不到資料傳統企業通常透過資料表來管理和分析資料，規模較大的公司資料表甚至可以達到數百萬張，而且分散在各個業務系統中。如果沒有統一資料目錄和全域性資料檢視，要在上百萬張報表中找到特定的資料，好比大海撈針，無法應對靈活多變的業務需求。

接下來致力於資料融合，發掘資料價值，擁有資料的企業將不斷重新定義人工智慧行業的發展。

二、人工智慧的技術及應用趨勢

從技術層面，近年來取得成功的AI技術大都基於深度學習和神經網路，當前熱門研究方向依然是基於這些方法的改進以及與對抗學習或強化學習等其它思想的融合。

（1）深度學習泛化能力及可解釋性進一步突破

在應用方面，這些技術已經進入了我們的日常生活，比如智慧推薦、機器翻譯、聊天機器人以及各種影像美化應用。

對於近期的未來，人們普遍相信深度學習還有進一步的發展空間，甚至希望徹底改變我們的生活方式，比如很多人都相信成功的自動駕駛技術將會徹底改變我們的生活出行。

同時，由於深度學習在泛化能力以及可解釋性方面的困難，也有人認為深度學習將難以在一些存在嚴格要求的領域發揮真正重要的價值，進一步的突破還需要探索更廣泛的方法。

模型可解釋性深度學習的模型可解釋性已經成為了制約深度學習廣泛應用的一大主要障礙，其在法律和倫理方面引發了些討論和爭議。可以預見這方面的技術探索和社會討論還會繼續。

深度神經網路與新思想融合Al繼續進入人類的日常生活智慧音響進入家庭、人臉識別在守衛街道、機器翻譯、自動駕駛汽車已經上路測試、數字助理正在學習處理越來越複雜的任務……Al應用還會繼續進入更多日常生活場景並繼續改變我們的生活方式。

（2）高效和低成本模型仍是研究熱點

高效和低成本模型儘管目前相當多一些模型已經能夠在較低成本的硬體上有效執行，但要訓練出足夠實用的模型，當前的深度學習方法往往需要大規模資料集和成本高昂的計算硬體。

如何設計高效的訓練方法已經成為當前的一大重要研究主題。對於已經誕生的Mobile Net、Shutfte Net和Pelee Net等一些模型，其實用性仍被認為還有所欠缺。高效和低成本模型仍會繼續是AI領域的一個重要未來方向。

（3）5G與AI融合是另一個發展的大趨勢

在技術成熟度曲線（The Hype Cycle）中，看我們可以充分看到，5G這種基礎設施鋪建的技術推到了風口浪尖，從技術成熟度曲線中，我們不難看出，5G及RPA的發展成了重頭戲，而對機器學習的關注度朝著下降的趨勢發展。

對於某種技術來講，技術本身的發展隨著媒體的關注度會逐年下降，而維持一種技術本身的生命力來說，更多是技術+場景，也是技術本身的實用性和可複製性。

所以對於人工智慧的未來，技術的融合以及技術與場景的融合成了重中之重，AI平臺的建立為更多人贏得了機會，並且也讓技術的快速融合成為了可能。

對於未來來說充滿著各種不確定性，不過沒關係順勢而為這是我們唯一可以堅信的一點，對於我們每個人來說，找到趨勢，順勢而為或許這是我們唯一可做的事情。