AI已过万重山，成本降低有何难？

2017年，Alpha Go一战成名，这一年也成为AI的一个重要转折点，因为人们看到了人工智能可以创造不可估量的商业价值。

Forrester数据显示，在2020年，企业在应用AI技术时面临的最大挑战还是技术不够成熟，但到了2021年这一挑战已经退居第十位。AI应用已经跨越技术不够成熟阶段，开始进入到规模化发展阶段。

现在像自然语言处理、机器学习、机器视觉等诉求在市场、资本上已经逐渐凸显，AI+其实早已渗透在人们生活的方方面面。

虽然AI+正如火如荼的推进中，但在AI落地上还是有一定的难点。在Forrester首席分析师穆飞看来，主要体现在AI工程化能力，因为开发少量AI模型并不难，开发、部署、监控成百上千个AI模型的工程化却难度较大。

AI的发展始终离不开数据、算法和算力这“三驾马车”，短短几年间AI技术实现了飞速的发展，都是源于三者循环增强的关系。数据和算法都离不开算力的支撑，数据的不断增加需要更强的算力处理数据，同时人工智能不断训练、应用又催生更多数据反过来对算力提出需求。

当然还有一个重要问题就是AI成本居高不下，在算力上，AI的性能变得更强，所需的算力也大幅攀升；在应用上，AI并非即插即用，它不会自己训练自己，也不可能自我修复，这些都需投入大量人力；在效率上，一个AI模型从研发到一个产品，经历周期复杂，流程分散且欠缺标准化，导致开发效率低。

数据清洗标注、算法量产、算力优化、生产过程标准化等等方面都是降低AI成本、提高效率、实现规模化的因素。

“企业提高使用AI的效率可以从更高效的数据准备（如feature store）、自动化建模以及ModelOps工具链入手。”Forrester首席分析师穆飞认为，企业需要一种科学的AI治理方式，可以借鉴ModelOps方法论，模型开发仅仅是第一步，应该持续监控并根据结果及时更新模型，形成流程化、标准化的闭环。

企业在衡量AI价值上也不能一味追求技术先进性，要更多落实到业务流程，通过业务价值来衡量。当AI广泛与决策系统联动时，也将变革企业的根本运营模式，超4000亿的中国市场规模也并非空想。