2017年，Alpha Go一戰(zhàn)成名，這一年也成為AI的一個重要轉折點，因為人們看到了人工智能可以創(chuàng)造不可估量的商業(yè)價值。

Forrester數(shù)據(jù)顯示，在2020年，企業(yè)在應用AI技術時面臨的最大挑戰(zhàn)還是技術不夠成熟，但到了2021年這一挑戰(zhàn)已經退居第十位。AI應用已經跨越技術不夠成熟階段，開始進入到規(guī)模化發(fā)展階段。

現(xiàn)在像自然語言處理、機器學習、機器視覺等訴求在市場、資本上已經逐漸凸顯，AI+其實早已滲透在人們生活的方方面面。

雖然AI+正如火如荼的推進中，但在AI落地上還是有一定的難點。在Forrester首席分析師穆飛看來，主要體現(xiàn)在AI工程化能力，因為開發(fā)少量AI模型并不難，開發(fā)、部署、監(jiān)控成百上千個AI模型的工程化卻難度較大。

AI的發(fā)展始終離不開數(shù)據(jù)、算法和算力這“三駕馬車”，短短幾年間AI技術實現(xiàn)了飛速的發(fā)展，都是源于三者循環(huán)增強的關系。數(shù)據(jù)和算法都離不開算力的支撐，數(shù)據(jù)的不斷增加需要更強的算力處理數(shù)據(jù)，同時人工智能不斷訓練、應用又催生更多數(shù)據(jù)反過來對算力提出需求。

當然還有一個重要問題就是AI成本居高不下，在算力上，AI的性能變得更強，所需的算力也大幅攀升；在應用上，AI并非即插即用，它不會自己訓練自己，也不可能自我修復，這些都需投入大量人力；在效率上，一個AI模型從研發(fā)到一個產品，經歷周期復雜，流程分散且欠缺標準化，導致開發(fā)效率低。

數(shù)據(jù)清洗標注、算法量產、算力優(yōu)化、生產過程標準化等等方面都是降低AI成本、提高效率、實現(xiàn)規(guī)�；�的因素。

“企業(yè)提高使用AI的效率可以從更高效的數(shù)據(jù)準備（如feature store）、自動化建模以及ModelOps工具鏈入手。”Forrester首席分析師穆飛認為，企業(yè)需要一種科學的AI治理方式，可以借鑒ModelOps方法論，模型開發(fā)僅僅是第一步，應該持續(xù)監(jiān)控并根據(jù)結果及時更新模型，形成流程化、標準化的閉環(huán)。

企業(yè)在衡量AI價值上也不能一味追求技術先進性，要更多落實到業(yè)務流程，通過業(yè)務價值來衡量。當AI廣泛與決策系統(tǒng)聯(lián)動時，也將變革企業(yè)的根本運營模式，超4000億的中國市場規(guī)模也并非空想。

《數(shù)字化轉型方略》2022年第9期：http://www.jimo8.cn/dxinsight/2209