當下社會投資風口，大致分為
人工智能、
區塊鏈和
物聯網。從上帝視角來看，這三種企業技術背后的驅動因素都是數據。所以人們更愿意相信，在互聯網時代，“數據就是新的石油。”
人工智能的發展痛點
“人工智能”一詞最初是在1956年DARTMOUTH學會上提出，主要包含三個核心部分：算法、算力及數據。
更通俗的解釋就是，如果把人工智能比作建造太空火箭，那么數據和算力就是燃料，算法就是發動機。
大數據時代的數據隔離
從數據的角度來看，人工智能就像一只需要非常龐大的數據來“飼養”的動物。
因為人工智能在構思機器學習方法，需要足夠多的數據來驗證和訓練，從而使數據的收集、共享、分析以及基于這些數據的決策自動化成為了可能。
但當下的很多數據大都掌握在中心化的企業手中，如Google、Facebook、BAT等。
一些AI發展所需的訓練數據，諸如：個人的消費記錄、醫療數據、教育數據、行為數據等，不僅不能隨意地被個人支配，且中心化嚴重，數據流通市場還未形成。
AI的高速發展，在造就了大數據的同時，也被大數據時代帶來的信息孤島所束縛。
計算量倍增的壓力
從人工智能發展的關鍵節點來看：1975年之后，學者開始著手研究BP(Back Propagation，后向傳播)算法。
1986年之后，研究上基本實現了BP網絡，同期計算機硬件能力快速提升；2006年之后，隨著移動互聯網發展，海量數據爆發，深度學習算法在語音和視覺識別上實現突破，人工智能商業化高速發展。
如同 OpenAI 最近的一份報告所述，自2012年以來，最大的AI培訓運行中使用的計算量呈指數增長，為3.5個月的倍增時間（相比之下，摩爾定律有 18個月的倍增期）。自2012年以來，該指標增長了300,000多個（18個月的倍增期僅增長了12倍）。
OpenAI 報告：人工智能與計算
這一時期，計算的改進是人工智能進步的關鍵原因。
然而如果繼續按照這種趨勢發展下去，許多配置就需要更新。也就是說，一個企業用于處理數據的 GPU 等各式各樣的芯片，每年可能需要提高差不多 5-10 倍的性能，才能勉強追上企業AI發展的步伐，而這些飛快的更新迭代也需要大量投入資金。
也就是說，傳統人工智能不僅在數據層面上面臨著被大型機構壟斷等困境，在算力層面上面臨著購置硬件資源導致的資金難題，在算法層面上面臨著算法運行不穩定等難題。
這些暫且還未提及數據來源、質量以及隱私等諸多亟待解決的問題。
版權申明：本內容來自于互聯網，屬第三方匯集推薦平臺。本文的版權歸原作者所有，文章言論不代表鏈門戶的觀點，鏈門戶不承擔任何法律責任。如有侵權請聯系QQ：3341927519進行反饋。
