过去几年令人叹为观止的新闻片段数量难以记起，但人工智能的历史充满了挫折和挫折。记忆深刻的人还记得70、80年代初的第一对所谓的“AI冬天”。第一个是对AI的幻想破灭造成的，第二个（可能更重要的）冬天是因为技术和物理硬件远远落后于今天的理论而诞生的。例如：科学家发明了反向传播的概念，它是深度学习的基础，但直到现代GPU大量出现，才真正发挥出真正必要的计算能力。当然，现在情况发生了变化。计算很容易获得。我们正在处理数据。政府正在投资于研究。大学生正在学习机器学习。媒体报道了人工智能，这是技术的下一个重大变革。一切似乎都在走向未来，在这种情况下，人工智能已经变得相当普遍，公众理解并接受它的前景和用途。不幸的是，“似乎”是最后一句话中的关键词。企业正在投资人工智能，但只有大约三分之一的企业看到了投资回报。如果这种投资回报仍然难以捉摸，那么很容易预测投资将开始萎缩的世界，尤其是在受到前所未有的大流行病冲击的全球经济环境中。与其享受上一个AI冬天的持续解冻，不如眼睁睁地看着温度再次下降。但是请注意，问题不是人工智能能不能赚钱，而是它能。例如，许多过程自动化AI项目都取得了成功。考虑“阅读”法律文件并提取信息，或分类和处理客户通信或账单核对问题的人工智能。诚然，这些并不是最性感或最复杂的用例，但它们可以为公司节省资金，因此您知道它们不会很快消失。那么，如果人工智能可以赚钱，为什么只有35%的公司看到投资回报？一个很大的原因是构建和训练模型的成本仍然高得令人望而却步。那么，为什么？正是因为最近另一个席卷企业，尤其是科技界的趋势：大数据。问问自己：您听说过多少次“更多数据”让您的模型更好？其实，这是错误的。高质量的数据使模型更好。有用且标记良好的数据使模型能够工作。有海量数据？这并不重要。尤其是在无法证明数据有用的情况下。当您处理我们在这里讨论的数量时，这很难做到。现实情况是，由于没有更好的术语，投资者和大数据行业一直坚持大数据至上的说法。大数据的成本是人工智能成本的一个巨大驱动因素。AI和机器学习从业者的担忧是，那些完全相信他们需要堆积所有数据（即使他们认为这样做没有明显用处）的公司可能会开始撤回AI投资以支持构建大数据。但是，存储所有这些数据的首要原因是，你可以做出预测并从中构建人工智能。换句话说，我们实际上处于大数据扼杀AI投资的危险中——奇怪的是，这首先是AI存在的一个重要原因！还有一个问题是，小公司更容易受到大数据负担的影响。对于较小的组织，存储数据和训练模型的进入门槛更高。当您将所有这些与摩尔定律结束的事实结合起来时，您可以开始看到服务器空间和计算的真正经济竞争的未来。这就像对潜在的AI冬天的预测。那么在这里可以做什么呢？从业者必须带路。我们需要表达自己的需求，而不是大数据的需求。我们需要投资于有助于将AI货币化的公司和解决方案，而不是那些仅用于组织和构建大数据的公司和解决方案。我们必须努力使该行业在货币和环境方面都可持续发展。我们必须拒绝拥有更多数据总是可取的旧观念。因为，坦率地说不是。太多的公司在没有太多实际用途的情况下堆积数据。我们需要能够清除确实没有理由保留它的旧无用数据。我们必须投资于数据质量指标，而不是我们保持数量的地方。
