图片40

AI近几年来很火，特别借由DeepMind发布的AlphaGo在围棋领域击败人类一事，它一度被推上了“神坛”。DeepMind与一款全新的AlphaStar相比，已经有两年多的时间了，这次又一次让人类败北。

虽然已经取得的成绩令人瞩目，但现实生活中，AI仍未真正融入生活，成为改变世界的重要力量。现在看来，一个成熟的AI需要相当长的一段路，无论是底层技术，还是相应的培训，甚至对相关人才的培养，都是远远不够的。AI是AIoT的核心技术之一，其开发对于AIoT的落地仍有重要影响。

算力太贵

AI计算平台的构建，需要大量的CPU和GPU。当前AI产品AlphaGo所使用的TPU是一种类似GPU的算法芯片，其能源消耗比非常高。AlphaGo训练的算力相当于12000个普通消费者级别1080TI，花费超过千万。

一般电脑的计算能力是有限的，用它来训练一个模型通常需要几个星期到几个月。频繁而密集地使用高速计算资源，代价也常常难以估算。这类支出对于大公司来说可能要承受得起，但是对于中小企业来说，常常是难以负担的大笔费用。

正因为AI对计算的要求非常高，对高性能计算芯片的需求很高，国内企业在这方面还在不断努力，比如不久前华为发布的麒麟920，就是因为华为最近推出的麒麟920芯片，现在已经宣布了多款AI芯片。不过，这并不意味着芯片价格将大幅下降，对企业而言，仍需要大量的硬件支持，这也意味着企业要花费大量的资金来购买所需的算力。

训练太慢

AI芯片在设计和生产之后，实际上是做不到的，想要使其达到真正的智能化，需要大量正确、适当的例子来训练。正如教宝宝逐步学习说话和走路，AI的训练过程也是漫长而困难的，也更加复杂。

AI基本上仍然是一台机器，它没有真正的智能。就识别图像来说，AI需要对上亿张图像进行数据标注，记住其对应的数据特征，在实际识别中完成的是一种概率判断。因此，AI“思考”的核心就是机器算法，而不像人那样真实地思考问题。由于这种情况，AI的训练需要很长的时间，到目前只需要几个星期就能进行简单识别，面对未来应用场景的丰富，需要在算法层面上加强。

另外，今天想进入AIoT领域的企业大多是家电和硬件厂商，虽然他们对各自领域的相关技术和规定了如指掌，但是对于进入AI这一完全陌生的领域，其自身对于算法的积累几乎为零，对于相关产品，从零开始设计相关算法和完成培训，这也是一项很大的工作。

应用太浅

虽然AI在近年来十分热门，但它仍处于发展的初期，在理想的实验室环境下，要将成功的产品应用到生产生活中仍有困难。造成这种情况的主要原因有两个，一是数据少，另一种是AI不独立。虽然AIoT可能可以解决AI数据少的问题，但AI对于不同领域的问题，落地仍有困难，难以扩展，效率低下。

对AIoT而言，在物联网设备中应用AI的数量很多，首先要解决的是兼容问题。物联网并不都是单一标准，而要推广一种新技术的应用，需要解决的兼容性问题很多，需要大规模部署。另外，从热火朝天的智能音箱中可以看到，目前AI相关技术还多停留在语音交互方面，对于其它交互还没有很好的解决方案，对于语音交互的应用场景还不够普及。

AIoT想要跨越AI这一高峰，需要解决整个场景问题，从基本算法到开发培训，到应用部署能力，等等。今后AIoT的发展和落地，还需要企业之间的竞争和合作，以促进资源共享和技术进步。