人工智能大规模的落地需要避过哪一些坑

风云变幻，谁主沉浮！在人工智能 60 年的发展历程之中，从 1956 年美国达特茅斯会议中人工智能概念的落地，到成本太高难以实现商用的寒冬，再到神经网络、机器学习等技术的爆发，跌宕起伏的人工智能开始从小步慢走迭代进入大步快跑时代。

不过，在技术的逐渐成熟背后，人工智能的商业化究竟该如何实现？其规模化落地还存在哪些痛点？技术、产品与平台又该如何高效结合？接下来，在探讨这些问题的解决方案之前，我们不妨先对人工智能的下一步走向及商业前景进行一波深入的分析。

人工智能将变得更加智能

近几年，我们亲眼见证了人工智能在自动驾驶、医疗、工业等多个行业的深入应用，在此过程中，不少用户会把人工智能误认为是预定义的输出，即研发者从一开始“培训”了人工智能机器，设置了固定的输出程序。

但事实上，人工智能具备不断自我学习的能力，也可以产生开箱即用的想法。2018 年，佐治亚理工学院和谷歌大脑的研究者开发了 GAN 的可视化工具 GAN Lab（https://poloclub.github.io/ganlab/）实际就证实了这一点，该工具无需安装也无需专门的硬件，通过网页浏览器就可以应用，使机器学习超越了传统方法。未来，人工智能可以学习并产生高质量的结果。

纠正错误

人工智能最基础层面上，是人为设计的程序。然而就像人的大脑一样，它们也会出现 Bug。虽然人类倾向于以自己的道德 *** 守来纠正自己，但人工智能却会忽略这一点。

现如今，人工智能被引入到了全球很多重要的领域，如医疗、银行、运输等，在这些领域中，一旦发生 Bug，将会带来严重的后果。因此，科学家们正努力在不降低性能的情况下增强神经网络及其功能，并制定了一系列有目标的计划，以实现自动化决策。可以说，AI 的可解释性逐步有了进展，它将遵循了我们一直在谈论的道德规范，随着时间的流逝，人工智能会变得更好。

将创造自己的环境

虽然现在难以想象，但在未来一定会成为现实，即人工智能有能力成为企业新的业务 *** 作系统，对此，据外媒 Dzone 报道，其曾讨论了人工智能是如何被训练与逐步管理机器学习模型的，可大致将其分为 6 个步骤：

模型部署

模型评分/服务

收集指标/故障

监控模型性能

分析结果和错误

再训练模型

B2B 变得更加简化

认识超自动化

Gartner 将超自动化（ HyperautomaTIon）引入 2020 年的十大战略技术趋势中。正如它所声称的那样，“ 超自动化通常会导致组织数字孪生的产生。”

为什么不呢？它包含了组织提高人工智能决策能力所需的一切，例如机器人流程自动化、智能业务流程管理软件等等。

责任编辑：ct