人工智能終于證明了幾十年來一直圍繞著它的炒作是正確的。雖然人工智能還不是人類的救世主，但它已經(jīng)從概念發(fā)展到現(xiàn)實(shí)，實(shí)際應(yīng)用正在讓我們的世界變得更美好。

　　然而，許多人工智能的神奇壯舉都是隱藏的，只有當(dāng)你透過世俗的偽裝，才能觀察到它的影響。以一家在30多個(gè)國家運(yùn)營的大型保險(xiǎn)公司為例。該公司每年要處理超過2000萬個(gè)客戶電話。通過利用語音轉(zhuǎn)文字技術(shù)和自然語言處理，他們能夠分析電話的內(nèi)容，以滿足特定的業(yè)務(wù)需求：控制銷售質(zhì)量，理解客戶的表達(dá)和需求，獲得情緒反饋和分析數(shù)據(jù)，等等。

　　再看看全球頂級(jí)可再生能源生產(chǎn)商AES。可再生能源比傳統(tǒng)能源需要更多的設(shè)備來管理和監(jiān)控。數(shù)據(jù)科學(xué)和AI通過自動(dòng)化提高AES的運(yùn)營效率，并提供數(shù)據(jù)驅(qū)動(dòng)的洞察，增強(qiáng)性能工程師的行動(dòng)和決策。這確保了滿足正常運(yùn)行時(shí)間的要求，并盡可能快速、高效和低成本地將清潔能源交付給客戶。AES也在為拯救世界盡自己的一份力。

　　這些和無數(shù)已經(jīng)投入生產(chǎn)的人工智能應(yīng)用一樣，獲得越來越多的關(guān)注。然而到目前為止，人工智能的潛力仍受到三個(gè)關(guān)鍵限制:

　　計(jì)算能力不足;

　　需要將數(shù)據(jù)綁定到特定的(集中的)位置;

　　缺乏訓(xùn)練數(shù)據(jù)。

　　由于一些關(guān)鍵的技術(shù)創(chuàng)新，一場(chǎng)翻天覆地的變化正在發(fā)生，AI正擺脫這些束縛，企業(yè)必須準(zhǔn)備好利用這項(xiàng)強(qiáng)大的技術(shù)。

　　讓我們來看看這些限制因素——阻礙人工智能發(fā)展的枷鎖——以及未來它們是如何被打破的。

　　AI枷鎖1：計(jì)算能力

　　傳統(tǒng)上，企業(yè)沒有足夠的處理能力來驅(qū)動(dòng)AI模型并保持其正常運(yùn)行。企業(yè)一直在考慮是否應(yīng)該完全依賴云環(huán)境來獲得所需的資源，還是將計(jì)算投資分配給云和內(nèi)部資源更好。

　　內(nèi)部的、預(yù)置的GPU集群現(xiàn)在為企業(yè)提供了一個(gè)選擇。如今，有幾個(gè)更大、更先進(jìn)的組織正在關(guān)注生產(chǎn)用例，并投資于他們自己的GPU集群(例如，NVIDIA DGX SuperPOD)。GPU集群為企業(yè)提供了運(yùn)行所需的專用馬力。

　　大量的訓(xùn)練模型——如果它們利用基于軟件的分布式計(jì)算框架。這樣的框架可以抽象出在不同GPU節(jié)點(diǎn)上手動(dòng)解析訓(xùn)練工作負(fù)載的困難。

　　AI枷鎖2：集中數(shù)據(jù)

　　數(shù)據(jù)通常被收集、處理和存儲(chǔ)在一個(gè)集中的位置，通常被稱為數(shù)據(jù)倉庫，為公司的工作創(chuàng)造一個(gè)單一的真相來源。

　　維護(hù)單一的數(shù)據(jù)存儲(chǔ)庫使其易于管理、監(jiān)視和迭代。就像公司現(xiàn)在可以選擇投資于在線或云計(jì)算能力一樣，近年來出現(xiàn)了一種通過分散數(shù)據(jù)來創(chuàng)建數(shù)據(jù)倉庫靈活性的運(yùn)動(dòng)。

　　數(shù)據(jù)本地化法則可能使分布式企業(yè)的數(shù)據(jù)無法聚合。而且數(shù)據(jù)模型的邊緣用例的迅速涌現(xiàn)使得單一數(shù)據(jù)倉庫的概念不再是絕對(duì)的。

　　今天，大多數(shù)組織都在運(yùn)行混合云，因此數(shù)據(jù)需要綁定到一個(gè)特定位置的日子已經(jīng)一去不復(fù)返了。當(dāng)我們看到企業(yè)繼續(xù)利用混合云時(shí)，他們獲得了混合云的所有好處——包括在邊緣部署模型的靈活性。

　　AI枷鎖3：訓(xùn)練數(shù)據(jù)

　　缺乏有用的數(shù)據(jù)一直是人工智能擴(kuò)散的主要障礙。雖然我們?cè)诩夹g(shù)上被數(shù)據(jù)包圍，但收集和存儲(chǔ)數(shù)據(jù)可能非常耗時(shí)、乏味和昂貴。還有偏見的問題。在開發(fā)和部署AI模型時(shí)，它們需要是平衡的，沒有偏見，以確保它們產(chǎn)生的見解是有價(jià)值的，不會(huì)造成傷害。但正如現(xiàn)實(shí)世界有偏見，數(shù)據(jù)也有偏見。為了擴(kuò)展模型的使用，你需要大量的數(shù)據(jù)，同時(shí)全力修正數(shù)據(jù)偏見。

　　為了克服這些挑戰(zhàn)，企業(yè)正在轉(zhuǎn)向合成數(shù)據(jù)。事實(shí)上，合成數(shù)據(jù)正在急速上升。Gartner估計(jì)，到2024年，人工智能應(yīng)用中60%的數(shù)據(jù)將是合成的。對(duì)于數(shù)據(jù)科學(xué)家來說，數(shù)據(jù)的性質(zhì)(真實(shí)的或合成的)是無關(guān)緊要的。重要的是數(shù)據(jù)的質(zhì)量。合成數(shù)據(jù)消除了潛在的偏差。它的規(guī)模也很容易擴(kuò)大，采購成本也更低。通過合成數(shù)據(jù)，企業(yè)還可以選擇預(yù)先標(biāo)記的數(shù)據(jù)，從而大大減少了生產(chǎn)和生成用于訓(xùn)練模型的原料所需的時(shí)間和資源。

　　人工智能的崛起

　　隨著人工智能從數(shù)據(jù)質(zhì)量、計(jì)算和位置的束縛中解放出來，更多涉及我們?nèi)粘Ｉ畹挠美透_的模型將會(huì)出現(xiàn)。如今已經(jīng)看到領(lǐng)先的組織用人工智能優(yōu)化業(yè)務(wù)流程，那些不采取行動(dòng)跟上的組織將處于明顯的競(jìng)爭劣勢(shì)。

　　為了充分獲得人工智能的好處，實(shí)施需要自上而下。雖然數(shù)據(jù)科學(xué)家做著模型開發(fā)和部署的艱苦工作，但為了將人工智能最好地融入他們的商業(yè)戰(zhàn)略，高管們也必須接受有關(guān)概念的教育。了解人工智能技術(shù)及其潛力的行政領(lǐng)導(dǎo)者可以對(duì)人工智能進(jìn)行更好的戰(zhàn)略投資，從而對(duì)他們的業(yè)務(wù)進(jìn)行更好的戰(zhàn)略投資。

　　相反，當(dāng)他們不知道人工智能如何有效地支持商業(yè)目標(biāo)時(shí)，他們可能只會(huì)把錢投入某些應(yīng)用，并希望利用人工智能和人工智能的新研究項(xiàng)目取得成果。這是一種次優(yōu)的自底向上方法。相反，高管需要與數(shù)據(jù)科學(xué)從業(yè)者和員工領(lǐng)導(dǎo)者合作，學(xué)習(xí)如何將這些技術(shù)最好地融入到他們的常規(guī)商業(yè)計(jì)劃中。

　　2023年，我們有望看到人工智能的束縛逐漸被放松(如果沒有被完全打破的話)，那么是時(shí)候讓企業(yè)通過投資解決方案來幫助釋放人工智能的全部潛力了，這些解決方案將讓世界變得更美好，進(jìn)而幫助這些企業(yè)在當(dāng)今的數(shù)字經(jīng)濟(jì)中保持競(jìng)爭力。