作者：中联科创特约嘉宾尹智
c) 隐私问题：国内众多收集和存储用户数据，尤其是个体用户数据的的机构，比如零售、交通行业、政府，涉及很大的数据隐私防泄漏和滥用的风险。在这些机构的人工智能研发和应用中，如何避免训练数据集的隐私泄露（大话题，下一篇文章特别阐述）会是一个关键话题，目前来说，国外的科技公司走的比较远，苹果和谷歌都在采取“differential privacy” 差分隐私的策略，通过对个体数据加入干扰噪声来降低个体隐私数据的可对应性，但在群体数据的分析上相应反向调整干扰数据，从而在不影响群体数据整体分析效果的同时，保护个人数据隐私。国内外的主要人工智能技术厂商，也都在数据收集、使用和移动方面，采取了积极措施，比如AI模型训练的“联邦学习”方式，各数据拥有方可以在不向对方公布自己所有数据的同时，利用数据加解密技术交换模型训练的参数，从而达到共同训练模型的目的。
二）市场缺乏同时具备行业经验和人工智能架构能力的专业咨询团队：目前人工智能研发和产品还相对处在实验室向工业化应用过渡过程中，市场的业务痛点，和创新型方案，设想，很多需要结合业务规则和流程，信息系统，数据平台等一系列机制和驱动力，才能与人工智能应用融合并产生化学反应，创造业务价值，这和现在AI技术提供商的产品和解决方案，有相当大的差距。我跟人工智能技术公司的一位新零售负责人讨论AI在零售行业的方案时，就提到客户对视觉智能并不是很买单，分析下来，客户需要的是能反映在销量或者成本上的效益，视频分析固然可以提供部分客户和商品销售洞见，但如果不和CRM，客户数据平台，甚至促销和打折业务规则结合起来，只能是整个链条的一个分析环节而已。
除了在安防，视频处理等需求高度明确的行业，我们看到更多的是，一个好的AI能力，还需要和业务咨询、系统应用开发等能力结合起来，才能形成端到端的能力和直接价值。而能够设计端到端的方案架构、串联各层能力的团队，需要同时在行业、数字化和人工智能领域有架构整合能力，这是市场上非常稀少的。而随着AI应用和AI场景的普及，对AI可形成竞争优势的共识形成，市场对AI规划和落地咨询的需求，必然会越来越大。
三）赋能平台还不成熟：人工智能研发和应用体系是一个非常复杂的综合性工程，从模型数据的采集，处理，到模型的选择，开发，设计，训练，到模型的调优，部署，到应用集成，整个链条各个环节，虽然都存在工具可以选择，但每一环节和上下游的集成，效率优化，都需要专业的AI和IT技能。比如目前主流的AI计算基础设施，取决于AI模型计算类型、框架、模型类型、部署类型、应用场景，存在多种架构、多种体系，多种计算方式，多种复杂参数的组合，需要非常专业的AI算法、框架、基础设施管理的综合专业经验和平台能力，才能有效管理系统资源分配和利用效率。靠组合各种工具和框架来管理整个过程，不仅需要自己具备各类能力，而且使用体验得不到保障，造成的人力和资源浪费，更是非常不经济，这客观上催生了对能管理端到端AI全流程的平台的需求。到目前位置，这类可以有效降低AI技术门槛的赋能平台，还在发展和磨合期间。
尽管这些问题都不是短期可以有明确答案的，人工智能应用的机遇和挑战必然是并存而互相驱动的，挑战越大，潜在机会也就越大。这个话题，我们在下一篇文章里详细讨论。——仅代表尹智个人观点，KEN's personal view only
