近年来，在算法、算力与数据三大因素的独特驱动下，人工智能进入高速倒退阶段。
相干预测数据显示，2018-2022 年人工智能行业复合年增长率达到达 31%，至 2035 年，人工智能将推动中国劳动生产率进步 27%，经济总增加值预计晋升 7.1 万亿美元。
然而人工智能行业在倒退的过程中也并非一帆风顺，统计资料显示，自 2012 年国内人工智能守业热潮衰亡后，新创企业以 48% 的年复合增长率高速增长，2016 年达到高峰，尔后 AI 守业企业数量断崖式上涨，2020 年 1 - 4 月，AI 新创企业仅为 2019 年的 12.5%。
数据起源：亿欧智库
人工智能行业历经多年疾速倒退，逐渐进入一个瓶颈期。一个很重要的影响因素就是 AI 落地难。
家喻户晓，企业的最终目标是盈利，只有将 AI 技术利用到事实世界里，能力为企业发明利润价值。然而，很多 AI 企业在深刻产业落地的过程中发现，人工智能技术与事实需要之间依然存在鸿沟。
企业用户的外围指标是利用人工智能技术实现业务增长，而目前人工智能技术自身无奈间接解决业务需要，须要依据具体的业务场景与指标，造成可规模化落地的产品与服务。
在此过程中，人工智能在业务场景、数据等诸多场景都面临一系列挑战。
1. 业务场景
随着人工智能深刻落地各垂直行业，相干人工智能企业曾经逐渐从晚期技术驱动阶段向商业驱动阶段过渡，解决的业务问题也从通用场景、单点问题倒退到特定场景、全流程业务中。
目前，基于视觉、语音和文本的 AI 技术绝对较为成熟，在安防、医疗、金融等畛域逐步开始落地后果。不过随着业务场景的复杂度和进入壁垒变得更高，对业务场景理解能力的要求也一直晋升，人工智能企业的倒退将更加依赖落地场景的洞察以及解决行业理论需要的能力。
2. 数据服务
算法、算力与数据是形成人工智能三个重要的基本要素，其中数据是根底。
近年来人工智能尽管在计算机视觉、智能语音领等特定畛域实现了冲破，但尚未具备通用性，AI 技术整体还处于依靠通用数据驱动的感知智能阶段。随着 AI 技术在各个场景中逐渐开始落地，对于数据服务行业也提出了新的要求。
以数据标注畛域为例，随着业务场景不断深入垂直行业，数据标注的复杂度也在一直晋升。
首先细分业务场景要求数据标注服务供应商具备场景化标注能力。例如，在汽车主动驾驶畛域，数据标注解决的标注场景通常包含换道超车、通过路口、无红绿灯管制的无爱护左转、右转，以及一些简单的长尾场景诸如闯红灯车辆、横穿马路的行人、路边违章停泊的车辆等等。
这对数据标注服务商的场景化标注能力有着极高的要求，此外细化的标注场景对标注员的专业知识能力要求也很高，进一步晋升了数据标注的门槛和老本。
此外，人工智能落地利用从通用场景过渡到特定场景也带来了数据需求量的几何级晋升。目前数据标注行业仍属于劳动密集型产业，数据标注服务商扩充产能最罕用的形式就是裁减标注团队人数，用数量进步数量，但与之绝对应的是人力老本的飙升。
以上这些问题的存在曾经在很大水平上妨碍了人工智能商业落地过程。为了革除妨碍，更好地开释人工智能的商业价值，一方面须要深度交融于行业，与行业企业深度单干、独特进行场景适配开掘; 另一方面，要充分发挥数据对于人工智能的根底撑持作用，用海量优质的数据建设低劣的利用模型，引领企业数字化转型过程，助力开释 AI 有限市场潜力。