过去几年中，令人屏息的新闻剪辑数量令人难以记住，但人工智能的历史充满了挫折和挫折。 记忆犹新的人们记得70年代初和80年代的第一对所谓的" AI冬季"。 首先是由于对AI的幻灭而造成的，而第二个(可能更重要的)冬天诞生了，因为技术和物理硬件远远落后于当今的理论。 例如：科学家发明了反向传播的概念，它是深度学习的基础，但是直到现代的GPU大量出现后，真正的必要的计算能力才真正发挥出来。
现在，当然，情况已经改变。 计算是随时可用的。 我们正在研究数据。 政府正在投资研究。 大学生正在研究机器学习。 媒体报道了AI，这是技术的下一次巨变。 一切似乎都朝着未来的趋势发展，在这种情况下，人工智能已经相当普遍，公众也理解并接受了它的承诺和实用性。
不幸的是，"似乎"是最后一句话中的执行词。 企业正在投资人工智能，但只有约三分之一的企业看到了投资回报。 而且，如果该投资回报率仍然难以捉摸，那么就很容易预测投资将开始萎缩的世界，尤其是在全球性经济环境中，这种经济环境由于史无前例的大流行而变得动荡不定。 与其享受上一个AI冬季以来的持续解冻，不如轻松地看着温度再次下降。
但是请注意，问题不在于AI不能赚钱还是不能赚钱，而是可以。 例如，许多流程自动化AI项目都是成功的。 考虑一下那些"阅读"法律文件并提取信息的AI，或者分类和处理客户沟通或核对账单问题的AI。 当然，这些不是最性感或最复杂的用例，但它们可以为公司省钱，因此您知道他们很快就不会去任何地方。
因此，如果AI可以赚钱，为什么只有35%的公司看到投资回报? 一个很大的原因是，构建和训练模型的成本仍然过高。 好吧，那为什么呢? 正是由于最近的另一种趋势席卷了整个企业，尤其是科技界：大数据。
问自己：您听过多少次"更多数据"才能使模型变得更好? 实际上，这是错误的。 高质量的数据使模型更好。 有用且标签明确的数据使模型可以工作。 有无数的数据? 其实并不重要。 尤其是在无法证明数据有用的情况下。 当您处理我们在此谈论的数量时，这很难做。
现实情况是，由于缺乏更好的期限，投资者以及大数据行业一直保持着对大数据的首要地位的叙述。 大数据的成本是AI成本的巨大推动力。 人工智能和机器学习从业者所担心的是，那些完全相信自己需要堆积所有数据(即使他们看不到这样做的明显效用)的公司可能会开始撤回对人工智能的投资，以支持建立大数据。 但是，首先存储所有数据比较大的原因是，您可以进行预测并从中构建AI。 换句话说，我们实际上正处于大数据扼杀AI投资的危险中-奇怪的是，这首先存在于AI中的一个重要原因!
还有一个问题是，小公司受大数据负担的影响更大。 对于较小的组织来说，存储数据和训练模型的门槛更高。 当您将所有这些与摩尔定律已经结束的事实结合在一起时，您可以开始看到对服务器空间和计算真正的经济竞争的未来。 这就像是对潜在的AI冬季的预测。
那么在这里可以做什么? 从业者将必须带头。 我们需要表达自己的需求，而不是大数据的需求。 我们需要投资于有助于AI获利的公司和解决方案，而不是那些仅用于组织和构造大数据的解决方案。 我们必须努力使该行业在货币和环境方面都可持续。 我们必须拒绝拥有更多数据总是可取的旧观念。 因为，坦白说不是。 太多公司堆积数据而没有太多实际用途。 我们需要能够清除实际上没有理由保留的旧的无用数据。 我们必须投资于数据质量度量，而不是用于保留数量的地方。
