人工智能（AI）从实验室到实际应用有何不同？

当人工智能进入实际应用时，碰到的大多数都是复杂的问题。 然而现阶段， 人工智能对于这些问题，并不能进行有效的自行分解和信息收集， 导致在实际的工作中，往往卡壳在数据问题上。

[[429998]]

其中如下问题比较突出：

1. 数据可得性问题， 由于数据权属导致大量且结构化的业务数据极其难找， 或者需要花费大量精力
2. 脏数据问题， 在实际生产过程中， 90%以上的精力被花费在数据清洗过程中。在实际的数据生产过程中各种技术问题、人为偏见问题、信息标注问题，都可能导致数据出错。
3. 数据流转动速的问题， 在实验室中， 你很容易拿着两份数据来评估模型的准确性。但进入实际应用中，我们往往预测的是未来， 这个时候，现实数据能不能及时喂给模型就很重要了。 

不充分的数据造成算法偏见， 比如以人脸来判断犯罪概率

目前的大数据和人工智能算法中仍然存在着大量的数据缺口，以及偏见， 就如搜索中的性别问题、外卖算法无法帮助骑手识别风险等等。

现实问题过于复杂， 所以AI的大规模应用， 必然要伴随整个社会数据使用生态的改良，数据安全在有序的状态下公平正义地运行。