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，但它已經從概念發展到現實，實際應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，只有當你透過世俗的偽裝，才能觀察到它的影響。以一家在30多個國家運營的大型保險公司為例。該公司每年要處理超過2000萬個客戶電話。通過利用語音轉文字技術和自然語言處理，他們能夠分析電話的內容，以滿足特定的業務需求：控制銷售質量，理解客戶的表達和需求，獲得情緒反饋和分析數據，等等。

再看看全球頂級可再生能源生產商AES。可再生能源比傳統能源需要更多的設備來管理和監控。數據科學和AI通過自動化提高AES的運營效率，并提供數據驅動的洞察，增強性能工程師的行動和決策。這確保了滿足正常運行時間的要求，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。

這些和無數已經投入生產的人工智能應用一樣，獲得越來越多的關注。然而到目前為止，人工智能的潛力仍受到三個關鍵限制:

• 計算能力不足;
• 需要將數據綁定到特定的(集中的)位置；
• 缺乏訓練數據。

由于一些關鍵的技術創新，一場翻天覆地的變化正在發生，AI正擺脫這些束縛，企業必須準備好利用這項強大的技術。

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

AI枷鎖1：計算能力

傳統上，企業沒有足夠的處理能力來驅動AI模型并保持其正常運行。企業一直在考慮是否應該完全依賴云環境來獲得所需的資源，還是將計算投資分配給云和內部資源更好。

內部的、預置的GPU集群現在為企業提供了一個選擇。如今，有幾個更大、更先進的組織正在關注生產用例，并投資于他們自己的GPU集群(例如，NVIDIA DGX SuperPOD)。GPU集群為企業提供了運行所需的專用馬力。

大量的訓練模型——如果它們利用基于軟件的分布式計算框架。這樣的框架可以抽象出在不同GPU節點上手動解析訓練工作負載的困難。

AI枷鎖2：集中數據

數據通常被收集、處理和存儲在一個集中的位置，通常被稱為數據倉庫，為公司的工作創造一個單一的真相來源。

維護單一的數據存儲庫使其易于管理、監視和迭代。就像公司現在可以選擇投資于在線或云計算能力一樣，近年來出現了一種通過分散數據來創建數據倉庫靈活性的運動。

數據本地化法則可能使分布式企業的數據無法聚合。而且數據模型的邊緣用例的迅速涌現使得單一數據倉庫的概念不再是絕對的。

今天，大多數組織都在運行混合云，因此數據需要綁定到一個特定位置的日子已經一去不復返了。當我們看到企業繼續利用混合云時，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：訓練數據

缺乏有用的數據一直是人工智能擴散的主要障礙。雖然我們在技術上被數據包圍，但收集和存儲數據可能非常耗時、乏味和昂貴。還有偏見的問題。在開發和部署AI模型時，它們需要是平衡的，沒有偏見，以確保它們產生的見解是有價值的，不會造成傷害。但正如現實世界有偏見，數據也有偏見。為了擴展模型的使用，你需要大量的數據，同時全力修正數據偏見。

為了克服這些挑戰，企業正在轉向合成數據。事實上，合成數據正在急速上升。Gartner估計，到2024年，人工智能應用中60%的數據將是合成的。對于數據科學家來說，數據的性質(真實的或合成的)是無關緊要的。重要的是數據的質量。合成數據消除了潛在的偏差。它的規模也很容易擴大，采購成本也更低。通過合成數據，企業還可以選擇預先標記的數據，從而大大減少了生產和生成用于訓練模型的原料所需的時間和資源。

人工智能的崛起

隨著人工智能從數據質量、計算和位置的束縛中解放出來，更多涉及我們日常生活的用例和更精確的模型將會出現。如今已經看到領先的組織用人工智能優化業務流程，那些不采取行動跟上的組織將處于明顯的競爭劣勢。

為了充分獲得人工智能的好處，實施需要自上而下。雖然數據科學家做著模型開發和部署的艱苦工作，但為了將人工智能最好地融入他們的商業戰略，高管們也必須接受有關概念的教育。了解人工智能技術及其潛力的行政領導者可以對人工智能進行更好的戰略投資，從而對他們的業務進行更好的戰略投資。

相反，當他們不知道人工智能如何有效地支持商業目標時，他們可能只會把錢投入某些應用，并希望利用人工智能和人工智能的新研究項目取得成果。這是一種次優的自底向上方法。相反，高管需要與數據科學從業者和員工領導者合作，學習如何將這些技術最好地融入到他們的常規商業計劃中。

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)，那么是時候讓企業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，進而幫助這些企業在當今的數字經濟中保持競爭力。