随着ChatGPT的问世，且引起的轰动性！无疑，人工智能未来必然是我们发展的方向，那么在人工智能发展的过程中有哪些痛点需要解决呢？

但是，AI人工智能行业在国内走得可是举步维艰，国内大厂被美国卡脖子不是一天两天的事儿！

国内AI人工智能行业要想发展起来，厄待解决的痛点问题最大之一就是：人才难寻。

• 痛点一丨人才稀缺，僧少粥少

国内AI人工智能在人才方面极度稀缺，这也是整个国内行业市场上最大的痛点，由于国内的行业环境，很多高端人才都已经在国外不准备回国发展，所有国内的领域人才真的是稀缺，各个大厂都在高价抢人。据行业报告数据显示，全球在人工领域的人才不足25万人，其中在美国的人才最多。其余主要分布在欧洲，印度，加拿大等。其中有10年以上工作经验的不足30%。所以哪个国家，企业想在人工智能领域做出成绩，首先就是人才的争夺。

要发展自身行业，首先出现的问题就是人才稀缺，人才的优秀程度，人才的聚集程度，决定了一个企业走向欣荣还是衰败。

• 痛点二丨算力限制，能力不够

就单单从专业出发，想要进行人工智能算力平台的搭建，需要大量的CPU和GPU。而谷歌公司的AlphaGo使用的TPU，类似于GPU的一种算法芯片，能耗功效比非常高。训练AlphaGo需要的算力相当于我们市面上常见的消费级3080等级的显卡，大约需要10000张，至少千万级别的开支。

对于谷歌，Facebook，腾讯等这样的巨头公司，这样的开销也许不算什么。但是对于一些规模较小的公司，这将是非常大的一个问题。想要形成行业规模，单单靠个别公司其实是不够的，必须得需要大多数都能掌握技术，毕竟人工智能想要步入成熟期，必须解决算力成本问题。

• 痛点三丨数据稀缺，物料不足

AI模型不仅仅目前不仅需要进行人工对信息标记，同时也需要巨量数据才可以达到人类正确识别的程度。以AlphaGo为例，在击败李世石的那个版本AlphaGo进行了3000万次图谱学习。击败柯洁的那个版本，进行了400多万次，自我对弈。

最新的ChatGPT的算力也是高得吓人，除了对数据量的需求极大，对数据的维度也要求尽可能的全面。总之就是，能有最好都给我，越全面越好。但是实际情况就是，国内结构性的全面的数据在现实生活中很难获得，而且也很难获得比较准确的数据。

• 痛点四丨可信任度，有待商榷

结果信任度，这个一个复合的问题。AI模型在处理可评测结果的应用中可能表现非常出色，比如在图像识别领域，我们可以用一个确定的概率来评价AI模型的正确识别度，也可以说是可信任度是明确可见的。

但是，如果在未来的应用场景中，需要AI模型提供一定的商业决策，或者给出一些建议。我们并没有很好的参照体系来评价AI模型的决策和建议是否是准确的，是否是最优解。这将影响决策的方向和准确，也会为很多商业人士带来不必要的困扰。

• 痛点五丨移植性差，无法复制

AI模型的可用性是随着训练的数据量增大而增高。但是所需要的数据量是个非常大的量级，但即使是重复度很高的模型，也没有办法从上一个模型中获得其一些经验，只能自己从头开始训练。

这样会带来一些问题，比如会增加数据获取成本，时间成本，能耗成本等，这将给发展中的企业带来极大的困扰。模型的可移植性差，势必影响技术的发展传播速度，也会增加传播成本，这对于一个需要快速发展的新兴科技，确实是一个非常重要的问题。

人工智能从概念诞生之起，到如今已经有60年的历史。如今其已经在一些领域开始发挥其重要的作用了，虽然有很多痛点有待解决，但是哪一个新技术从开始到成熟没有经历过各种问题。而且，人工智能未来的潜力十分巨大，相信未来人工智能行业可以有更好的发展和突破。

如果你的企业在找人工智能行业高端人才，我觉得我们可能会帮到你！