過去幾年中，令人屏息的新聞剪輯數量令人難以記住，但人工智能的歷史充滿了挫折和挫折。 記憶猶新的人們記得70年代初和80年代的第一對所謂的" AI冬季"。 首先是由于對AI的幻滅而造成的，而第二個(可能更重要的)冬天誕生了，因為技術和物理硬件遠遠落后于當今的理論。 例如：科學家發明了反向傳播的概念，它是深度學習的基礎，但是直到現代的GPU大量出現后，真正的必要的計算能力才真正發揮出來。

現在，當然，情況已經改變。 計算是隨時可用的。 我們正在研究數據。 政府正在投資研究。 大學生正在研究機器學習。 媒體報道了AI，這是技術的下一次巨變。 一切似乎都朝著未來的趨勢發展，在這種情況下，人工智能已經相當普遍，公眾也理解并接受了它的承諾和實用性。

不幸的是，"似乎"是最后一句話中的執行詞。 企業正在投資人工智能，但只有約三分之一的企業看到了投資回報。 而且，如果該投資回報率仍然難以捉摸，那么就很容易預測投資將開始萎縮的世界，尤其是在全球性經濟環境中，這種經濟環境由于史無前例的大流行而變得動蕩不定。 與其享受上一個AI冬季以來的持續解凍，不如輕松地看著溫度再次下降。

但是請注意，問題不在于AI不能賺錢還是不能賺錢，而是可以。 例如，許多流程自動化AI項目都是成功的。 考慮一下那些"閱讀"法律文件并提取信息的AI，或者分類和處理客戶溝通或核對賬單問題的AI。 當然，這些不是最性感或最復雜的用例，但它們可以為公司省錢，因此您知道他們很快就不會去任何地方。

因此，如果AI可以賺錢，為什么只有35%的公司看到投資回報? 一個很大的原因是，構建和訓練模型的成本仍然過高。 好吧，那為什么呢? 正是由于最近的另一種趨勢席卷了整個企業，尤其是科技界：大數據。

問自己：您聽過多少次"更多數據"才能使模型變得更好? 實際上，這是錯誤的。 高質量的數據使模型更好。 有用且標簽明確的數據使模型可以工作。 有無數的數據? 其實并不重要。 尤其是在無法證明數據有用的情況下。 當您處理我們在此談論的數量時，這很難做。

現實情況是，由于缺乏更好的期限，投資者以及大數據行業一直保持著對大數據的首要地位的敘述。 大數據的成本是AI成本的巨大推動力。 人工智能和機器學習從業者所擔心的是，那些完全相信自己需要堆積所有數據(即使他們看不到這樣做的明顯效用)的公司可能會開始撤回對人工智能的投資，以支持建立大數據。 但是，首先存儲所有數據比較大的原因是，您可以進行預測并從中構建AI。 換句話說，我們實際上正處于大數據扼殺AI投資的危險中-奇怪的是，這首先存在于AI中的一個重要原因!

還有一個問題是，小公司受大數據負擔的影響更大。 對于較小的組織來說，存儲數據和訓練模型的門檻更高。 當您將所有這些與摩爾定律已經結束的事實結合在一起時，您可以開始看到對服務器空間和計算真正的經濟競爭的未來。 這就像是對潛在的AI冬季的預測。

那么在這里可以做什么? 從業者將必須帶頭。 我們需要表達自己的需求，而不是大數據的需求。 我們需要投資于有助于AI獲利的公司和解決方案，而不是那些僅用于組織和構造大數據的解決方案。 我們必須努力使該行業在貨幣和環境方面都可持續。 我們必須拒絕擁有更多數據總是可取的舊觀念。 因為，坦白說不是。 太多公司堆積數據而沒有太多實際用途。 我們需要能夠清除實際上沒有理由保留的舊的無用數據。 我們必須投資于數據質量度量，而不是用于保留數量的地方。