人工智能的成功取决于数据
最近，清华大学教授、中国科学院张钹院士在接受经济观察报的时候提到：“基于深度学习的人工智能在技术上已经触及天花板，AI奇迹短期难以再现。”这无疑为许许多多仍然以AI为主要业务亮点的创业公司敲响了警钟。
当下，人工智能已经成为一个流行语。从语音识别到自动客服，从人脸图像识别到自动驾驶，不可否认，AI已经实实在在出现在我们的生活中了。AI创业公司更是热情甚高，动辄即称AI驱动，就连世界级大牌公司Oracle也不例外，前段时间的Oracle Autonomous Database，按照Larry的说法，通过AI和ML技术，做到了“Totally Automated, Self-Driving”（全部自动，自运行），不再需要人类来管理或者调优。我觉得要么是Larry在骗我，要么最近作为数据库顾问加入Oracle的朋友在骗我——如果Larry说实话的话，为什么Oracle还要继续大量招聘为客户做数据库维护性能调优的顾问？
像大数据一样，对人工智能的炒作也导致了一种趋势，即每个供应商都声称在技术、解决方案或产品中利用了它，都说要改变、替代人类，从而造成了一个良莠不齐、极度混淆的技术怪圈。
事实上，就像大数据技术不能解决所有的企业数据问题一样，AI也不能用来解决所有问题。如果想了解AI最应该用在何处，并且最容易成功，我们必须先了解AI的真正含义。
AI或机器学习是指一组广泛的算法，如果训练得当，它们可以解决一组特定的问题。把机器学习算法集成到产品中其实是微不足道的——有大量公开的算法可以用，但有效地使用数据来训练算法并执行任务却并非那么简单。事实上，一个AI项目从开始施行到初有成效，多达80%的精力都是用在数据准备上的。
当有大量丰富的数据可用时，AI效果是最佳的。数据量越大，覆盖维度越多，算法学习和调整预测分析的速度就越快。根据行业预测，在2018年，人工智能的最大限制——高质量数据，将变得更加明显。成功的机器学习取决于大型和广泛的数据集，以及对这些数据的有效管理。
谁能够获得最优质最全面的原始数据，谁掌握最成熟的数据处理与加工技术，才是未来真正AI项目的核心能力。所以，对很多不明真相的技术人来说，与其盲目的追捧AI，不如实实在在地掌握精通数据处理的技术，这才是一条不会受到泡沫破裂而影响的务实之路。