目前 AI项目落地还停留在“手工作坊”阶段,存在重复造轮子情况,边际成本高。目前国内大部分AI项目的落地是以项目制的形式,主要包括需求阶段、打光阶段、数据阶段、算法设计阶段、训练评估阶段、部署阶段和运维阶段。其中,数据阶段和训练评估阶段往往需要多次循环,专家驻场收集数据并训练模型,发现指标无法满足需求后再重新进入数据阶段,一个项目往往需要专家团队驻场数月完成。
碎片化的本质原因在于现阶段AI模型的通用性低,模型生产还停留在“手工作坊的时代,单个模型只适用特定任务。即使同样的算法在不同场景落地,也会演化出非常不同的版本,会给技术积累产生很大的挑战。例如,在工厂场景下检测零部件、在医疗图像中检测病理特征,虽然本质上都是检测,但是两种情形下要获得准确结果都需要大量数据、实验和参数,一旦场景和任务发生变化,就需要重新收集、标注数据、训练模型。由于客户需求多样,以至于几乎每个项目都要重复进行这一流程,研发流程难以复用,重度依赖人力,边际成本很高。