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。
