AI就像人类发现的新大陆，我们都知道这片大陆上存在着巨大的财富和数不清的机会。但是这些财富的挖掘和机会的把握来自于早期数不清的前辈们的努力和尝试。AI同样有很长一段路要走。AI只是一个愿景，目前环没有足够的数据，初创公司在业务运营中使用人工智能的程度被严重夸大了。人工智能和机器学习被誉为是革命性技术，有望为公司创造巨大的价值。于是许多初创公司纷纷声称自己使用最先进的AI，以此来获得资金的青眯，赢得媒体的关注。但是我们不否认，AI在某些技术水平上已经超越人类，只是AI技术到产品落地依然存在很多难点和痛点。人工智能技术的技术成熟不等于应用成熟，让产品落地，需要成熟的AI技术，深入领域认知，优质数据、数据消化能力。
1. 技术成功不代表商业化的成熟，行业缺乏统一标准。
邢波教授指出，正像安卓和iOS 系统的确立，最终促成了移动应用的爆发，人工智能行业目前也需要一个全新的跨平台的系统。而这样一套系统应该包含从模型、算法到软件实现和操作系统层面。其功能应该包含：兼容多来源数据（如多种数据库）、兼容多种编程语言（如 TensorFlow、Python）、同时能够加载到任何硬件设备，实现跨平台AI。
这样一套系统的出现，能够为做AI产业上游的公司省下大量精力和成本，他们可以专注为客户解决业务需求，在通用功能模块上实现针对用户和特别应用的专门化（如同为不同负载改装飞机，而不是重新从头设计制造飞机以致引擎），而不用担心基础设施等底层系统。同时，免除开发底层系统，也能让AI公司的解决方案快速迁移，实现规模化生产，促成AI的真正工业化落地。
AI公司如雨后春笋，但是行业目前缺乏统一标准，各个公司各自为王的发展。AI依然处于非常早期的发展阶段，其表现之一就是没有统一的标准，也没有统一的系统，无法制式化，无法量产。这一点从早起互联网公司的发展也能看出。早期计算机公司是把硬件和软件打包服务的，而随着技术和商业化的发展，才渐渐出现了分级别，分行业的软硬件分开服务，以及平台型服务出现，让更多人才参与到正真意义上的互联网行业。前期的基础性探索，才成就了后期的蓬勃发展。AI行业也一样，缺乏标准的情况下，技术到产品落地依然需要大量探索，产品以什么样的形态展示，以什么样的商业模式运营，以什么样的交互方式进行任然道路漫长。
2. 成本高昂，无法快速走进大众
如果按照AI产业链来划分的话，目前大部分AI公司的业务涉及到的是上游的任务、模型及算法，但是为了实现方案，这些应用公司还需要操心更深层次的软件实现、系统以及设备硬件的选择。这样一个情况导致的结果就是AI实现的成本高昂，同时一个解决方案无法实现复用，最终导致的是AI技术难以普及。「目前很多公司打造的AI系统或软硬件近似于雕琢工艺品，而不是能够进行量产，复制，和普及的高度鲁棒和易用的工业产品。」邢波教授解释道，他认为如果AI是一个产业的话，那么我们目前还处在AI的前工业化时代。
3.优质的数据和系统的数据消化能力
我们知道AI是算法的进步，需要使用大量优质数据喂养训练的。没有大量数据，再好的算法和模型也不会起作用。由于互联网技术在近几十年的迅速发展，很多IT公司积累了大量数据，这也使得他们成为AI关注的重点。目前数据挖掘和使用最多的，就是互联网行业，但真相是，那些被目前AI公司忽视的传统行业如电信、能源、基础设施、制造、航空以及金融领域，蕴含的才是真正的海量数据。AI 来对接这些传统行业，通过这些海量数据来提升效率，创造更多价值。然而国家和社会对传统行业的数据管理上依然存在很长的路需要探索，涉及到法律和隐私等问题，依然很棘手。其次，对于数据系统的消化能力各有差异。各AI公司对于数据处理和消化能力不同。
4.让消费者接受AI还要看场景
1.由于电影或者新闻对AI的大肆宣传鼓吹，不知实情的用户对AI期待远高于现有技术。以机器人为例，人们会潜意识的与电影中测场景或者人类本身来对比。期望远大于现有，这对产品推广带来一定难题。
2.AI是多场景交互，需要机器去自我识别不同场景进行有效处理。所以产品的跨领域性较强。以智能医疗设备为例：懂医学的未必懂算法，懂算法的未必懂医疗。
3.人们普遍更愿意相信自己。以自动驾驶为例：自动驾驶的安全系数实际上远高于人类，并且随着数据的累积，安全指数会越来越高。但是人类还是会为了自动驾驶的一个偶然事故而抱有怀疑态度。
5.AI面临的法律问题和风险
1、图像识别领域
1）种族歧视问题：谷歌公司的图片软件曾错将黑人的照片标记为“大猩猩”。
2）用户隐私保护问题：2011年，Facebook就曾因其“人脸识别和标记功能未按伊利诺伊州《生物信息隐私法案》（BIPA）要求告知用户收集面部识别信息的期限和方式”被诉，随后又因“采集面部特征前未能明确提醒用户并征得用户同意”而遭到爱尔兰和德国有关部门的调查。
注：尽管Facebook辩称默认开启该功能是因为用户通常不会拒绝进行人脸识别，并且用户有权随时取消这一功能，但德国汉堡市数据保护与信息安全局坚持Facebook的面部识别技术违反了欧洲和德国的数据保护法，Facebook应删除相关数据。最终，Facebook被迫在欧洲地区关闭了人脸识别功能，并删除了针对欧洲用户建立的人脸数据库。
2、语音识别领域
模拟人声诈骗：有朝一日，如果TTS技术效果非常好了，可能会有人用假的声音去诈骗，比如模仿子女的声音，给其父母打电话……
3、自然语言处理领域
AI被人“教坏”：2016年3月23日，微软的人工智能聊天机器人Tay上线一天就被紧急下线，因为她被用户“教坏”了——她成了一个集反犹太人、性别歧视、种族歧视等于一身的“不良少女”
6.人才输出依然是AI人才招聘难题，短期难以得到有效补充
一个领域的成熟，需要的不仅仅是少数先驱的努力，也需要大量的人才参与基础设施的完善。AI领域人才需求变得越来越大，但是人才的输出却需要一个渐进式的进行。大学目前并没有相关针对性学科，其次AI领域的跨专业性太强。大学学科的设立和相关人才的成长不是一蹴而就的。人才输出的速度远跟不上人才需求的速度。
