如今，人工智能的炒作无处不在，很多全球科技厂商都在开发和应用人工智能技术，以获得理想的投资回报率。但是，目前人工智能创新的速度比分析师最初预期的要慢得多。

 采用旧思维思考人工智能新问题

一个明显的原因可能是将旧思想应用到人工智能的新问题中，这些问题在实际应用中损害了该技术的发展前景。研究机构Lux Research公司最近进行一项新研究概述了企业在人工智能创新方面面临的挑战，以及他们如何改变创新流程以提高AI成功率。

该公司总监兼报告作者ShriramRamanathan博士说：“企业在人工智能方面受到阻碍，因为它们一直在使用传统流程来管理人工智能创新。当务之急是不要将旧思想应用到新问题上，尤其是在人工智能方面。”

由于利益相关者只专注于投资回报率、项目选择和执行，因此很少有人关注用于管理人工智能项目的基础创新流程。

Ramanathan解释说，“根本的挑战在于，人工智能解决方案中的底层逻辑与提供洞察力的原始数据错综复杂地联系在一起。尽管这可以使人工智能解决方案轻松适应不断变化的环境，但这也是人工智能的致命弱点。人工智能解决方案在部署到现实世界的那一刻，便迅速偏离其原始目的。企业需要持续不断地进行开发工作，以使人工智能模型保持最新状态。”

由于缺乏用例，并且对现代人工智能的应用缺乏正确的理解，因此，该技术仅限于研究实验室，而很少用来展示业务价值。

马里兰大学助理研究员Hannah Kerner在《麻省理工科技评论》，大多数人工智能研究报告在大型会议上都处于边缘地位。他们的作者唯一真正的希望是让他们的论文在研讨会上被接受，而这些研究报告很少能得到人们的关注。

他说，“这是一个问题，因为机器学习在促进健康、农业、科学发现等方面具有广阔的前景。只有在该领域的其他人优先考虑现实世界中的应用程序的情况下，我们才有开创性的发现。”

美国宇航局计算机科学家Kiri Wagstaff在题为“重要的机器学习”的论文中说：“当前许多机器学习研究已经与广泛的科学和社会的进口问题失去联系。”

他在论文指出，当将机器学习在现实世界中的应用研究排除在主流之外时，研究人员很难看到他们的偏见模型的影响，从而大大降低了他们解决任何问题的可能性。

 将人工智能创新推向市场

Ramanathan表示，为了增加将人工智能创新推向市场的成功机会，利益相关者首先应该降低人工智能项目的歧义程度，首先要尽可能缩小人工智能用例的范围，并计划一个广泛的计划和一系列潜在的方案。

更重要的是，他认为高管们应该在项目初期就计划实际部署。这可能意味着在构建人工智能产品时要整合各种现实世界的数据，确保人工智能解决方案易于跟踪和更新，并准备好更新现有的传统模型和流程，以使其更加敏捷和高效。

数据架构师AwaisBajwa在最近的一篇文章中也提到，未来的人工智能浪潮是打破“人工智能黑盒”，并理解机器学习模型做出的决策和预测的原因。

换句话说，那些在机器学习中应用了旧思想的人认为这项工作只是简单地应用已经存在的方法。但是实际上，要使机器学习工具适应特定的实际问题，需要大量的算法和工程工作。

机器学习研究人员未能意识到这一点，并期望工具可以“现成”地工作，往往会导致创建无效模型。