人工智能普及为何频频受阻？真相在此！
尽管采用率很快，但首席执行官和行业领袖强调了一些关键问题，他们表示这些问题阻碍了全面采用：开放模型的复杂性、数据隐私问题、集成挑战和成本。
在本文中，我们与领导公司并负责在现实世界中评估人工智能的人员进行了交谈。
当前的人工智能模型主要是开源的，虽然这有利于提高透明度，但也使它们容易暴露在脆弱性之下。
马特·哈桑博士是 aiRESULTS 公司的首席执行官，该公司致力于提供特别是在人工智能驱动技术方面的颠覆性解决方案。他的职业生涯使他成为将复杂分析应用于开发业务解决方案的先驱，并在人工智能成为公认的力量之前成为其支持者。
他认为开源是人工智能背后的主要阻碍因素：“开放人工智能模型的透明性是一把双刃剑。它在加速发展的同时，也为潜在攻击者创造了一个活动场所。”他说。
亚历克斯·乌加特是伦敦办公空间的运营经理，这是一家在线经纪服务公司，帮助企业在英国首都找到最佳的工作空间解决方案。
负责我们数字经纪业务的端到端业务运营，他还负责将最新的数字工具和平台（如人工智能）引入流程。
由于我们在商业地产领域的地位，我也得以深入了解我们最成功的商业租户是如何设法将人工智能融入其流程的。
“开源人工智能模型确实提供了透明度，但也带来了风险。对抗性攻击的可能性着实令人担忧。”乌加特说。
保罗·弗格森，人工智能顾问和Clearlead AI 咨询公司的创始人，在该领域拥有超过 20 年的经验，包括人工智能博士学位。他认为开放人工智能模型面临着类似的挑战：
“由于要减轻这些风险，需要大量的定制和安全措施，所以对这些漏洞保持警惕的行业在采用人工智能时往往犹豫不决。”
“按照具体需求定制开源模型并确保其免受攻击，可能既需要大量资源，在技术上也颇具挑战性。”
“开放人工智能模型虽然对促进创新颇具价值，但确实带来了让组织难以减轻的安全风险。”
“在我与中小企业的合作过程中，我看到了缺乏专门的人工智能资源和专业知识是如何阻碍这些模型安全实施的。”
“解决这些漏洞往往需要在人才和基础设施方面投入大量资金，这对许多公司来说难以证明其合理性。”他说。
数据隐私
开放人工智能模型还引发了数据隐私问题。人工智能系统通常需要大量数据才能有效运转，这引发了人们对于数据隐私和安全的担忧。
处理敏感信息的行业，比如医疗保健和金融行业，尤其谨慎，担心出现数据泄露或滥用的情况。
据秘密网络基金会执行董事丽莎·劳德所言，鉴于当前人工智能模型的主导地位，隐私，或者更确切地讲，缺乏隐私，乃是问题的核心所在。
“坦率地说，大多数行业在实际和有效地采用人工智能方面都有落后的危险。造成这种情况的原因虽有若干，但最为重要的一个在于，尽管当前版本的人工智能是由大型知名科技公司提供的，但它们都是基于开放模型的，”劳德说。
公司、政府甚至个人都开始意识到，使用这些开放的人工智能模型，即使是在非常基础的层面上，意味着所有的输入和提示以及任何结果都会被吸入人工智能模型。这致使在线世界中的所有已知数据，连同任何错误、不良数据以及机密数据，均被人工智能模型全盘吸纳。除了传播不良信息的危险之外，这意味着在开放的人工智能世界中，数据没有藏身之地。
“要让人工智能发挥实效，它得去中心化、无需许可并且保密。这就是为什么秘密网络的解决方案对于有效人工智能的发展至关重要——我们不仅提供保密计算，而且它是去中心化、无需许可的，就像所有区块链一样，也是端到端加密的。这是保密人工智能开发者的先决条件。
“一旦我们看到使用这种端到端无需许可加密的人工智能的发展，我们将开始看到许多行业采用实用、有用的人工智能工具，”劳德说。
她接着详细阐述了能够部署保密人工智能工具的一个具体领域为用户界面设计领域。
“公司能够通过对用户与其产品交互的测量和解释，来对用户体验的具体改进进行投资。想象一下，如果你的银行每次你使用其应用程序时都会进行调整，以便更容易找到你最常使用的东西。但如果没有保密性，他们投资学习的方法和见解可能会被其他任何银行使用，他们就会失去竞争优势，”她说。
机密计算对于人工智能在多数行业成为被广泛应用的技术而言，是至关重要的。
Autonomys（致力于人类和人工智能的激进自主网络）的首席执行官拉贝什·帕特尔（Labhesh Patel）对此表示认同：
“数据隐私不单是合规方面的问题，更是关乎信任的问题。随着人工智能愈发普及，公司务必要优先考量强有力的数据保护举措。公司需要将隐私设计原则纳入其中，以确保企业在运用人工智能时不会损害客户的信任或者数据安全。”
弗格森指出，某些行业对隐私的需求超过了人工智能所带来的好处
“在诸如医疗保健和金融这类处理敏感信息的行业中，数据隐私问题尤为突出。虽说技术保障极为关键，但也需要强大的数据治理框架以及明确的道德准则。通过透明度和问责制来建立信任，对于克服这一障碍起着至关重要的作用。行业需要确保其数据会得到负责任的处理并且符合法规。”
然而，仅仅提供机密计算是远远不够的，将人工智能集成至现有系统当中，需要对基础设施和流程做出重大的变更。许多组织发觉很难让人工智能解决方案与他们的遗留系统相适配，从而导致了采用的延迟。另外，缺乏熟练人员来对人工智能进行有效的管理和实施，这也加大了难度。
帕特尔因此主张 Autonomys 采用分阶段的方法
“成功采用人工智能的关键，不仅在于拥有前沿技术，还在于将该技术无缝融入现有的业务流程之中。在 Autonomys，我们发现分阶段的方法，结合全面的培训计划，可以显著缓解过渡，并帮助组织克服人工智能集成的初始障碍，”他说。
其他问题包括成本和投资回报率的不确定性。实施人工智能解决方案可能很昂贵，且投资回报率（ROI）无法保证。初始设置成本、持续维护以及对专业人才的需求使其成为一项重大的财务承诺。在没有人工智能财务效益的明确证据之前，许多行业都不愿进行大量投资。
最后，由于人工智能的监管环境仍在不断发展，一些部门，特别是金融和医疗保健部门，将需要严格的法规，使人工智能的部署变得复杂。围绕未来法规的不确定性也导致行业推迟采用人工智能，直到建立更明确的指导方针。
因此，虽然营销人员和销售人员为业务采用人工智能的狂热冲动有充分的记录，但首席执行官和首席运营官更为谨慎的方法很可能会减缓实施的进程——至少在解决对成本、隐私和集成的担忧之前。