当前 AI 应用的不足有哪些

当前 AI 应用的不足有哪些

虽然当前国内 AI 技术逐渐成熟提升，服务种类不断丰富，但是在 MEC 与人工智能结合进行开发和应用时仍然面临着技术不达预期的问题。究其原因，主要归纳为以下几方面：

01

MEC+AI 类行业应用部署障碍

MEC（边缘计算技术）+AI 类行业应用，存在应用部署障碍，究其原因主要是生产环境对 AI 基础设施、算法及数据质量要求较高，但是企业 IT 基础设施在海量数据参与运算及分布式架构条件下，存在算力不足以及不兼容等问题。

02

MEC+AI 类行业应用投入产出比不足

MEC（边缘计算技术）+AI 类行业应用，存在投入产出比不足，企业应用人工智能的回报不及预期；在成本支出方面，企业所需的 AI 开发人才及 IT 资源相对稀缺，价值回报方面，虽然部分场景效果得到验证，但是在不同企业和具体工作环境下，效果并不稳定。

03

Cloud AI 技术架构

Cloud AI 技术架构中 , 边缘域与云中心侧对 AI计算能力要求不同，云侧在满足运算效能的前提下，希望针对不同网络有更优化的性能表现；边侧，在能耗为首要要求情况下，更加注重推断运算的性能；此外，数据入云过程中，由于数据流通不畅、数据质量良莠不齐和关键数据缺失问题，会影响有效的智能分析结果。

04

AI 赋能 5G 网络方面

在 AI 赋能 5G 网络方面，目前由于大数据和 AI的智能化水平并不完美，算法模型研发整体规划不足，各种 AI/ML 算法模型基本都是针对已识别的特定通信问题弊端缺陷而开发，缺乏系统性、全局性、可解释性方面的考虑，限制了系统 AI 能力服务的可拓展性、迭代增强性和 AI 模型泛化应用能力；在实际场景中，设备功耗、计算能力、应用场景等多种因素限制了 AI 算法在 5G 系统中真正部署限；当前 5G 系统中的各种 AI 资源能力（涵盖 AI 算力，AI 算法和 AI 数据方面）适配性待完善，尚不具备开放可交易性和服务化的特征，大部分仅仅限于 5G系统内的应用。