人工智能面临的问题和挑战主要体现在底层算法、算法、算力、人才等方面。

Ø底层算法

l信息化的发展使得数据量爆发式增长，带来数据“宝藏”的同时也对技术提出更多挑战。

随着数据量的高速增长，数据特征高维、模态格式多样的趋势也逐渐明显，对数据的AI建模也相应地更加复杂，涉及到研究对象的多变量维度，如时间、空间维度，计算复杂度会随之呈指数增加，数据标注难度也会增加。同时，海量的数据将不可避免带来更大的数据噪声问题、数据偏见风险，为模型如何有效利用好数据、学习其中的知识带来更大挑战。

l数据互通壁垒明显，共建生态存在阻碍。

当前，流转无序、区域性限制大、定价机制不完善、监管机制不完备等问题，导致数据不流通，数据对数字经济的放大和叠加作用没有得到充分发挥。

Ø算法

l应用场景多元化和复杂化，增加了模型生产的难度。

解决一个场景的问题，往往需要多个任务的深度融合，涉及多任务统一建模等问题，因而对算法提出了更高的挑战。按照现在主流的算法应用，这意味着技术厂商需要针对不同场景、不同任务生产大量的算法或模型。

l技术门槛高，平台层挑战不断。

当前，开发平台发展重点在于提供专业且丰富的技术组件，向下驱动算子和数据管理工具的高性能延展，向上带动产品线研发并推动门槛的降低。

Ø算力

l应用复杂度攀升，算力承压持续增加。

硬件方面需要针对不同的场景和高性能计算能力进行拓展融合，满足研发企业的多芯部署、分布式优化、高性能计算的需求。随着分布式训练的发展，数据存储和网络传输问题成为大模型训练的瓶颈。

Ø人才

l人才储备不足，技术发展受限。

随着人工智能落地场景的复杂度增加，需要更多既懂业务又能运用AI技术的综合型创新人才。