兰德：AI项目失败的根本原因分析

近期，兰德公司开展了一项研究，那就是探索人工智能（AI）项目失败的根本原因，并提出了成功开展AI项目的建议。

AI项目具有自身的特征，但行业人士在实施的时候，往往出现“反模式”（Anti-Patterns），这使得AI项目的失败率高居不下。按照相关研究结果显示，AI项目的失败率是IT项目的两倍以上。

工业4.0研究院对数字孪生体、AI和数据科学等新一代数字技术的分析也有类似的结论，因此，本文也值得数字孪生体领域的人士参考。

首先，高层管理的认知不足，是AI项目失败的首要原因。

大部分高层管理人员不具备AI或数据科学背景，他们也许对公司所在领域的知识比较丰富，但对于新型的AI不熟悉，因此，对AI到底可以解决什么问题缺乏判断，对于AI项目的执行，往往会给出不符合实际的资源配置或优先安排。

兰德公司认为，很多高层管理者对AI项目将要花费的成本和时间没有心理准备，强制要求项目团队按照预设的资源开展AI项目，这样做的失败概率非常高。

其次，大部分失败的AI项目都跟数据有关。

《军事人工智能白皮书》详细介绍了美军在推动AI战略时所犯的错误，其主要原因就是低估了AI的本质特征，即兰德公司提的“反模式”，对数据驱动的理解也很不到位，特别是传统的网络信息人员，他们还停留在IT项目的理解中。

行业人士在数据方面犯的错误主要包括太少数据工程师、缺乏合适的数据、不平衡的数据和缺乏域知识等。

跟工业4.0研究院的分析类似，兰德公司也认为，人们把AI应用到商业或互联网的居多，当用到物理系统的时候，没有借助数字孪生模型等来管理数据，因此难以释放这些数据的价值。

第三，技术人员喜欢采用先进的技术，而不是根据业务问题来选择合适的。

这种情况非常普遍，我国的AI项目几乎所处可见，加上产业政策的支持，导致大量华而不实的项目出现。

除此之外，我国在实施项目的时候，往往不愿意购买专业的咨询服务，这也导致并不精通AI技术的甲方被推销大量的“先进”技术，还满脑子对项目效果的不切实际想象，最终导致该行业过度消耗，这种现象在数字孪生体和AI领域都很突出。

第四，企业往往没有为AI的发展准备好基础设施。

大量的企业对先进的AI技术非常感兴趣，但大部分是霸王硬上弓，心理和实际都没有为花费巨大的基础设施做好准备。

现代AI对高质量的数据要求比较高，这些数据往往需要花费大量的投入，特别是物理系统的AI分析，没有数字孪生化的过程，基本上无法成功，这一点在《军事人工智能白皮书》做了介绍，有兴趣的读者可以参考。

最后，大部分失败的AI项目都有一个特征：采用了不成熟的技术。

正如前面分析所述，媒体和专家的愿景式渲染，让人们对AI到底可以解决什么问题丧失了判断，往往一厢情愿的认为AI可以解决所有的业务问题，把AI当成了万金油。

事实上，任何技术的发展都需要时间和投入，如果没有科技的投入，工程应用就缺乏基础，更谈不上实际业务上的使用。

AI在商业和互联网领域的应用效果已经得到证明，但它在物理系统上的应用还需要进一步研究，还应该跟其他相关技术融合，才能为物理世界的变化提供动力，这正是DARPA等颠覆性创新机构正在努力做的事情。

有兴趣阅读该报告的读者，请自行咨询兰德公司。数字孪生战场实验室的客户，可以联系您的客户经理获得帮助。