演讲人：鲍捷 文因互联
微信：baojie_memect
方法1： 一下子砸很多钱
案例：日本五代机: target过大，目前都做不到
方法2：根据最新的论文决定技术路线
案例：信息抽取
因为论文中完全不用考虑现实条件，都是理想条件
方法3：脱离真正的应用场景
案例：OWL2
大学老师或者企业级应用的科学家自己想出的应用场景，没有日常应用中的案例
方法4：使用过于领先的架构
案例：Twine
底层使用了RDF数据库（语义网的数据库，可以做推理），200w用户量的时候性能不够，于是40人当中抽出了20人做底层数据库架构，并转型了，导致资金断裂。贪心不足蛇吞象
方法5：不能管理预期
案例：某对话机器人
用搜索界面代替直接的对话机器人，平等对话目前做不到。所以就调整用户预期，立足于自动化
方法6：不能理解认知复杂性
案例：我的Semantic Wiki
机器和人的认知不同，计算复杂性 != 认知复杂性
即使产品非常复杂，如果文档写的好，让用户能使用，那就是好的
方法7：专业性不足
案例：某语义理解项目
想投入3-5个工程人员，就做一个系统，那花再多钱也没用
需要足够专业的人：不仅科学家缺乏，人工智能产品经理，人工智能数据处理，人工智能的工程系统也异常缺乏
方法8：工程能力不足
案例：我的分布式推理机
有算法能力，但是工程上实现不了（编程能力，架构能力等等）
不要相信算法培训班，踏踏实实做
工程是解决人工智能的钥匙！！！
方法9：阵容太豪华
案例：某大项目
沉没成本
豪华阵容从小事做起
方法10：时机不到，运气不好
案例：90年代的神经网络：算法早就有了，数据和算力
《人工智能简史》：时机和运气
结论
场景跃迁理论.png
