2018年全年，近90%的人工智能公司處于虧損狀態，而10%賺錢的企業基本是技術提供商。從談概念、講技術，到拼場景、搶落地，建立在大數據基礎之上的人工智能，仍面臨數據本身帶來的挑戰。“我們經常提及大數據，但事實上我們并不需要那么多的數據，AI未來一個趨勢是小數據崛起。”在GMIS 2019全球數據智能峰會上，斯坦福大學教授、Landing.ai創始人、CEO吳恩達表示。

一個具體的案例是工廠手機屏幕劃痕檢測。目前不少是利用人眼來檢測手機是否存在劃痕，如果擁有100萬個劃痕手機，AI可以非常高效的識別手機劃痕。但現實情況是沒有任何工廠會有幾百萬不同劃痕的手機，這個時候小樣本學習（few shot learning），即利用較少的數據得出同樣準確結論的人工智能，將有助于推動整個領域的發展。

小樣本學習的迫切性更在于落地過程面臨的數據孤島、數據隱私保護導致的數據割裂問題，讓AI技術很難充分發揮價值。

“和AI用于比賽需要上千萬的圖片訓練不同，當AI深入行業我們看到數據往往是小數據和細碎的數據，也就是沒有聯通起來的數據，再先進的AI技術也很難用上。”國際人工智能學會理事長、香港科技大學教授、微眾銀行首席人工智能官楊強說道。

今年5月，國家互聯網信息辦公室發布了《數據安全管理辦法（征求意見稿）》，提出在中國境內利用網絡開展數據、存儲、傳輸、處理、使用等活動，以及數據安全的保護和監督管理意見。楊強認為“中國版GDPR”即將到來，數據隱私在走向嚴格化、全面化，這使得企業在實際應用中可以使用的數據維度和范圍并不大。數據隱私保護的趨嚴，為人工智能技術升級提供了契機。

以保險行業利用AI進行個性化定價為例，背后需要業務數據和用戶互聯網行為數據融合，理想的狀態是可以拿到非常豐富的用戶畫像，與用戶的ID高度匹配，但實際情況迫于隱私、安全、法規等原因，企業可以應用的數據是非常有限的。

再例如在小微企業貸款應用方面，AI需要引入票據數據、資產數據、輿情數據等，但由于數據的割裂，實際應用中只能使用一些政府的數據，例如央行的征信報告，但這些報告只能覆蓋不到10%的人群。這一問題在醫療領域更為明顯，不同醫院的醫療影像數據很難匯聚到一起，形成大數據來訓練一個醫療模型。

針對數據割裂帶來的人工智能落地難問題，楊強提出了聯邦學習。所謂聯邦學習，是多個數據方之間組成一個聯盟，共同參與到全局建模的建設中，各方之間在保護數據隱私和模型參數基礎上，僅共享模型加密后的參數，讓共享模型達到更優的效果。

據楊強介紹，聯邦學習分為橫向聯邦和縱向聯邦，橫向聯邦是指企業各方數據維度相同、ID維度不同，更多存在于消費者應用中；縱向聯邦是指企業各方數據的ID維度相同（樣本重疊）、數據維度不同，更多存在于B端應用。例如針對保險行業的個性化保險定價問題，一家互聯網企業和一家保險企業進行數據合作，這種合作數據的ID重合度相當大，數據特征維度大大增加，使模型的個性化定價效果顯著提升，為保險企業帶來8倍覆蓋率提升和1.5倍利潤率提升。

橫向聯邦學習方面，在手機行業，通過在本地建立加密上傳的小模型，服務器端看不到內容卻可以把模型匯聚起來，進行云端模型的更新，新的通用模型再釋放給手機，幫助用戶自動化進行圖片標注。這樣既保護了用戶隱私，也可以進行模型學習和更新。

楊強認為聯邦學習最大的優勢是保證數據不出戶，通過生態在不同行業選取合作伙伴，用群體智能不斷提升模型效果。因此聯邦學習一定是多方共同協作組成一個聯盟，生態的建設十分重要。

面對AI落地難、盈利難問題，吳恩達則認為，在期待AI為企業帶來紅利之前，企業需要避免幾個陷阱。首先AI技術會影響很多企業做業務的核心，所以選擇項目是非常重要的，從小的項目開始，可以建立好的基礎，同時幫團隊獲得動能。

其次團隊建設不能僅依靠明星工程師，而是要建立一個完善的、跨學科、跨職能的團隊。同時不要期待AI立刻產生作用，而是要多次嘗試，對AI發展的回報曲線進行合理預算。不要使用傳統的流程評估人工智能項目，應該為AI項目團隊設立合適的KPI和目標。