当然，看到人工智能创业机遇的同时，我们也必须保持足够清醒的头脑。2016到2017年，人工智能的创业和投资明显存在无序、失衡、过热的情况。人们常常担忧的泡沫现象的确存在。
看一看如星火燎原一般在美国、中国、以色列等地建立的自动驾驶创业团队吧，自动驾驶这个行业确实巨大，但真的需要那么多早期创业团队吗?要做一个第4级或第5级的自动驾驶，技术难度异常之大，非要投入巨资和最顶尖的研发人才不可。那么，这么多初创的自动驾驶团队里，究竟有几个是可以在自动驾驶普及的那一天幸存下来并成长为行业巨人的呢?
家用机器人的概念就更别提了。那么多号称开始研发家用机器人的公司，如果是做亚马逊Echo那样的限定使用场景的智能家电还好说，如果上来就要做语言交流、人形外观的机器人，那几乎一定会因为技术水平无法达到人类用户预期而走向失败。这道理很好理解，越是长得像人的机器人，用户就越是会用人的标准去衡量、评价它，希望越大，失望也就越大。
语音和自然语言处理方面的创业也有类似问题。今天的语音识别虽然做得相当不错，但机器的能力仅限于感知领域，只能完成听写这种以转录为主的任务。也就是说，机器目前只能很有效地将语音转换为文字，但根本无法直接理解文字的含义。只有限定一个非常特定的领域，技术才能解决问题，如果要求自然语言处理算法支持通用的人机对话，那就不切实际了。目前有许多从事智能客服、智能聊天机器人创业的团队，这些团队如果不善于界定问题领域，就很容易将需求问题变复杂，以至于人工智能技术也爱莫能助。
基于人脸识别技术的身份认证、安防类应用是中国人工智能创业的特色领域，并已经产生了至少四家独角兽或接近独角兽规模的创业公司。但这个领域的市场空间绝对不会像自动驾驶那么宽广，目前二三十家公司都要削尖脑袋挤进人脸识别市场的情况显然是过热了。
基于人工智能的辅助医疗诊断刚刚起步，就出现了一大批瞄准这一方向的创业公司。但只要是熟悉医疗行业的人都很清楚，在这个行业里，要得到闭环的、有标注的、数据量足以发挥深度学习效能的医疗大数据，其难度远超普通人的想象。没有符合要求的医疗数据，人工智能又该从何谈起?所以，在智能医疗领域，今后可以成功的初创公司，一定是那些既懂人工智能算法，又特别了解医疗行业，可以收集到高质量医疗数据的公司。
概括来说，目前的人工智能产业发展面临六大挑战：
一、前沿科研与产业实践尚未紧密衔接：除少数垂直领域凭借多年大数据积累和业务流程优化经验，已催生出营销、风控、智能投顾、安防等人工智能技术可直接落地的应用场景外，大多数传统行业的业务需求与人工智能的前沿科技成果之间尚存在不小距离。面向普通消费者的移动互联网应用与人工智能技术之间的结合尚处在探索阶段。科学家和研究者所习惯的学术语境，与创业者和工程师所习惯的产品语境之间还无法快速衔接。
二、人才缺口巨大，人才结构失衡：据LinkedIn 统计，全球目前拥有约 25 万名人工智能专业人才，其中美国约占三分之一。这一数量级的人才储备远无法满足未来几年中人工智能在垂直领域及消费者市场快速、稳健增长的宏观需求。人才供需矛盾显著，高级算法工程师、研究员和科学家的身价持续走高。人才结构方面，高端人才、中坚力量和基础人才间的数量比例远未达到最优。
三、数据孤岛化和碎片化问题明显：数据隐私、数据安全对人工智能技术建立跨行业、跨领域的大数据模型提出了政策、法规与监管方面的要求。各垂直领域的从业者从商业利益出发，也为数据的共享和流转限定了基本的规则和边界。此外，许多传统行业的数据积累在规范程度和流转效率上还远未达到可充分发挥人工智能技术潜能的程度。
四、可复用和标准化的技术框架、平台、工具、服务尚未成熟：虽然TensorFlow、Caffe、MXNet 等深度学习框架已被数以万计的研发团队采纳，相关开源项目的数量也在飞速增加，但一个完整人工智能生态所必备的，从芯片、总线、平台、架构到框架、应用模型、测评工具、可视化工具、云服务的模块化与标准化工作，尚需三年或更长时间才能真正成熟。
五、一些领域存在超前发展、盲目投资等问题：目前的人工智能技术只有在限定问题边界、规范使用场景、拥有大数据支持的领域才能发挥最大效能。但创投界存在盲目追捧，不顾领域自身发展程度，或利用人工智能来包装概念等现象。由此产生的盲目创业和投资问题虽非主流，但仍有可能伤害整个行业的健康发展。
六、创业难度相对较高，早期创业团队需要更多支持：与互联网时代、移动互联网时代的创业相比，人工智能创业团队面临诸多新的挑战。例如，对高级人才较为依赖，科学家创业者自身的商业实践经验较少，高质量大数据较难获得，深度学习计算单元和计算集群的价格十分昂贵，等等。
