尽管从最近一段时间来看，AIoT已经受到许多巨头企业的重视，例如华为首次公布AIoT战略、京东将其IoT业务整合升级为小京鱼AIoT生态，但是这些并不意味着前路坦荡。
AIoT目前仍处于发展的起步阶段，只能作为一种美好的愿想，无论从AI还是IoT本身来看，仍然存在着许许多多的问题。如同互联网等新兴技术发展初期一样，AIoT也多少存在追捧与泡沫。
AI的发展仍很薄弱
AI近些年非常火热，尤其借由DeepMind推出的AlphaGo在围棋领域战胜人类一事，一度将其推上“神坛”。时隔两年，DeepMind携全新AlphaStar再次惊艳亮相，最近在策略类游戏“星际争霸2”中也让人类败下阵来。
这些已有的成就固然令人瞩目，然而现实生活中，AI仍然没有真正走进生活，成为改变世界的重要力量。目前来看，成熟的AI需要相当长的路径，无论是底层技术，还是相应的训练，甚至相关人才的培养等，远不是短时间内可以完成的。AI作为AIoT的核心之一，它的发展对AIoT的落地仍然具有至关重要的影响。
算力太贵
AI算力平台的搭建，需要大量的CPU和GPU。目前风靡全球的AI产品AlphaGo使用的TPU是一种类似GPU的算法芯片，它的能耗功效比非常高。训练AlphaGo的算力相当于12000块常见的消费级1080TI，所花费的开支逾千万。
普通计算机的计算能力是有限的，利用其训练一个模型往往需要数周至数月的时间。密集和频繁地使用高速计算资源，其所花费的成本往往难以估计。这些开销对于大企业来讲或许承担得起，但对中小型企业而言，往往是难以负担的巨额数字。
正是由于AI对计算的需求非常大，对高性能计算芯片的需求很高，国内企业对这一领域持续发力，比如华为不久前推出的鲲鹏920芯片，云知声也宣布正在研发多款AI芯片，一时捷报频传。然而这不意味着芯片价格会大幅度下调，对于企业来讲，仍然需要在硬件方面给予极大的支持，这也意味着企业需要花很多钱才能购买到需要的算力。
训练太慢
AI芯片自设计生产后，其实是什么都做不了的，想要让它达到真正的智能，需要大量正确的合适的样例进行训练。就像教宝宝逐渐学会说话和走路一样，AI的训练过程也是漫长的，而且难度更大、复杂度更高。
AI本质上仍然是机器，并没有具备真正意义上的智力。以识别图片为例，AI需要对几亿张图片进行数据标注，记住相应的数据特征，在实际的识别中完成的是一个概率判断。所以，AI的“思考”核心是机器算法，并不会拥有人类这样的真正思维。正因如此，AI的训练所需的时间是非常长的，目前仅训练一些简单的识别尚需数周时间，面对未来应用场景的丰富性，有必要在算法层面予以增强。
另外，如今想要进入AIoT领域的企业有很多都是家电及硬件厂商——尽管它们深谙各自领域的相关技术及规则，但对于进入AI这个完全陌生的领域，本身对于算法的积累几乎为零，需要针对相关产品从零设计相关算法并完成训练所需耗费的时间成本也是巨大的。
应用太浅
尽管AI最近几年非常热门，但是目前仍然处于发展的初期，仍然很难将实验室理想环境下的成功产品应用至生产生活中去。其最主要的原因有两个，一个是数据少，另一个是AI并非单独的产品。尽管AIoT或许能够解决AI数据少的问题，但是AI针对不同问题、不同领域的落地仍然很难扩展，效率很低。
对于AIoT来讲，将AI应用在数量众多的物联网设备上，首先要解决的是兼容性问题。物联网设备并非都是单一标准的，将一项新技术应用推广开来所需处理的兼容性问题非常繁杂，大规模部署问题重重。此外，从火热的智能音箱可以看出，目前的AI相关技术仍然主要处于探索语音交互方面，对其他的交互仍没有很好的解决方案，而且语音交互的适用场景并不能完全推广开来。
AIoT想要跨越AI这座山峰，需要解决的是一个全场景的问题，从基础的算法，到开发训练，再到应用部署能力等等。未来AIoT的进步与落地，仍然需要企业间竞争与合作，促进资源分享与技术进步。
