人工智能和大數據在2017年的發展遇到了以下10個成長的煩惱，包括:人工智能無IQ標準、人工智能延伸邊緣、AI嵌入超算和云計算、大數據風口已過、數據保鮮難等等。

人工智能和大數據在2017年的發展遇到了以下10個成長的煩惱：

1.人工智能無IQ標準

人工智能領域發展最好的一個領域是無人駕駛，而究其原因不外乎其擁有了從L0到L5的全球通用標準。但是在其他領域，人工智能細分領域過多，標準化相對缺乏，語音識別做到什么境界算成功，圖像識別怎樣算最好無法定性，人類都有IQ值來評估是否聰明，可AI卻沒有。行業無標準讓市場、廠商和用戶都只能摸黑前行。

2.人工智能延伸邊緣

人工智能的應用在過去是由中心計算支持的，但是由于應用需求的邊緣化擴張，物聯網將會是人工智能的下一個發展重地，而邊緣計算在智能化領域開始成為主角。

3.AI嵌入超算和云計算

人工智能技術不僅在貼近用戶層面的邊緣化擴展，也在向更深層次的計算需求擴展。云計算和超算技術的發展正在帶領人工智能進入一個前所未有的領域。作為人工智能三大因素之一，計算力的發展讓人工智能能涉足的事情變多起來。

4.人工智能得風不得勢

人工智能的限制因素在于行業應用依然沒有發展，目前的主要應用在搜索、智能語音助手和智能家居等邊邊角角的小規模運用中，根本沒有發揮出自身優勢。而無人駕駛至少還需要3年的準備時間，行業規則也尚未定性，總體來看，人工智能只是炒作的噱頭還沒有利潤轉化的能力。

5.人工智能就業有誤

人工智能與人類就業的沖突已經被提上了日程。不少人擔心人工智能的發展會造成人類的大規模失業，而且還有以霍金為首的大批業內人士擔心人工智能的發展會讓人類毀滅。這些擔心盡管不無道理，可是人工智能也會造成另外的就業崗位崗，例如，人工智能設備共享的運營、維修。

6.大數據風口已過

大數據從起風到現在顯然風頭已經被人工智能蓋過，換言之大數據被鼓吹的年代已經過去，甚至曾經鼓吹大數據，必須要設立企業的首席數據官的公司，說了5年之后也對此不了了之。大數據的成效比實在差強人意也是讓人們看到了大數據難做的原因之一。

7.數據保鮮難

大數據進入非互聯網行業時，面臨的主要難題在數據采集。數據采集不全面則可能分析結果無價值，而全方位的采集又可能使得采集成本過高。同時，任何行業的大數據都面臨數據保鮮周期短，數據易過期的難題。

8.數據養黑市

大數據行業發展導致數據價值日益提升，因此黑客的主要攻擊目標也就被集中到了數據之上。企業不僅需要為采集到的數據及時的進行分類、處理、存儲和分析，也需要為數據的安全負責。在網絡環境日益復雜的情況中，黑市里的數據正在越來越多，保護數據的成本也在增加。

9.數據量爆發

管理不同步大數據在經歷了一輪輪爆發之后，企業在處理數據時所面對的海量數據需要進行數據篩選和數據清洗，但是數據清洗過程正在讓數據管理變得復雜化，非結構化數據包含的意義正在增多，數據清洗可能去掉有用的信息只留下想看到的不完整信息，這種數據管理方式會導致最終處理結果的偏差。

10.大數據商業化孤島形成

每一家企業都有自己的數據，而這些數據在進行商業化應用時，出于對個人隱私和競爭關系等因素考慮，并不會相互溝通，數據缺乏流通性和及時更新直接的結果就是導致不同企業的數據互不相同，孤島化數據成型，這種孤島化數據缺乏全面性，從而讓多數企業只能在自身偏頗的分析結果里獲取答案，遠談不上真正的大數據。