谈到人工智能，炒作从未停止。我们不断收到警告，称人工智能即将彻底改变世界，如果现在不采用人工智能，我们就可能沦为失败者。从许多方面来看，当前的氛围与大数据热潮初期极为相似。我们从那段经历中吸取了一些(痛苦的)教训，但企业领导者是否还记得?
科技行业变化迅速，且容易出现周期性的非理性繁荣。有一定年龄的人会记得20世纪90年代末的互联网泡沫，当时万维网出现，互联网的商业化开始。当那些早期不稳定的商业模式未能成功，比如pets.com，投资者纷纷撤离，导致2000年的互联网泡沫破裂和2001年至2003年的经济衰退。
本世纪初Web 2.0(JavaScript、AJAX等)的出现带来了更先进的技术，这有助于创建可行的在线商业模式。2005年Facebook的推出、2006年AWS的上线以及2007年iPhone的发布，为社交媒体、云计算和移动电话革命的蓬勃发展奠定了基础。
到2010年，大数据已成为科技界热议的话题。消费者借助更强大的网页浏览器和智能手机开始产生海量数据，而基于通用X86技术的可扩展云系统则提供了新的数据存储与处理方式。雅虎(Yahoo)以谷歌(Google)内部技术为蓝本开发了Hadoop，而NoSQL数据库(同样源自谷歌)也从硅谷的数字沼泽中崭露头角，由此开启了一场为期十年的分布式计算实验。
突然间，每家企业都必须制定大数据战略。我们被告知，如果不“做”大数据，就有可能被更灵活的科技初创公司超越，甚至被街对面的竞争对手超越，因为他们已经全面投入大数据。恐惧与贪婪的氛围蔓延开来，数百亿美元被投入到新技术中，寄希望于这些技术能让企业做好大数据并赢得竞争。
但这个计划有几个问题。虽然Hadoop和NoSQL在某些方面技术上令人印象深刻，但它们并不总是容易采用和管理。开发基于Hadoop的新分布式框架(如Apache Hive、Apache MapReduce、Apache Storm等)的硅谷科技巨头，拥有数千名工程师来确保这些技术正常运行。而现实世界中的中型零售商和制造商则并非如此，他们误以为投资热门新技术就能自动获得竞争优势。
很快，大数据湖变成了大数据沼泽。企业发现，将海量数据存储在Hadoop中并不会神奇地改变其业务运营。魔鬼如往常一样，藏在细节中，这些细节在企业领导者急于实施“最新技术”以领先竞争对手或至少不落后于竞争对手时被忽视了。
Gartner的IT分析师警告称，大多数数据湖项目将以失败告终。他们撰文探讨了“数据湖谬论”，指出数据管理中的捷径必然导致不良后果。毫不意外，最初的数据湖愿景最终导致了大量沉没成本。整个Hadoop实验大约在2015年开始瓦解。一些组织想要让Hadoop为他们工作，大型机在几十年前就被认为已经淘汰，但至今仍在使用，但Hadoop解决方案的商业市场在2019年基本上崩溃了。
Hadoop技术的残余部分仍然存在，并在商业技术中发挥着重要作用。Hadoop分布式文件系统(HDFS)和Hadoop的资源调度器YARN，基本上已被S3兼容的对象存储和Kubernetes取代，后者构成了现代数据堆栈的基础。所有云计算巨头均已推出成功的大数据解决方案。甚至一些Hadoop时代的技术，如取代MapReduce的Apache Spark，以及解决Apache Hive数据一致性问题的Apache Iceberg，也正蓬勃发展。
然而，归根结底，大数据热潮的失败并非源于技术不足。而是源于一种非理性的信念，即新技术本身就能代表一种可行的商业策略。原本理性的商业领袖们不知何故被说服，认为投资某项技术就能神奇地转型业务。但在现实世界中，业务转型要困难得多。
Bill Schmarzo是“没有灵丹妙药”这一观点的最坚定支持者之一，他认为成功的业务转型是精心规划和大量努力工作的结果。十年前，这位“大数据教父”向本刊透露了他用来指导客户的“秘密配方”。他将其称为“SAM测试”，该测试允许企业领导者通过三个维度评估新IT项目的可行性。
首先，新项目是否具有战略性?也就是说，它是否会对公司产生重大影响?如果不会，为什么还要投入大量资金?
其次，拟议的项目是否可行?虽然新技术可能带来一些洞察，但你的业务是否真的能利用它?
第三，项目是否具有实质性?新项目在技术上可能可行，但如果成本超过收益，那么它就是失败的。
目前担任戴尔客户人工智能与数据创新战略师的Schmarzo也是数据治理与数据管理重要性的坚定倡导者。那些曾导致众多大数据项目失败的数据治理与数据管理问题，在人工智能时代也不可避免地再次浮出水面。
这让我们不得不提及当前的人工智能热潮。我们被告知，大型语言模型涉及数万亿美元的利益，我们正处于一场前所未有的技术变革的边缘。作为全球最有价值公司的首席执行官，英伟达的黄仁勋因其芯片在训练人工智能模型中的关键作用，被冠以“AI教父”的称号。我们距离实现人工智能的圣杯——通用人工智能(AGI)仅有短短几年之遥。
这一切可能被证明是真实的，也可能被证明是又一项未能如预期般实现的充满希望的技术，需要数年时间成熟后才能为主流企业带来实际价值，双方都有证据支持。不可否认，语言模型在文档理解和编程等领域展现出惊人的能力，利用人工智能加速科学发现的潜力令人垂涎。然而，我们也看到了熟悉的泡沫过热的警告信号。
恰逢其时，Gartner于6月发布警告称，到2027年，40%的代理型人工智能项目注定会失败。Gartner建议，不要盲目追逐人工智能，而是应确保人工智能“仅在能带来明确价值或投资回报率(ROI)的领域推进”。
人工智能的进步毋庸置疑，但将这一进步转化为商业成功仍是一个难以捉摸的目标。好消息是，通过降低预期、从小处着手、聚焦商业基本面，并应用Schmarzo的SAM测试，企业领导者最终将找到如何盈利地使用人工智能的方法。
