AI+在應用中存在一些堵點，其中“一多分有”可能涉及到數據整合、模型性能、應用落地等方面的問題。

在AI+的應用場景中，數據往往分散在不同的機構、部門或系統中，形成數據孤島。例如在醫療領域，影像數據、病理數據、臨床記錄等分別由不同的科室或醫療機構管理，難以實現有效的整合和共享，這限制了AI模型對全面數據的學習和分析，影響其性能和應用效果。AI+應用常常需要處理多種類型的數據，如圖像、文本、音頻等多模態數據。將這些不同模態的數據進行有效的融合和處理是一個復雜的問題，需要解決數據對齊、特征提取、模態間語義鴻溝等技術難題。

當對AI模型進行微調以適應新的任務或數據時，模型可能會忘記之前學到的知識，出現“災難性遺忘”。這意味著在一個領域優化模型可能會導致其在其他領域的性能大幅下降，限制了AI+在多領域應用中的靈活性和通用性。對于一些復雜問題，AI模型可能難以找到簡約有效的解決方案。當問題的描述過于詳細或復雜時，AI的理解力和處理能力可能會下降，無法滿足實際應用中的詳細需求，這在一定程度上阻礙了AI+在復雜任務中的應用。盡管AI技術在某些方面取得了顯著進展，但在一些關鍵領域，如醫療診斷、金融決策等，其準確性和可靠性仍需進一步提高。例如在醫療領域，AI模型的診斷準確性可能無法達到人類專家的水平，導致其在實際應用中難以完全取代人類，影響了AI+的落地。

在AI+應用中，當出現錯誤或問題時，責任的界定往往比較復雜。是開發者的責任、使用者的責任，還是AI系統本身的責任？此外，用戶對AI系統的信任度也需要逐步建立，這些問題都可能成為AI+應用落地的障礙。

在不少應用落地領域，AI+在人機環境系統中的堵點，主要體現在人機協作、環境適應性以及系統設計與集成這三個方面。

（1）人機協作

人類擅長直覺判斷、創造力和復雜的社會互動，而機器則擅長處理大量數據和重復性任務。當任務需要結合人類的創造力和機器的計算能力時，協調可能會變得復雜。機器通常遵循明確的規則和算法，而人類的思維更加靈活，可能會基于上下文和經驗做出決策，而機器可能難以理解復雜的語境，這可能導致溝通障礙。機器通常比人類更快，尤其是在數據處理和計算方面。然而，過快的反饋可能會讓人類感到困惑或無法跟上節奏，這可能導致人類在與機器協作時感到壓力，進而影響合作的效果。此外，人類和機器之間的溝通方式可能存在差異，機器通常只能處理結構化的數據，而人類的溝通往往是非結構化的，比如在語音識別系統中，口音、語調或背景噪音可能導致機器難以準確理解人類的意圖。人類通常基于經驗和直覺做出決策，而機器則基于算法和數據分析。在某些情況下，機器的決策可能無法充分考慮道德和倫理問題，這可能導致與人類價值觀的沖突。此外，人機信任與責任界定也是一個重要問題。人類對AI系統的信任度需要逐步建立，而且當出現錯誤或問題時，責任的界定往往比較復雜，這可能影響人機協作的效果。

（2）環境適應性

AI系統需要在復雜多變的環境中運行，如無人駕駛領域，車輛需要適應各種交通規則、道路條件和行人行為等復雜環境。這種復雜性使得AI系統難以有效應對，導致技術的瓶頸。此外，環境的變化可能影響AI系統的性能，例如在醫療領域，AI系統需要適應不同醫院的設備、數據格式和工作流程等差異。環境不僅是AI系統運行的外部條件，還與人類的行為和需求密切相關。AI系統需要能夠感知和理解環境的變化，并根據這些變化調整自身的行為，以更好地滿足人類的需求。如在智能家居領域，AI系統需要根據居住者的活動、偏好和環境的變化（如溫度、光照等）自動調整設備的狀態，提供舒適和安全的居住環境。

（3）系統設計與集成

AI+應用往往需要將多種技術進行融合，如將AI與物聯網、大數據、云計算等技術結合，以實現更復雜的功能和應用。然而，不同技術之間的兼容性和協同工作是一個挑戰，需要解決數據格式、通信協議、系統架構等方面的差異。AI系統的可靠性直接關系到其在實際應用中的效果和安全性。目前的AI系統可能存在“幻覺”問題和因果推理的短板，這些問題可能導致虛假信息泛濫，甚至沖擊醫療、法律等領域的公共決策系統。此外，AI系統的安全性也是一個重要問題，如數據隱私泄露、惡意攻擊等，這些問題可能對用戶造成嚴重的損失。

在人機環境系統中，人、機、環境之間的相互作用和協同需要從整體上進行優化。這不僅涉及到技術層面的優化，還需要考慮用戶體驗、工作流程、社會影響等多方面的因素。如在智能交通領域，AI系統需要與交通管理部門、駕駛員、行人等多方協同，優化交通流量、提高行車安全，這需要從系統層面進行整體規劃和設計。

數字助手在公共基礎服務上實現個性化服務確實面臨諸多挑戰，其本質在于在標準化與個性化之間尋求平衡，既要保證服務的普適性，又要滿足個體的特殊需求，這種平衡的把握難度在于以下幾方面：

（1）服務對象的多樣性與復雜性

公共基礎服務面向全社會不同群體，包括老人、兒童、殘疾人等，他們有著迥異的需求。例如，老年人可能需要更簡潔的操作界面和更耐心的引導，而年輕人則更注重功能的豐富性和效率。不同地區的人們因文化背景、生活習慣不同，對服務的期望也不同。如在一些傳統社區，居民可能更希望數字助手用本地語言和熟悉的方式提供服務，要提供個性化服務，數字助手需大量用戶數據，但受隱私保護法規限制，數據獲取難度大、不完整，影響個性化服務效果。如醫療領域，嚴格法規使數字助手難獲全面健康數據，限制其在個性化醫療服務上的表現。過度收集數據易侵犯隱私，引發用戶不信任；但數據收集不足，又影響個性化體驗。如何在保護隱私和提升體驗間找到平衡，是數字助手開發者面臨的難題。

（2）技術實現的復雜性與成本

個性化服務依賴復雜算法分析用戶行為數據，預測需求并推薦內容。但用戶需求多變，算法需不斷優化，對技術要求高。如在新聞推薦中，要準確把握用戶興趣并實時調整推薦內容，難度大。數字助手需融合語音、視覺、手勢等多模態交互技術，以自然方式理解用戶意圖。但多模態技術的集成和優化復雜，且成本高，給個性化服務帶來挑戰。

（3）資源分配與公平性問題

公共基礎服務資源有限，如網絡帶寬、服務器計算能力等，需在眾多用戶間分配。個性化服務可能使部分用戶占用更多資源，影響其他用戶權益，引發公平性爭議。在追求個性化的同時，要確保服務的可及性和普惠性，避免因技術門檻或經濟原因使部分群體被邊緣化，如低收入者和偏遠地區居民，他們應同樣能享受優質的數字助手服務。