当前 AI 应用的不足有哪些
虽然当前国内 AI 技术逐渐成熟提升，服务种类不断丰富，但是在 MEC 与人工智能结合进行开发和应用时仍然面临着技术不达预期的问题。究其原因，主要归纳为以下几方面：
01、MEC AI 类行业应用部署障碍
MEC（边缘计算技术） AI 类行业应用，存在应用部署障碍，究其原因主要是生产环境对 AI 基础设施、算法及数据质量要求较高，但是企业 IT 基础设施在海量数据参与运算及分布式架构条件下，存在算力不足以及不兼容等问题。
02、MEC AI 类行业应用投入产出比不足
MEC（边缘计算技术） AI 类行业应用，存在投入产出比不足，企业应用人工智能的回报不及预期；在成本支出方面，企业所需的 AI 开发人才及 IT 资源相对稀缺，价值回报方面，虽然部分场景效果得到验证，但是在不同企业和具体工作环境下，效果并不稳定。
03、Cloud AI 技术架构
Cloud AI 技术架构中 , 边缘域与云中心侧对 AI计算能力要求不同，云侧在满足运算效能的前提下，希望针对不同网络有更优化的性能表现；边侧，在能耗为首要要求情况下，更加注重推断运算的性能；此外，数据入云过程中，由于数据流通不畅、数据质量良莠不齐和关键数据缺失问题，会影响有效的智能分析结果。
04、AI 赋能 5G 网络方面
在 AI 赋能 5G 网络方面，目前由于大数据和 AI的智能化水平并不完美，算法模型研发整体规划不足，各种 AI/ML 算法模型基本都是针对已识别的特定通信问题弊端缺陷而开发，缺乏系统性、全局性、可解释性方面的考虑，限制了系统 AI 能力服务的可拓展性、迭代增强性和 AI 模型泛化应用能力；在实际场景中，设备功耗、计算能力、应用场景等多种因素限制了 AI 算法在 5G 系统中真正部署限；当前 5G 系统中的各种 AI 资源能力（涵盖 AI 算力，AI 算法和 AI 数据方面）适配性待完善，尚不具备开放可交易性和服务化的特征，大部分仅仅限于 5G系统内的应用。
