也許是科幻電影威力太大，人們想到人工智慧就覺得威力驚人，就像是孫悟空一樣，飛天遁地，還會七十二變。誰說不是呢？據說圍棋的棋步比宇宙的原子還多，還不是被阿法狗搞定了？
這樣的說法也對也不對，首先，人工智慧可以很有威力，但僅限於特定的場景，其次，訓練結果能不能發揮威力還不知道，要訓練出可用模型，還是有點門檻。
客戶期望有落差
以工業場合來說，以人工智慧結合機器視覺為的工業缺陷辨識是目前最受重視的應用，也有許多團隊投入，不過，有能力落地的應用還相當有限。稍微了解這個領域的人會說是樣本不易取得、標註太辛苦等問題，這都沒錯，不過在這之前還有兩個關鍵需要突破，首先是客戶的期望，其次是切入方式。
想要導入AI的工業客戶都不至於太小，對於自動化也有完整而豐富的成功經驗，因此，在過往勝利方程式的指引下，習慣將AI工具視為超級版的自動化工具。
儘管事實並非如此，但承接專案的團隊，又想快速取案結案，又希望可以在AI主題下增加利潤，因此，客人怎麼說都點頭稱善、怎麼理解都說思路正確，只要一開始可以拿到案子，最後可以驗收就百無禁忌。不讓客戶理解真相、隨性解釋的做法，從生意和利潤角度無可厚非，但對於AI在工業領域的長遠發展其實沒什麼好處。
機器需有學習期
工廠慣用自動化，自動化工具的本質在於如何以設備快速、精準地實現特定動作與功能，鎖上最後一顆螺絲的那一瞬間機器的最高規格與效能便已經固定，接下來只是逐漸釋放生產力直至退役。
AI工具正好相反，最初點亮神經元的那一瞬間，機器腦袋裡面還是混沌一片，得再有一段學習期，投入足夠的材料，才能建構出高效實用的模型，不過，等待會有回報，AI啟動之後，就進入不斷學習終身學習的歷程，除非場景有重大變化，說是要永遠運行也不是不可能。回到孫猴子的例子，AI就像這隻潑猴，得經過磨煉，才能大成。
有不良品才能成長
另外一個門檻是切入方式，在工業場景中，缺陷品是絕對是少見的例外，但AI又要求有一定的不良樣品才能有效學習，兩者之間貌似有重大矛盾，難以解決。
其實不然，在機器學習中也有一種技術稱為小樣本學習，利用極其有限的樣本生產出具備一定泛化能力的模型，更具體地說，就像是靠著一幅豹皮裙，就要在千萬隻猴子中找到孫悟空一樣，而且還不能光說不練，或者是一隻隻問「你是不是孫猴子？」前者像是知識淵博的學者，可惜不太容易落地，後者是動手優先的老師傅，但問題與新資訊來得又多又快，已經不是雙手可以解決。
但客戶也各自不同，例如電路板客戶可以容許錯殺一萬但不許漏放，傳產客戶就對缺陷有一定容忍度，品質極高但毫無良率的檢驗標準，對於這種客戶來說簡直是結下不共戴天之仇，因此，光是針對如何建構適合特定客戶的AI工具，可能都得靠AI計算一次才行。