AI+在应用中存在一些堵点，其中“一多分有”可能涉及到数据整合、模型性能、应用落地等方面的问题。

在AI+的应用场景中，数据往往分散在不同的机构、部门或系统中，形成数据孤岛。例如在医疗领域，影像数据、病理数据、临床记录等分别由不同的科室或医疗机构管理，难以实现有效的整合和共享，这限制了AI模型对全面数据的学习和分析，影响其性能和应用效果。AI+应用常常需要处理多种类型的数据，如图像、文本、音频等多模态数据。将这些不同模态的数据进行有效的融合和处理是一个复杂的问题，需要解决数据对齐、特征提取、模态间语义鸿沟等技术难题。

当对AI模型进行微调以适应新的任务或数据时，模型可能会忘记之前学到的知识，出现“灾难性遗忘”。这意味着在一个领域优化模型可能会导致其在其他领域的性能大幅下降，限制了AI+在多领域应用中的灵活性和通用性。对于一些复杂问题，AI模型可能难以找到简约有效的解决方案。当问题的描述过于详细或复杂时，AI的理解力和处理能力可能会下降，无法满足实际应用中的详细需求，这在一定程度上阻碍了AI+在复杂任务中的应用。尽管AI技术在某些方面取得了显著进展，但在一些关键领域，如医疗诊断、金融决策等，其准确性和可靠性仍需进一步提高。例如在医疗领域，AI模型的诊断准确性可能无法达到人类专家的水平，导致其在实际应用中难以完全取代人类，影响了AI+的落地。

在AI+应用中，当出现错误或问题时，责任的界定往往比较复杂。是开发者的责任、使用者的责任，还是AI系统本身的责任？此外，用户对AI系统的信任度也需要逐步建立，这些问题都可能成为AI+应用落地的障碍。

在不少应用落地领域，AI+在人机环境系统中的堵点，主要体现在人机协作、环境适应性以及系统设计与集成这三个方面。

（1）人机协作

人类擅长直觉判断、创造力和复杂的社会互动，而机器则擅长处理大量数据和重复性任务。当任务需要结合人类的创造力和机器的计算能力时，协调可能会变得复杂。机器通常遵循明确的规则和算法，而人类的思维更加灵活，可能会基于上下文和经验做出决策，而机器可能难以理解复杂的语境，这可能导致沟通障碍。机器通常比人类更快，尤其是在数据处理和计算方面。然而，过快的反馈可能会让人类感到困惑或无法跟上节奏，这可能导致人类在与机器协作时感到压力，进而影响合作的效果。此外，人类和机器之间的沟通方式可能存在差异，机器通常只能处理结构化的数据，而人类的沟通往往是非结构化的，比如在语音识别系统中，口音、语调或背景噪音可能导致机器难以准确理解人类的意图。人类通常基于经验和直觉做出决策，而机器则基于算法和数据分析。在某些情况下，机器的决策可能无法充分考虑道德和伦理问题，这可能导致与人类价值观的冲突。此外，人机信任与责任界定也是一个重要问题。人类对AI系统的信任度需要逐步建立，而且当出现错误或问题时，责任的界定往往比较复杂，这可能影响人机协作的效果。

（2）环境适应性

AI系统需要在复杂多变的环境中运行，如无人驾驶领域，车辆需要适应各种交通规则、道路条件和行人行为等复杂环境。这种复杂性使得AI系统难以有效应对，导致技术的瓶颈。此外，环境的变化可能影响AI系统的性能，例如在医疗领域，AI系统需要适应不同医院的设备、数据格式和工作流程等差异。环境不仅是AI系统运行的外部条件，还与人类的行为和需求密切相关。AI系统需要能够感知和理解环境的变化，并根据这些变化调整自身的行为，以更好地满足人类的需求。如在智能家居领域，AI系统需要根据居住者的活动、偏好和环境的变化（如温度、光照等）自动调整设备的状态，提供舒适和安全的居住环境。

（3）系统设计与集成

AI+应用往往需要将多种技术进行融合，如将AI与物联网、大数据、云计算等技术结合，以实现更复杂的功能和应用。然而，不同技术之间的兼容性和协同工作是一个挑战，需要解决数据格式、通信协议、系统架构等方面的差异。AI系统的可靠性直接关系到其在实际应用中的效果和安全性。目前的AI系统可能存在“幻觉”问题和因果推理的短板，这些问题可能导致虚假信息泛滥，甚至冲击医疗、法律等领域的公共决策系统。此外，AI系统的安全性也是一个重要问题，如数据隐私泄露、恶意攻击等，这些问题可能对用户造成严重的损失。

在人机环境系统中，人、机、环境之间的相互作用和协同需要从整体上进行优化。这不仅涉及到技术层面的优化，还需要考虑用户体验、工作流程、社会影响等多方面的因素。如在智能交通领域，AI系统需要与交通管理部门、驾驶员、行人等多方协同，优化交通流量、提高行车安全，这需要从系统层面进行整体规划和设计。

数字助手在公共基础服务上实现个性化服务确实面临诸多挑战，其本质在于在标准化与个性化之间寻求平衡，既要保证服务的普适性，又要满足个体的特殊需求，这种平衡的把握难度在于以下几方面：

（1）服务对象的多样性与复杂性

公共基础服务面向全社会不同群体，包括老人、儿童、残疾人等，他们有着迥异的需求。例如，老年人可能需要更简洁的操作界面和更耐心的引导，而年轻人则更注重功能的丰富性和效率。不同地区的人们因文化背景、生活习惯不同，对服务的期望也不同。如在一些传统社区，居民可能更希望数字助手用本地语言和熟悉的方式提供服务，要提供个性化服务，数字助手需大量用户数据，但受隐私保护法规限制，数据获取难度大、不完整，影响个性化服务效果。如医疗领域，严格法规使数字助手难获全面健康数据，限制其在个性化医疗服务上的表现。过度收集数据易侵犯隐私，引发用户不信任；但数据收集不足，又影响个性化体验。如何在保护隐私和提升体验间找到平衡，是数字助手开发者面临的难题。

（2）技术实现的复杂性与成本

个性化服务依赖复杂算法分析用户行为数据，预测需求并推荐内容。但用户需求多变，算法需不断优化，对技术要求高。如在新闻推荐中，要准确把握用户兴趣并实时调整推荐内容，难度大。数字助手需融合语音、视觉、手势等多模态交互技术，以自然方式理解用户意图。但多模态技术的集成和优化复杂，且成本高，给个性化服务带来挑战。

（3）资源分配与公平性问题

公共基础服务资源有限，如网络带宽、服务器计算能力等，需在众多用户间分配。个性化服务可能使部分用户占用更多资源，影响其他用户权益，引发公平性争议。在追求个性化的同时，要确保服务的可及性和普惠性，避免因技术门槛或经济原因使部分群体被边缘化，如低收入者和偏远地区居民，他们应同样能享受优质的数字助手服务。