AI不应该只停留在实验室、或论文中，而是应该用来解决实际问题的。
我们在研究AI问题时，总是喜欢将问题分类，比如视觉、自然语言等类型，然后在已有的数据集中，设计模型结构，一点点调优，最后追求那一点点的模型指标上的提升。
但面临实际问题时，却以“缺乏数据”、“这不是我研究的类型”等借口得出无法解决的结论。
但只要我们静下心来想想，真实的需求不就是这样吗？它不在乎你的指标是92％还是93％，不在乎你的假设条件，甚至不在乎你的推理时间是100ms还是120ms。在乎的是你真正帮助用户解决了问题。从收集数据、到问题建模、模型训练、接口工程，在乎的是这些真正能让方案落地的部分。
AI技术要想真正落地，就必须面对真正的用户需求。
我们面临实际的用户需求时，有可能会出现需求描述不清或过于简短等问题，这时就需要和用户沟通，细化用户需求，有可能还要做部分假设。在螺旋式开发过程中，还会存在：demo－>试用－>增量开发－>试用等反复递进开发的过程，这在实际落地中，都是可能存在的。
比如，AI模型市场就有这样一个需求：
求一个能分析中国古诗词的Ai模型
文如其人。我们能否通过对某个人诗词的Ai分析，比如关键词，比如语境，结合人生经历，得出某个诗人比如苏东坡的性格特质；
客户的需求是根据输入文本，推理性格特质。输入文本是属于NLP的范畴，而性格特质则可能需要开发者先做一些假设，形成一个简单的字典，然后进一步和需求方沟通了。
再比如，
一个AI能生成高清手绘图的模型，
我需要一个ai能生成各种配饰的高清手绘图。就是需要一个AI手绘设计师，这样就可以让我的画图师每天都有事情可做了。画图师是根据手绘图用犀牛绘制成能3D打印的图。当然如果AI能直接出犀牛格式的图，那就更好了。
客户的需求是一个非常专业的细分领域，但需求本身却并不一定复杂。图片生成在AI领域属于成熟问题，通过视觉建模有解决方案，但可能需要和客户进一步沟通，获取更多的微调样本数据。
AI模型市场有很多类似的客户真实需求，等待被解决。解决这些需求，都需要专业技能＋行业知识的整合，但也只有这样，才能真正解决客户的问题，创造真正的价值。
