AIGC技术行业的结合，已经是AIGC发展第二阶段的工作核心。但AIGC的行业发展并不像人们所乐观估计的那样，也面临着行业落地困境，主要原因何在？

我们可以从以下几个方面来进行分析。

首先，数据治理复杂。AI训练需要大量的数据支持，数据的获取主要有两种途径，一种为使用开源数据集，但开源数据集和客户实际业务差距较大，训练的模型不能满足客户实际业务需求；另一种是客户从自己的业务系统收集数据并进行治理，包含数据接入、数据清洗、数据质量和数据标注，最终输送给AI进行模型训练使用。

其次，AI开发技术门槛高。AI开发首先需要搭建开发训练环境，操作系统、GPU驱动、算子库、开发框架安装繁琐，之间的版本配套复杂往往需要很长时间进行搭建，搭建完成后易出现系统故障导致重新安装。在开发的过程中，算法程序、训练的模型结果在记录、保存、对比，的过程耗时耗力；整个AI开发过程中，对AI开发人员有较高的要求，需要具备多方面的技能。

第三，训练算力利用率低。在传统的AI开发中，AI算力资源分配给某个特定的部门或开发者，在开发者进行AI进行算法开发和训练时使用，其他大部分时间（如数据处理、应用程序开发等）不需要AI算力，基于释放资源后被其他人占用风险，往往不会进行资源释放，导致组织的整体AI算力的利用率不足40%，低下的算力利用率导致了AI开发成本的偏高。

第四，AI行业应用不成熟。在行业应用中，往往不是单一的物体检测、语音识别、文字识别等场景，而是综合了多种场景的综合体，在实际落地时需要结合实际的场景做针对性的算法调整和模型应用处理。

目前的原因主要是概括为以上几个方面，当然，AIGC的行业落地肯定不会是一帆风顺的，但前途是光明的！