数字基础设施的工程困境：从RAND报告看AI项目失败的全球启示

数字基础设施的工程困境：AI项目为何大规模失败？

一场全球性的资本冒险

当全球资本全力涌入人工智能领域时，一项冷静的研究给狂热氛围敲响警钟。RAND公司2024年8月发布的报告指出，超过80%的AI项目未能达到预期——这一失败率是未涉及AI的传统IT项目的两倍。这意味着，AI建设并不是普通的技术升级，而是一种更具复杂性的基础设施工程。

报告基于对65位资深数据科学家和机器学习工程师的深度访谈。受访者来自不同规模企业与机构，平均经验超过五年。他们的共识是：AI项目失败并非源于算法不够先进，而在于整个建设流程违背了基础设施工程的基本原则。

数据、算法与部署：数字基础设施的三大支柱

任何基础设施，无论是交通网络、能源管网，还是数据中心，都要求规划、建造、运营三阶段紧密衔接。AI系统同样如此：数据是原材料，算法是核心设备，部署环境是运行现场。任何一个环节的脱节都可能导致系统性崩溃。

RAND的研究提炼出五个反复出现的“反模式”，恰好对应了工程项目的五类结构性缺陷。我们将其置于基础设施分析框架中，可以看到它们的破坏力远超普通技术故障。

第一：问题定义偏差——选址与需求误判

在地面工程中，选址失误或需求误判，往往会导致项目建成后无法发挥功能。AI团队经常接收到模糊的业务指令，例如“我们需要预测销售”或“让流程智能化”。但缺乏对目标场景的严格定义，模型优化了错误的指标，交付成果与真实工作流无法适配。报告显示，这是受访者认为最普遍的失败原因。在基础设施范畴内，这相当于在居民区建设货运机场，无论工程质量多高，都无法使用。

第二：数据资产不足——供应链断裂

基础设施需要可靠的物资供应，AI则需要高质量的训练数据。许多组织认为只要积累更多数据即可，却忽视了数据质量、标注准确性、时效性和合法性问题。数据是AI的“混凝土”，不合格的原料必然催生脆弱模型。报告指出，掌握大量数据并不等于拥有可用的数据资产，数据管道残缺比算法落后更致命。

第三：技术至上主义——设备崇拜

工程领域常有“技术崇拜”现象，例如新兴建材、智慧系统被盲目采用，却不问是否适配当地地质与气候。AI团队也面临同样诱惑：追求最前沿的大模型、深度学习框架，而忽略了对真实问题的针对性解决。RAND的受访者观察到，一些项目选用“最炫”的技术，只是为了向上级展示“在进步”，最终无法投入生产。这种倾向将项目从解决问题异化为技术表演。

第四：支撑系统缺失——运营基础设施不配套

传统基建项目若缺乏电网、道路、维护团队，就无法运营。AI项目同样依赖完整的数据管理、模型部署、监控与更新基础设施。许多组织在开发阶段投入巨大，却缺少将模型集成到业务系统的工程能力。报告指出，没有合适的MLOps工具与管理流程，实验室中的高准确率模型在真实环境中迅速性能衰退，甚至不可用。

第五：问题复杂度误判——在不可能施工的地带动工

AI并非万能，某些任务本质上难以自动化。RAND的报告提醒，当技术被用于解决超出当前AI能力的问题时，失败是必然。类似于在陡峭悬崖或地质断裂带上强行建设大型工程，忽视了物理与技术的极限。受访者强调，AI的“智能”有边界，管理者必须承认这一点，而不是将AI神化为神奇工具。

项目融资视角下的AI风险与资本配置

如果我们将AI项目作为一类基础设施资产来评估，其融资失败率高达80%，足以令任何基础设施投资者却步。RAND的数据显示，尽管97%的企业领导者感到部署AI的紧迫性，但只有14%的组织确实做好准备。这种“意愿与能力”的巨大落差，反映了资本配置中的结构性错配：大量资金被投入到未经充分论证的试点项目中，而支撑这些项目长期运行的基础性投资却严重不足。

基础设施融资中有成熟的“可行性研究”和“全生命周期成本”概念。AI项目不应只关注训练模型的初期成本，还必须考虑数据治理、模型治理、持续学习与合规审计的成本。RAND报告的受访者多来自工程执行层，他们看到的是大量预算被消耗在模型调参上，而最基础的数据管道与系统集成反而无人资助。这种错配导致项目无法穿越“死亡之谷”，从模型原型走向规模化部署。

战略竞争中的数字基础设施

报告特别提及美国国防部每年投入18亿美元用于军事AI应用，并将AI视为未来战争的关键技术。这表明，AI不仅是商业竞争力，更是国家战略基础设施的一部分。在全球主要经济体竞相建设算力中心、数据平台与智能决策系统的背景下，AI项目的成败直接关系到长期的产业竞争力与国防安全。而高失败率消耗的不仅仅是资本，更是时间窗口与信任基础。若不能从工程学角度提升成功率，国家战略也将面临“纸上系统”的风险。

从反模式到成功蓝图：建设具有韧性的AI基础设施

RAND报告基于访谈给出了成功原则。对于产业界，领导者必须首先明确问题边界，避免“黑箱式”发标；其次，培养组织内部的数据意识，建立真正的数据资产；第三，选择成熟、稳定、可维护的技术路线，而非追逐热点；第四，投资MLOps基础设施，使模型能够被持续部署和监控；最后，对AI的能力边界保持现实预期。

对于学术界，报告建议研究项目应更多聚焦于现实约束下的可落地方案，并加强数据科学与领域知识的融合。这对于AI基础设施建设至关重要，因为理论突破必须转化为可交付的工程成果。

这些原则并不新颖。像一切大型基础设施的成功一样，它们强调秩序、纪律与长期视角。AI不是魔术，而是一种需要精密工程管理的新兴基础设施。当各国政府与私营部门在数字领域中展开竞争，必须理解：真正的基础设施不仅要建起来，更要用起来、养起来。

结论：从高失败率到高成熟度

AI项目目前的高失败率，并非意味着AI毫无价值，而是表明这个领域正处于从“技术试验”向“可靠工程”过渡的阵痛期。历史上，铁路、电网、电信网络都经历过类似的阶段。早期的铁路建设曾出现大量规划失误与资金损失，最终通过标准化、工程规范和政府监管，才成为现代文明的动脉。

今天的AI发展亦如此。RAND的研究提供了一个宝贵的反思清单。对于全球基础设施投资者与政策制定者而言，重要的不是回避AI，而是用建设基础设施的严谨态度对待每一项AI计划。只有将数据、算法、算力与组织流程视为一个整体系统，并遵循从定义到运营的完整周期，才能将AI的潜力转化为持久的生产力。全球竞争的下一个时代，将由那些能够成功建设数字基础设施的国家与机构定义。