有一天一个工厂甲方找你，说有一个工艺环节人工成本太高了，看看能不能用人工智能代替。你去实地考察后，发现他们现场工人操作全靠经验，规则十分模糊。经过多次调研后，你终于确定了大致的规则，能够对这一个工艺环节以人工智能的方式抽象后，项目终于立项了。
然后你发现数据的收集特别困难（没有电子记录设备，你得驻场抄数据，且没有历史数据，一抄就要抄好久，不然数据不够模型训不了），收集到的数据标注很脏（因为经验不足，有的时候不得不让现场工人标注，因为基本没法定标注规则，数据很脏）。
千辛万苦收集到数据后，训模型倒是很顺利，找个 resnet/bert 训一下，精度有 95%。然后你兴冲冲的找甲方汇报，甲方说我们这没有带显卡的机器，只有一个老旧的 CPU 服务器，让你把模型部署在上面试试看。得，压缩模型吧。经过大量的调优后，模型在 CPU 服务器上速度够了，但精度只能到 90% 了。
用户看看之后觉得可行，然后又提出新需求了：过段时间项目要汇报了，能不能跟省里的专家讲讲你的算法的原理；90% 精度还是太低了，能不能搞到 100%；我们的工艺可能要变一下，你的模型应该能自适应的吧…
这也是为啥现在很多头部大厂不愿意深入工业领域做深度学习应用的原因：要么就是因为各种因素的限制做不了（比如项目问题无法抽象），要么就是能做性价比太低（需要投入大量人力，项目款项还少，且每个厂子需求都不一样没法复用）。