随着人工智能（AI）和机器学习（ML）技术的快速崛起，许多软件组织正积极推动敏捷开发转型，以提升响应市场变化的能力。在AI和ML基础软件开发项目中，敏捷开发方法的应用却常常受到限制或完全被忽略。这背后有多重原因值得深入探讨。
AI和ML项目的不确定性极高。与传统的软件开发不同，AI项目往往涉及探索性研究、数据质量的不确定性以及模型性能的不可预测性。敏捷开发强调迭代和快速交付，但在AI项目中，前期可能需要大量时间进行数据清洗、特征工程和模型实验，这些活动难以被精确分解成短周期的冲刺。当团队面临未知的技术挑战时，固定的迭代节奏可能导致压力过大，甚至影响项目方向。
AI基础软件开发对专业知识和基础设施的依赖性强。这类项目通常需要深厚的数据科学和算法背景，以及高性能计算资源。敏捷开发强调跨职能团队和通用技能，但在AI项目中，团队成员可能需要高度专业化，沟通和协作的复杂度增加。基础设施设置（如GPU集群、数据管道）往往需要较长的准备时间，这与敏捷的快速启动理念存在冲突。
需求定义的模糊性是一个关键因素。在传统软件中，用户故事可以清晰描述功能需求；但在AI项目中，需求可能涉及“提高模型准确率”或“优化推理速度”等抽象目标，很难在迭代中具体化。客户或利益相关者可能难以准确表达AI能力预期，导致敏捷开发中的优先级排序和验收标准设定困难。
文化和组织障碍也阻碍了敏捷开发在AI项目中的应用。许多组织在转型敏捷时，可能尚未适应AI项目的独特性。例如，管理层可能更倾向于采用瀑布模型，以便更好地控制研发预算和风险。数据科学家和工程师之间可能存在工作流程差异，数据科学家习惯于实验驱动的方法，而敏捷开发强调代码交付和持续集成，这需要额外的协调努力。
敏捷开发工具和实践在AI领域的适应性不足。例如，Scrum或Kanban板可能无法有效跟踪模型实验、数据版本或超参数调优过程。尽管有些团队尝试扩展敏捷框架（如DataOps或MLOps），但这些方法仍处于成熟阶段，缺乏广泛的标准支持。
虽然敏捷开发在传统软件开发中表现出色，但在AI和ML基础软件开发中，其应用面临独特挑战。组织在进行敏捷转型时，需要针对AI项目的特性进行调整，例如引入更灵活的计划周期、加强跨学科协作，并整合专门工具。通过融合敏捷原则与AI研发实践，才能更有效地推动创新，避免错过AI时代的机遇。
