一、深度學習算法可以完成大多數智能計算任務
伊恩（Ian Goodfellow）“老爺子”在《深度學習》一書的引言中講了一個有趣的結論：“神經學家們發現，如果将雪貂的大腦重新連接配接，使視覺信号傳遞到聽覺區域，他們可以學會用大腦的聽覺處理區域去‘看’。這暗示着大多數哺乳動物的大腦使用單一的算法就可以解決他們大腦可以處理的大部分不同任務。”
而他所說的“大部分”不同任務，就是類似于人類能夠很容易的從複雜的環境中找出活動的人，判斷出他在做什麼運動、大概年齡，以及更深層的了解是否健康、心情如何等，目前傳統計算機算法很難處理，也是實作人工智能必須的任務。伊恩等深度學習專家，認為深度學習算法隻要科學的進行分層組合，就能夠完成幾乎所有的“智能計算”。
事實證明：通過引入深度學習算法，語音識别算法錯誤率降低了一半；在行人檢測和圖像分割中取得了引人注目的成功；DeepMind表明，基于深度學習算法的強化學習系統能夠在Atari視訊遊戲中完勝人類。
有了這樣一個智能領域的“通用算法”，距離實際應用還差什麼呢？超強的實時計算能力，龐大的新鮮的資料集！
二、泛在的深度學習計算需要專用晶片支撐
GPU，很多的GPU，昂貴的GPU是目前訓練複雜神經網絡的“神器”。這種為圖形計算研發的專用處理晶片，功耗、價格、尺寸都不适合現實的智能應用場景。
典型的智能應用場景，比如自動駕駛汽車、智能機器人，無疑是最具潛能的智能産品，均需要小型化、高可靠、低功耗、小尺寸的處理器，要大規模推廣更是需要價格的低廉。明顯目前的GPU是不符合要求的。
12月20日，機器學習領域大牛餘凱，從百度離職後創辦的“地平線”公司，推出了“征程（Journey）”和“旭日（Sunrise）”兩款人工智能晶片。自身将其定位為“中國首款全球領先的嵌入式人工智能視覺晶片”。當然，更多晶片廠商也都進入了這片藍海。大量的經費、技術、資源引入，肯定會出現越來越多的深度學習專用晶片，配套的視訊識别、語音翻譯專用系統內建子產品。讓整個行業，更快的告别用通用GPU完成深度學習的曆史。
三、大資料為實用系統提供上帝視角
獨立的不聯網的自動駕駛汽車是過去幾十年研究的熱點，包括雷達防碰撞、行人識别、路徑規劃等，這些算法均是離線完成的。而我們需要的是什麼樣的一個自動駕駛汽車呢。
“比雇傭一個專職司機還要好”：上車，告訴汽車目的地，一切就不用管了。汽車去尋找最快的路線，實時調整路線，自動規避堵塞、施工路段。而這些超越人類司機的上帝視角，需要雲端資料的支援。
設想5年後，随着“城市大腦”的逐漸完善，城市智能化設施越來越多，信号燈不再是固定的50秒紅燈、30秒綠燈了，而是根據車流實時調整。有些車道也不是固定的雙向4車道、8車道，而是大量建設可變車道，可以根據不同方向車流調整左右車道數量。
這時的自動駕駛就必須和城市大腦同步，聯合分析、規劃，獨立的個體和統計意義上的整體協同決策。最可靠的方法當然是，複雜的計算，宏觀的決策交給“雲”來做，實時的，隻涉及個體行為的計算交給“端”來做。
推而廣之，服務機器人作為人類的大腦、手腳的延伸，必須擷取社會上的潮流趨勢，精彩活動，才能為人類提供更加美妙的服務。而這些宏觀的資料挖掘是需要大資料雲計算支撐的。
四、每個人都生活在智能網絡中
梅特卡夫定律指出：網絡的價值随着使用者數平方的增長而增長，即與使用者數平方成正比。簡單了解就是，網絡上的“節點”越多，網絡的整體價值越大，單個節點獲得的價值越多，即“越共享越富有”。智慧何嘗不是呢？互相啟發分享，可以使每個人變得越來越聰明。聯網的汽車之間向人一樣的通話（車聯網的基本思路），是不是可以大量降低出現擦碰的風險。幾個汽車組成一個團體，是不是可以“跟随”行進，不需要每個人都計算，這是智慧網絡帶來的好處。放而遠之，如果所有的車輛都入網了，是不是汽車的投票就能夠決定“信号燈”的行為。單個晶片推動個人的智能，廣泛的互聯推動社會的智能。我們向網絡貢獻智慧，網絡向我們分享智慧。
在目前的技術圖譜中，預見10年之内的智慧網絡應該是這樣的：5G網絡提供高帶寬而普适、泛在的接入；公共雲平台逐漸彙聚越來越多的資料，形成全球共用的人臉資料庫、基因庫、城市地圖等智能算法所需的基礎“資料資源”；越來越多的基于專用晶片的行業應用模型可靠、高效、廉價；智能晶片産生的決策可以調控的一個個電子開關和驅動電機直接改變實體世界。
借用凱文凱利在《科技想要什麼》一書中所用的“拟人”化比喻：電動馬達是肌肉，傳感器是眼睛、耳朵，網絡是神經，各種能源管道是血管，而最核心的廣泛互聯的智能晶片和共享的資料，像神經元一樣組成了人類的大腦。
随着網絡技術、晶片技術、大資料技術的同步發力，這是一種趨勢和必然，不以人的意志轉移。