1、人工智能产业自1956年夏天在达特茅斯会议上诞生以来，经历了三次浪潮。第一次浪潮中，人们惊呼“人工智能来了”、“机器十年后将超越人类”，并相继发明了第一个感知神经网络软件、证明了数学定理。
2、第二次，随着80年代Hopfield神经网络、BT训练算法的提出，语音识别、语音翻译方案以及日本提出的第五代计算机的出现，但由于未能真正走入人们的日常生活，前两次浪潮最终归于沉寂。
3、当今第三次人工智能浪潮的兴起，得益于深度学习技术的突破。这种技术是一种“深度”结构，需要训练大型神经网络，每一层都可以解决机器学习的不同方面。它的特点是不再依赖硬件代码和预定义规则，而是依靠模拟人脑的神经网络系统从案例和经验中学习算法。
4、“人工智能的不同技术应用处于不同的阶段。其中语音识别处于推广普及阶段，三五年内，计算机的语言识别能力将超过人类。10年内，视觉图像识别也会发展得很好。在无人驾驶汽车领域，一些类似于分析过去能力的人工智能功能已经实现。具有有限记忆的人工智能正处于实验室研究阶段。”沈向洋指出，“但具有自我意识的人工智能，距离我们还很远。”
5、神经网络、深度学习等技术架构已经存在很多年了，之所以在过去5到10年里有了飞跃，是因为数据、硬件和算法的变化。
6、据IDC数字王国报告，到2020年，每年的数据量将达到44ZB（1ZB等于1万亿G），5年内年复合增长率将达到141%。随着数据量的增长，神经网络将变得更加高效，机器语言可以解决的问题也越来越多。
7、硬件能力的提升提高了神经网络结果的速度和准确性。与基于数据中心架构的传统CPU不同，使用GPU和并行架构可以更快地训练机器学习系统。通过使用图像芯片，网络可以更快地迭代以确保训练的准确性。专用硅片FPGA，例如微软和百度使用的FPGA，可以使深度学习系统进行更快的推理。超级计算机的计算能力可以帮助探索深度学习的更多可能性。
8、随着数据更加丰富，硬件能力更加优秀，如今的研发更加偏向于算法，比如伯克利的Caffe，Google的TensorFlow、Torch等开源框架。
9. 尽管技术取得了巨大进步，但深度学习驱动的人工智能技术还大多停留在分类、聚类和预测的阶段，例如：图像、文本、语音的识别，相似项的比较和搜索，或基于相关数据的预测。而能够完全复制人类智能（如自主学习和决策能力）的通用人工智能（或强人工智能）还仅停留在理论想象中。
10、其瓶颈更多体现在计算能力不足。目前，已有类似全脑模拟的技术被用于实现通用人工智能的目标，但所需的计算能力远远超出了目前的技术能力。未来随着量子计算机取得突破，这一瓶颈有望被突破。5月3日，中国科学院宣布，中国科学家成功建造了世界上第一台超越早期经典计算机的光量子计算机，实现了十个超导量子比特的高精度操控，打破了此前由美国保持的纪录。量子计算采用量子相干叠加原理，原则上具有超快速并行计算和模拟能力，可以为经典计算机无法解决的大规模计算问题提供有效解决方案。中国科学技术大学潘建伟教授团队利用自主研发的国际上综合性能最优的量子点单光子源，通过电控可编程光量子电路，搭建了用于多光子“玻色采样”任务的光量子计算原型。
11. 然而，光量子计算机要广泛应用于人工智能领域还有很长的路要走。
