人工智能的概念是上世纪中期提出的，不过受制于技术此后一直处于低谷。直到最近，人工智能概念不断回暖，俨然已经成为最近的科技热点， Garnter 也预测人工智能会成为 2014 年 10 大技术趋势之一。
科技巨头们对这一领域也倍加青睐，大举进入攻城拔寨。Google 的深度学习系统已经能够识别出猫脸，IBM 的超级计算机Watson已经不满足于在智力竞赛中击败人类选手，微软联合创始人 Paul Allen 可以让机器人通过高中生物考试，俄罗斯富豪德米特里?伊茨科夫甚至计划到 2045 年实现真实版的阿凡达计划，Facebook 也不甘人后，成立了人工智能实验室。
这些巨头磕磕绊绊好多年才有进展，普通人总会有错觉，人工智能是各种高端高冷高深。事实上，它背后的逻辑一般都可以简化为这样的过程：
收集海量数据；
信息处理（也就是行话所谓的特征设计），将信息变得有用、通用；
借助于算法、模型，输出结果，将结果反馈到现实环境。
从上面的逻辑过程中，我们就可以看出，在这波人工智能的大潮中，数据发挥的作用越来越重要，科技巨头凭借着数据、计算优势会占尽先机。Google 研究员 Ilya Sutskever 就表示，如果数据足够多、计算能力足够强、人工神经网络足够深，即便不加“pre training”预处理，也会收到不错的效果。
既然数据的重要性会日益增强，那未来的数据会有什么特性呢？
Navia Systems 的创始人 Beau Cronin，一直关注人工智能领域，在一篇科技文章中就提出了自己的观点。Beau Cronin 认为，未来的数据将会呈现出三个特性：
数据的载体会很小（比如基因，载体很小，但信息量巨大）；
数据必须借助于精确严谨的算法和模型才能编译（比如基因信息）；
数据获取的成本会越来越高（个人对信息安全越来越重视，政府很可能立法规范信息获取）。
人工智能的应用领域主要包括深度学习、基于云计算的大规模分布式数据挖掘、模拟人脑的平行计算芯片，像现在比较热的无人车、智能机器人也属于人工智能的范畴。结合上面提到的未来数据的特性，进入深度学习领域的门槛会越来越高，大公司已经具有先发优势，很可能占据主导地位，后来者并不适合去做。那么后来者可能在那些地方寻找到人工智能的机会呢？
高度智能的无人车导航方案：无人车的运行其实是基于事先准备好的地图和算法的，但目前还有很多地方是没有这种事先准备好可供无人车“学习”的地图。所以提供一个高度智能的无人车地图方案。比如说，借助于SLAM（Simultaneous Localization and Mapping的简称，同步定位与建图）， 机器人在未知环境中从一个未知位置开始移动，在移动过程中根据位置估计和地图进行自身定位，同时在自身定位的基础上建造增量式地图，实现机器人的自主定位和导航。
组织行为解释与预测方案：通过数据监控、分析，构建组织内的信息决策模型。举例来说，可以利用财务数据和其他公共数据，解释一个公司的某个行为，并且预测这个公司接下来的行动和发展。这个同样适用于制造业和商业，用来了解行业发展，评估行业表现，制定优化措施。
事实上，并不是说上述两个领域，谷歌这样的大公司做不了，而是这不是他们的主要业务，不会占据主导地位，因此后来者还是有机会的。