在大数据的背景下，人工智能需要改变传统发展思路，应该更加注重学习。李德毅表示，人工智能的核心不仅仅是算法。传统的思路认为，软件等于程序加数据，程序是最重要的，把数据放到程序里，进而形成人工智能。然而，随着大数据的发展，要形成数据驱动的人工智能，用记忆认知、技术认知和交互认知形成决策脑，才会出现当前人工智能井喷的局面和灿烂的前景。
除了要充分利用大数据的优势发现新的应用，开疆拓土，还需要更多地研究小数据。香港科技大学冠名讲座教授、国际人工智能学会FELLOW杨强表示，未来人工智能的成功并不一定需要大数据，小数据是否也可以让人工智能成功？这是发展人工智能需要进一步研究的问题。
除了软件方面的突破，人工智能的实现显然还需要更多的硬件支持。张代君表示，人工智能不可能“平地起高楼”，它仰赖配套的基础设施。“计算机的运算与控制核心是CPU（中央处理器），随着人工智能的发展，我们是否需要专为人工智能而生的‘APU’（人工智能处理器）？”
实际上，这样的深度学习所需专用芯片，已经在一家新生企业寒武纪中诞生。
寒武纪科技创始人及首席执行官陈天石介绍说，“现在人工智能深度学习成功的全部应用都是基于通用处理器，如CPU或者GPU处理器。但是，使用通用处理器去执行智能负载，效能比很低。5年前，谷歌大脑项目耗费了7天时间，动用了1.6万个CPU训练猫脸识别的模型。而今，中科院计算所研发的寒武纪专用芯片，其性能功耗比可达通用芯片的数百倍以上，而且今后还会进一步提高”。
陈天石表示，在未来的智能时代，不管是云服务器还是终端计算机设备，可能都需要像深度学习这样的专用处理器，它不会去替代从前已有的通用芯片，但是会专门处理智能任务这样重要又及其特殊的领域。
人工智能面临怎样的挑战
人工智能经历了60年的发展，尤其最近10年间，其语音识别、手写文字识别、人脸识别这样的传统识别技术，在大数据的引导下已经逐步商业化并形成了一个很大的风口。“虽然人工智能在60年间经历了三次发展高潮，但因没有标准化，人工智能的发展还处于比较初级的阶段。”张代君说。
百度深度学习研究员徐伟指出，人类智能的核心，是自我学习和创造的能力，这方面恰恰是现在人工智能系统的短板。
人工智能的进步，往往依靠大量数据的“投喂”。为了让机器认出一只猫，动辄需要准备成千上万只猫的图片。这种学习过程，显然和人类的学习方式相去甚远。“人工智能还很难从少量标注数据中学习。”徐伟指出。
相比人类而言，人工智能在某些方面还显得相当“笨拙”。谷歌的自动驾驶车，目前已经行驶了数百万公里，还是没法实现彻底“自主驾驶”；而开车里程1000公里的人类驾驶员，便算得上“老司机”，可以游刃有余地面对路上的突发情况。
即便当前人工智能十分引以为傲的AlphaGo，也存在很多缺陷。李德毅指出，从技术上说，AlphaGo的卷积神经网络有太多的学习参数，在学习中不能保证算法是正确的。此外，还有非常直观的不足表现在，AlphaGo程序还没有手、没有眼睛、没有感受和行为能力，下棋时还要有一个助理员拿棋子。它还没有情绪和情感，不能现场分析对手的心理状态，不能够现场和对手展开心理战，缺少交互认知的能力。
虽然AlphaGo的成功震惊世界，但李德毅还是对AlphaGo提出几点假设：如果让AlphaGo和李世石再下一次，AlphaGo能不能复盘？在比赛之前以及比赛之后，AlphaGo的程序变了没有？如果AlphaGo从此以后不再跟高棋手下棋，AlphaGo的程序水平会不会降低？
“AlphaGo的学习能力很强，因其是我们围棋手教出来的。因此，我认为人工智能深度学习发展至今，不管是卷积神经网络还是其他的神经网络学习方法，都不是人工智能的终结者。未来，围棋机器人要发展成为人类的伙伴，他们有智慧、个性和行为能力，甚至还有情感。”李德毅说。