受益于海量数据积累、算法进步和硬件技术提升，今天，我们看到的大多数人工智能更多的是机器学习技术加大量数据的应用，包括无人驾驶汽车、推荐引擎、防火墙等。这些数据有些来自传统的记录交易或记录测量的数据库，有些来自手机、相机、物联网等传感器的实时数据流。现代的人工智能是一种从海量且不断增长的数字信息中提取价值的新方式。只要找到了大量的数据流，就可以确定未来可能的应用以及如何从中受益。这些数据并不需要像传统数据库一样整理的干干净净、有条理，即使是杂乱纷繁、毫无章法也没关系。机器学习程序会把这些乱七八糟的数据自动整理，得出条理清晰的归纳或评论。
换个角度思考人工智能机遇
人类总是习惯用已有的知识体系来解释新生的事物。比如，当一项新技术被引进时，人们自然而然的会认为新技术会直接替代了某些他们已经熟知和理解的事物。但随着对这项新技术熟悉和掌握，人们逐渐意识到要想真正发挥新技术的作用，就需要重新设计相关流程。
汽车最初在1900年左右美国出现时，人们把这种机器叫做“不用马拉的车”。为什么?因为很容易直接把它理解成大家都熟悉的马车的替代品，只不过很神奇的是没有马拉而已。把马去掉有着明显的优势。汽车在不跑的时候不用喂饲料、不会生并不会拒绝工作，也不会随地大小便——这在当时城市里是个超乎想象的大问题。但是如果只把汽车当作一个没有马拉的车，那就忽略了这项新技术的真正力量。汽车给交通运输系统带来了革命性变化。但这些优势一直等到周边的基础设施出现了重大变化之后，才被人们意识到。
如今，我们面对无人驾驶汽车时，却正在重复着同样的错误。无人车将改变一切：人类的出行方式、生活方式，以及运输货物的方式。但是，如果没有特殊的空间专门用于无人车，与有人驾驶的汽车分隔开，这些优势将无法充分实现。比如说，自动驾驶的汽车可以互相非常接近的高速行驶。但如果与有人驾驶的汽车混在一起，无人车是不被允许这样行使的。而且，无人车也不需要车道，甚至不需要交通灯，车辆之间可以自己协商确定最有效的路径。
虽然现代化汽车装配流水线已经实现了高度自动化，但基本方式还是遵循着100年前亨利•福特的设计理念，即每一辆车通过一个又一个工作台，每个工作台的技术工人执行自己的任务。如今，虽然大多数技术工人已经被机器所取代，但生产线的理念仍是一样。这就意味着整个生产过程必须分解成所有人都能看到而且理解的一个个任务或工作台。这样工人就可以将制造流程中的每一个环节与一个特定位置联系起来。一个工人知道在哪里、什么时候给车装上轮子。经理则能够随时检查生产线，发现问题。但人工智能不需要遵循这样的理念原则，制造流程可以变得更加复杂，每一辆车可以采用不同形式的装配。
看看美国最大的电子零售商亚马逊不断变革的仓库库存模式，我们就会一窥其中的奥秘。在典型的传统仓库中，同样的物品被放在一起便于归类和查找。但是，在亚马逊最新的仓库里，一件物品是和其它经常一起运输的物品放在一起的。人眼看起来很混乱，到处都随意堆放着不同大孝形状、种类的物品，然而人工智能的电脑系统却能够指挥一群灵活的机器人，以更快的速度、更高的效率来处理订单。当然，同样的原理也可以适用于其他高度自动化的工厂。未来这种充分使用人工智能技术的工厂，可能会和今天的工厂看起来完全不同。装配中使用的零部件可能被放置于工厂的各个位置，一大群机器人跑来跑去按需求进行组装和配送零部件。当然也只有人工智能才能够指挥这样一场纷乱的器械式芭蕾，并享受其美感。
在不远的将来，工厂里将充满各种机器，能够拾取和打包订单，储存货物和整理货架，分类、剪切、检测和组装随意放置的组件。但这场革命不仅仅限于工厂。很快，人们将看到灵活的机器人无处不在，刷墙、刷楼、做饭、上菜、洗盘子、铺床、洗衣服、遛狗、铺管道、扫大街、取工具、拎包等等。但所有这些都只是使用人工智能的第一步。在初始阶段我们仅仅是用机器取代人类。之后，人工智能将打开工厂和公共空间完全重新设计的大门。