我们看到，为了持续获得好的成果，深度学习需要专家系统和相应的设备。目前被普遍认可的是DNN架构。然而，深度学习的计算资源并不是随手可得的，有一些技术还比较模糊，没有一个单一的算法或系统当前能够满足所有深度学习的处理需求。

深度学习当前的成功是通过DNN的主要变量：图像和语音识别中的卷积神经网络；自然语言处理和翻译中的递归神经网络；生物信息学中的自动编码的人工神经网络。建议在能力范围内把深度学习的数据作为长期投资的重点，因为正确数据的价值会随着时间增长。建议在法律和道德都很明晰的领域避免使用DNNs，例如当你注定要面临欧盟数据保护规定的时候。在美国，国防高级研究计划局（DARPA）资助了一个解释人工智能的项目，但这将需要几年的时间。

对于产业来说，深度学习对所有行业都具有转换和颠覆潜力。对于那些想实现这种潜力的人来说，挑战是要找出正确的问题，以便在深度学习中加以解决。

DNN潜能的基础是对高维复杂数据颗粒的表征能力。DNN可以通过解释图像来诊断早期的肿瘤，并给出可靠的结果；帮助改善视障人士的视觉能力；帮助车辆自动驾驶；给黑白照片染上彩色；给元素缺失的照片补上缺憾；识别和理解一个特定人的语音等。

>>>> 机器学习

机器学习是从一系列观察中提取某种知识和模式，有三个主要分支：监督学习（也被称为“标记数据”）、无监督学习、强化学习（给出好到什么程度和坏到什么情形的评价）。

机器学习是目前最热门的技术概念之一。机器学习的一个分支就是深度学习，其中涉及深度神经网络，受到格外关注是因为它涉足了认知领域，而这以前是人类的专属领地：图像识别，文本理解和语音识别方面都身手不凡。机器学习将在以下方面驱动改进和解决新业务问题，展现大量的商业和社会场景：分别是自动化领域、药物研究、客户关系管理、供应链优化、预见性维护、操作效能、反欺诈、自动驾驶、资源优化等领域。机器学习的影响可以是显性的或隐性的，显性的影响来自主动接受机器学习服务，隐性影响来自您使用的产品和解决方案，而不知道它们包含了机器学习的成分。

>>>> 自动驾驶

自动驾驶是指车辆不需要人类干预，自己就可以从一个起点，借助各种车载技术和传感器，如激光雷达、雷达和摄像头，以及控制系统、软件、地图数据、GPS和无线通信数据等，“自动驾驶”到预定目的地。传感器、定位、成像、引导、人工智能(AI)、映射和通讯技术的不断进步，以及先进软件和云计算的快速发展， 使得自动驾驶很快成为现实。

2017年，汽车制造商和技术公司开发的自动驾驶汽车得到了主流媒体的吹捧，导致对这项技术不切实际的和过高的期望。AI是一个关键的技术，使基于机器学习和算法的自动驾驶得以加速发展。自动驾驶目前的主要挑战是成本，当然人们也在可靠性、道德、法律层面展开研讨。

>>>> 碳纳米管电子

利用半导体性质，碳纳米管为将来制备具有高速开关的微晶体管半导体设备提供了可能。利用金属（导电）性质，碳纳米管为作为低电阻连接件应用到集成电路中提供了可能。人们正在评估将碳纳米材料技术应用到硅及其化合物的半导体材料中。具有半导体特性的碳纳米管有望在未来半导体器件中具有高开关速度的小型晶体管。具有金属（导电）特性的碳纳米管具有低电阻的特性，可以应用于集成电路中的互连。其他纳米管材料包括硅和化合物半导体材料正在评估中。硅版本（通常称为硅纳米线）正在积极研究用于硅阳极电池。

>>>> 认知计算

认知计算包括虚拟助理，认知专家顾问和智能增强现实等这些类别的技术，改进和提升人类的认知任务。我们认识到“认知计算”是当前市场上的宣传词，但不相信这些系统真正能够认知。但可以说，他们模仿和/或延长人类的认知能力。他们是互动的，在对话中迭代，atv，回顾以往的相互作用，并适应信息的变化或目标的改变。当前认知计算处于新兴技术曲线的顶端位置，主要是AI的发展所致。在自动驾驶、虚拟客户助理等领域，认知计算处于非常重要的位置，AI可能会因为认知计算取代人工。炒作、预期、需求都将推动认知计算的发展。未来5年，我们希望认知计算的主要障碍得到解决，加上物联网、大数据，促动更大的商业创新。

>>>> 区块链