经过多年发展，AI技术已经从2006年多伦多大学的杰弗里·辛顿教授对外发布自己的那三篇关于深度学习的论文开始，逐渐衍生出众多的流派。 

现在主流的是三大技术领域，也就是深度学习、机器逻辑和人工大脑。 

所谓机器逻辑是希望通过算法和数据的叠加，让计算机具备符合人类社会要求的逻辑和方法论，可以自主在某个领域判断并分析相应问题，并得出答案。 

所谓人工大脑，实际上是通过对人类大脑组织的研究，利用计算机的性能模拟和算法组织，形成类人工大脑功能和工作机制的计算机集群。 

以上两种人工智能理论，要么是从行为上希望能模拟人类的运作，要么是从大脑结构上希望对人类解析从而产生技术上的突破。问题是，这两个领域现在都是在探索阶段，离相应产品落地还有很长的距离。 

当下AI技术落地最普遍的，还是深度学习。 

深度学习技术意味着计算机要进入学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助。 

它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。 

在深度学习之前，哪怕是百度这样的AI巨头，都无一例外经历了穷举法的所谓“特征工程”阶段。例如最早的阿波罗自动驾驶平台，所有在AI中计算机应该对路上发生行为进行的反应，都是由线下的工作人员根据人工对此的反应进行的标注。 

一方面，每个人对任何事项的判断和反应都有着不同，这些不同积累到一定程度就容易引发AI系统的结构化错误；另一方面，要想完成庞大的面向社会层面操作的AI系统，那这种数据标注的结构下，又要动用大量的人力和时间。 

这种数据标注的“特征工程”方式实际上是一种“伪”AI，人类训练计算机只是进行一种简单的因果关系，而并没有掌握事情的本质。 

近年来，研究人员逐渐将“特征学习”和“规律发现”等AI方法结合起来，对原本已有督学习为基础的卷积神经网络，结合自编码神经网络进行无监督的预训练，进而利用鉴别信息微调网络参数形成的卷积深度置信网络。 

与传统的学习方法相比，深度学习方法预设了更多的模型参数，因此模型训练难度更大，根据统计学习的一般规律来看，模型参数越多，需要参与训练的数据量也越大。 

而随着计算机技术的进步以及分布化网络的形成，越来越多的算力，可以通过网络协调提供，这也就给人类AI技术的发展提供了一个新的基础。 

可以说，深度学习逐渐成为AI的主流。另外，由于大量数据的引用和积累，深度学习跟数据安全之间，也产生了必要的联系。