据外媒（VentureBeat）报道，在20世纪80年代后期，随着许多初创公司、政府部门和大型企业部署新系统来执行原本只能完成的任务通过专家工作，人工智能迎来了新的高潮。这些系统根据规则运行。与过去依赖于传统编程语言的严格程序逻辑不同，新系统将行为编码为规则。随着内存等硬件配置的提升，系统可以处理更复杂的计算任务，如机器学习、规划调度、理解自然语言等。在当今大数据时代，很多人认为人工智能已经转移了它的技术领域，其实并没有。正如TalkingHeads在他们的歌曲中唱的那样：一切都保持不变。智能应用的核心始终如一。只是1980年代和90年代的航天飞机、太空望远镜和空间站使用的技术在随后的几年中不断商业化。正是在此基础上，我们得以开展电子商务、企业资源规划（ERP）、客户关系管理（CRM）等复杂业务。如今，AI应用程序正被用于处理大量数据。人工智能应用程序可能各不相同，但它们的核心都大同小异。这些应用包括：生命科学应用可以从临床试验数据中学习信息，为医生提供全面的诊疗和用药建议；网络威胁安全系统可以预测和发现业务中最薄弱的因素，提前给出保险购买建议；物联网(IoT)系统使用射频识别技术(RFID)来监控材料位置的变化，从而做出更有效的规划和更准确的预测，从而防止犯罪行为。此外，在我们日常生活的所见所闻中，还有大量的人工智能为人类服务。Siri和Alexa随时等待你的语音指令，越来越多的汽车配备自动泊车甚至自动驾驶功能，城市之间的无人驾驶火车，AlphaGo下围棋，IBM超级计算机Watson击败人类赢得电视问答比赛冠军榜单继续下去。虽然具体应用在不断变化，但人工智能有五个核心要素是永恒不变的，连接和支撑着过去四十年人工智能技术的成败。这些AI应用程序必须处理大量数据，对周围环境做出反应，学习提高性能，面向未来，并有能力同时支持数千万的人和系统。数据密集型摄取数据密集型AI系统处理大量数据，通常以数十亿个计算单位为单位。实时处理如此大量的数据是人工智能程序必须完成的艰巨任务之一。此外，它必须能够处理连续流数据（例如来自物联网传感器的不间断数据）和批处理数据（例如大型历史数据集）。自适应自适应应用程序使用机器学习技术来改进自身，并且它们的性能会随着时间的推移而提高。机器学习工作流需要数据科学家在实验环境中执行模型选择、特征工程迭代、算法选择和参数调整。然后应用程序开发人员部署模型，当有新数据进来时，模型程序可以根据设置对数据进行分类。然后，应用程序会检查分类结果并使用这些结果进行重复训练。与传统的批处理程序不同，现代人工智能系统能够对周围不断变化的数据做出实时反应。人工智能应用程序持续监控数据输??入，在现实场景中，这些输入通常来自流数据平台。当满足一定的条件时，程序会进行进一步的运算处理。简而言之，程序总是准备好处理数据。前瞻性许多人工智能系统不仅仅专注于解决眼前的问题，它们还预测未来的可能性以确定最佳解决方案。规划系统、游戏，甚至语言解析系统，都需要进行最前瞻性的处理，从而得出最优解。这需要AI系统能够适应新的输入数据。（比如最新消息显示，台风造成中国部分航运延误，需要AI系统根据各种假设提出全面的重新规划方案。）同时性和传统应用一样，AI程序必须同时处理来自多人或系统的数据。任务交互。他们使用在操作系统和数据库领域的分布式系统开发中使用的技术来维护ACID属性。以上五个属性使现代人工智能系统能够提供令用户满意的性能。此外，随着数据量的增长和响应时间的减少，构建良好的系统可以轻松扩展其技术基础架构，而无需重建一切。鉴于这些程序性能对个人和企业的重要性，保持在线和运行可能是所有人工智能系统的共同特征。
