算法、算力和数据，是人工智能快速发展的三个要素。首先在算法上的突破，才让人工智能的商业化发展看到了希望。其次，计算能力的提升，使得复杂的算法得以实现，快速得出训练成果，降低成本。最后，大数据时代为人工智能的训练学习提供了大量的资料。离开其中任何一样，人工智能都无法实现大规模商业化应用。
1. 算法
算法是人工智能发展的基础，现在主要应用的深度学习算法。算法框架中诸如Caffe、TensorFlow、Torch等大多数已经实现了开源，成为大多数工程师的选择，对行业的加速发展和人才的培养起到了非常大的作用。
全球的开源平台的成熟，也使得中国企业能够快速地复制其他地区开发的先进算法。就应用层面而言，中国的算法发展程度与其他国家并无太大差距。事实上，中国在语言识别的人工智能算法上取得了突破性进展，在世界上领先。
2. 算力
计算能力是人工智能的基础设施之一，因此具有较高的战略意义。GPU(图形处理器)强大的并行计算能力显著提升了计算机的性能，而且降低了成本。英伟达最新的GTX1080游戏显卡拥有9TFLOPS的浮点性能，但是价格只要700美元。每GFLOPS的算力成本只有8美分。而1961年的IBM1620要提供1 GFLOPS的算力，费用大概是9万亿美分。
在算力部门，英伟达、英特尔和AMD这全球最大的三家芯片供应商，负责提供GPU和CPU。硅谷也在针对性发展FPGU(现场可编程门阵列)和ASIC(专用集成电路)，应用于人工智能计算。云计算和超级计算机也在为人工智能的发展提供服务。
3. 数据
人工智能系统必须通过大量的数据来“训练”自己，才能不断提升输出结果的质量。拥有的高质量数据越多，神经网络就会变得越有效率。
人工智能的根基是训练，就如同人类如果要获取一定的技能，那必须经过不断地训练才能获得，而且有熟能生巧之说。AI也是如此，只有经过大量的训练，神经网络才能总结出规律，应用到新的样本上。如果现实中出现了训练集中从未有过的场景，则网络会基本处于瞎猜状态，正确率可想而知。比如需要识别勺子，但训练集中勺子总和碗一起出现，网络很可能学到的是碗的特征，如果新的图片只有碗，没有勺子，依然很可能被分类为勺子。因此，对于AI而言，大量的数据太重要了，而且需要覆盖各种可能的场景，这样才能得到一个表现良好的模型，看起来更智能。
