根據資誠聯合會計師事務所（PWC）的《全球人工智慧研究報告》指出，從現在到2030 年，人工智慧將會是全球最大的商機來源之一，無論是對生產力的改善和提升，或是人工智慧為生技醫療業帶來的革命性變化，事實上幾乎沒有任何一個產業或任何一家企業不受人工智慧的影響。若企業不開始運用人工智慧，很快的就會逐漸落後競爭對手，進而失去市場佔有率。將人工智慧帶入並成為企業的助力是迫切的需求，但各式各樣的人工智慧，應該跟隨潮流嗎？還是我們有更好的選擇？
目前人工智慧主流－「深度學習（Deep Learning）」，像是2016年擊敗世界棋王柯潔的 Google AlphaGo、Google的搜索功能、Facebook的新聞饋送和Netflix的推薦引擎都是，但深度學習並不是全新的概念，只因這幾年硬體的進步而死灰復燃。甚至近年來受到熱烈討論的深度學習時代也可能即將結束，並邁入下一個主流技術？AI技術究竟會朝什麼方向發展，目前恐怕還難以預測。
根據《麻省理工科技評論（MIT Technology Review）》的評論，其實根本沒有什麼「最新的技術」，一直以來人工智慧都只不過是用不同的技術輪流主宰研究界。長期以來，不同技術的突然興起已成為人工智慧的特徵。美國華盛頓大學計算機科學教授Pedro Domingos（佩德羅·多明戈斯）在《麻省理工科技評論》上提到的：技術變遷很快，每隔十年，就會出現不同的想法和技術，而每個時期會有不同的主流。
《麻省理工科技評論》從全球知名的科學論文公開資料庫－arXiv下載並研究與人工智慧相關的16,625篇論文摘要，希望藉此收集較大的研究趨勢，並看到不同想法的演變，而通過分析發現了三個主要趨勢：
初期主流－機器學習（Machine Learning）
為什麼人工智慧的第一個主流是「機器學習」？在1980年代，使用電腦協助工作的做法，基本上就是設定好原則並寫好一套程式，而機器依據「腳本」運作。隨著人類需要電腦做的事情越來越多、越來越複雜，就需要編寫更多的規則才能使系統做有用的事情。這不僅增加了成本，也明顯地減緩了效率。「機器學習」的發展，讓人類不需要重複的手動寫程式，而是讓電腦在一堆數據中自行選取規則，在這個時期最重要的是「如何讓電腦找出規則」。
第二時期－人工神經網路（Artificial Neural Network）
為了得到更好的結果，在1990-2000年時期人類開始嘗試不同的技術，包含神經網路，以及一些當時很受歡迎的技術，像是貝氏網路（Bayesian network）、支援向量機（Support Vector Machine）與演化式演算法（Evolutionary Algorithms）等等，而這些技術都採用了各種不同的方法。直到2012年，一場全球圖像辨識分類比賽，稱為ImageNet，冠軍的隊伍是由加拿大多倫多大學教授Geoff Hinton領軍的研究團隊，他們以深度學習技術寫下圖片辨識率達85％的新紀錄（前一屆2010年的競賽中，辨識率最高僅72％）。短短兩年，錯誤率從28％降低到15％，讓許多人看到深度學習的驚人潛力，也讓處於寒冬數十載的人工智慧迎來曙光。而Geoff Hinton領軍的團隊主要研發的就是深層學習網路（Convolutional Neural Networks，CNN），這項技術是由腦神經網路獲得啟發，將神經元的運作原理套用到電腦視覺（Computer Vision）領域。
第三時期－強化學習
在深度學習興起後的幾年裡，人工智慧研究已經發生了第三次的轉變，也就是現在的主流發展，專注於強化學習。其中包含三種不同的類型：監督，無監督和強化學習。監督學習是最常用的，也是至今最實用的。但在過去幾年，強化學習模仿了通過懲罰和獎勵來訓練動物的過程，獲得快速的進展。對此Domingos教授表示，這想法並不新穎，只是幾十年來它並未曾真正的發揮作用。他還指出，採用「監督」類型的人，可能還會嘲笑強化學習的方法太舊，但當它繳出成績後，便突然受到重視。2015 年使用深度學習的AlphaGo在圍棋上的亮眼表現，就是一個立刻造成影響力的好例子。那麼接下來呢？
下一個十年
隨著物聯網、大數據、人工智慧等新科技的快速發展，若能充分了解並發揮人工智慧的作用，其釋放的生產力將是驚人的。然而技術的變遷很快，也難以預測，舉例來說，神經網路在1980年被提出，雖很快就不受矚目了，但2012年又再次出現，但強化學習出現後，它可能又會再次沒落了。每隔十年，就會有不同的技術成為主流，以現在來看，恐怕深度學習的時代也會很快終結。現在〝導入人工智慧〞是各行各業都在喊的口號，但應該客觀的衡量需求與擬定計畫，而不是盲目追逐主流科技，這才是企業真正所需。
資料參考：MIT Technology Review