据外媒（VentureBeat）报道，八十年代后期，随着许多创业公司、政府部门和大型企业部署新系统来执行原本只能由专家才能完成的工作，人工智能迎来新的热潮。这些系统基于规则运行。与以往依赖传统编程语言的严格程式逻辑不同，新系统将行为编码在规则中。随着内存等硬件配置的提升，系统能够处理更加精密的计算任务，比如机器学习、规划调度以及理解自然语言。在今日之大数据时代，许多人认为AI已经转移了其技术领域，其实不然。正如传声头乐队（TalkingHeads）在歌曲中唱的那样：事情一如既往一成不变。
智能应用的核心一直是相同的。只不过八九十年代运用在航天飞机、太空望远镜和宇宙空间站上的技术在随后的年月里不断商业化。正是在此基础上，我们才得以发展电子商务、企业资源计划（ERP）和客户关系管理（CRM）这些复杂业务。当下人们便正在使用AI应用程序来处理海量数据。AI应用程序或许各不相同，然而它们核心却都大同小异。
这些应用程序包括：
生命科学应用程序能够从临床试验数据中习得信息，为医生提供***诊疗及用药建议；
网络威胁安全系统能够预判发现生意中最薄弱因素，在事先给出保险购买建议；
物联网（IoT）系统用频射识别技术（RFID）来监测物资位置变化，从而进行更高效的规划和更精准的预判，并且阻止犯罪行为。
除此之外，日常生活中视听所及，都有大量AI在服务着人类。Siri和Alexa随时听候你的语音指令，越来越多汽车开始配备自动泊车甚至自动驾驶功能，城际间的无人驾驶列车，AlphaGo下围棋，IBM超级电脑沃森击败人类赢得电视竞答冠军等等不胜枚举。
尽管具体应用变化万端，但AI有五个核心元素历久弥新，连接与支撑着四十年来人工智能技术的成败得失。这些AI应用程序必须处理大量数据，对周遭环境作出反应，通过学习来提高性能，面向未来，还要有同时为千万人和系统提供支持的能力。
数据密集摄入
数据密集性AI系统处理大量数据，计算单位常以十亿计。实时处理如此大量的数据是AI程序必须完成的艰巨任务之一。此外它还必须能够从容处理连续流数据（比如来自物联网传感器的不间断数据）和批处理数据（比如大型历史数据集）。
自适应
自适应应用程序使用机器学习技术来提高自己，其性能能够随着时间的累积而不断提高。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。随后应用开发人员部署模型，当新数据进来时，模型程序可以根据设定对数据进行分类。然后应用程序审查分类的结果，并使用这些结果进行重复训练。
反应
现代AI系统能够对其周围的变化数据进行实时反应，这一点不同于传统的批处理程序。AI应用程序持续监视数据输入，在现实情况中，这些数据通常来自流数据平台。当出现符合特定条件的情况时，程序会进行进一步的运算处理。简言之，程序随时待命准备着处理数据。
前瞻性
许多AI系统不只着眼当下问题的解决，它们还预测未来各种可能性，以确定***解决方案。规划系统、游戏甚至语言解析系统都需要以最前瞻的方式进行处理才能得到***方案。这需要AI系统有依据新输入数据而随机应变的能力。（比如***消息显示台风导致中国航运的配件推迟，需要AI系统基于各种假设提出***的重新规划方案）
同时性
与传统应用程序一样，AI程序必须同时处理来自多个人或系统的任务交互。它们使用那些在操作系统和数据库领域开发分布式系统所采用的技术来维护ACID属性。
以上五个特性使得现代AI系统能够提供让用户满意的性能。此外，随着数据数量大增长和响应时间的缩短，良好构建的系统可以非常方便地扩展其技术基础设施，而不必一切重新搭建。考虑到这些程序表现对个人和企业的重要性，保持在线和可操作性可能是所有AI系统普遍具有的一个特征。
