但這群熱衷者并沒有放棄對人工智能的追求，而人工智能是一門隨著計算機的發展而發展的科學，前期計算機的發展就好像是在為人工智能做鋪墊一樣。

隨著計算機的發展，人工智能的發展歷經了幾次寒冬和高潮。在這個過程中人們因為看到人工智能的前景而歡呼，卻因為它的技術天花板以及它的遙遠變現而對它丟失關注度。

2016年，google的人工智能機器“阿爾法狗”（AlphaGo）以總比分4：1戰勝圍棋世界冠軍李世石，自此人工智能開始被社會大眾所熟知，人工智能的熱浪開始一浪接一浪。到2018年開始依賴Data-Driven的深度網絡的技術開始窺見天花板，純AI企業的技術落地和商業變現能力日漸困難，技術和場景需要融合，沒有使用場景，和配套服務流程的AI企業逐漸被淘汰，很多大企業在使用場景方面占據很大優勢，比如海康監控，因為人工智能的加持，更是占盡行業優勢。但是大企業也有大企業的煩惱，人工智能的研究投入是非常浩大的，但是為了市場先機和企業的估值，企業不得不為人工智能繼續燒錢。

人工智能行業似乎進入了一個僵持期，接下來它該何去何從呢？要想打破人工智能技術和變現困難，就應該針對當前工業的發展，讓人工智能逐步落地。比如隨著5G的發展，世界似乎又進入了一個全新的發展里程。這個時候人工智能應該好好結合和利用5G這塊基石，對其進行產業“賦能”，所謂的“賦能”就是要找準自己在行業里的定位。要想生存，必須回歸盈利，畢竟能抓到老鼠的才是好貓。

要想回歸盈利，那么人工智能終將應用于工程實踐。在實踐的工程里，具體用什么樣的人工智能技術則要看工程的需求，以解決實際問題為主，往往需要將各種學術界的成果結合起來使用。在這個過程中，會不會用到某一種人工智能技術，決定因素非常多樣，要看該技術能否支持需求解決以及公司資源的支持匹配。

人工智能在學術研究領域，最注重的是算法，但是在工程實踐里，需要重新定位，所有的工程需求才是第一位，為了解決工程需求，能提供多個可實施的人工智能方案變得更至關重要。

2020年3月國家又放開了100所可以培養人工智能專業方向人才的大學，并發布了《關于 “雙一流”建設高校促進學科融合 加快人工智能領域研究生培養的若干意見》的通知，從人工智能需要深入學習研究的方面來看，這似乎有悖培養優秀人才的宗旨，畢竟人工智能是一門復雜的交叉科學，需要有強大的工科知識背景支撐，才能作出更好的研究成果，但是新公布的大學都不是傳統工科強勢的重點大學。如果你再深入思考，你將不難發現，其實在工程實踐方向上，更注重的是解決方案，是各個行業的解決方案，如果將有各個行業的知識的人培養出來，去從事人工智能，反而比專攻工科的研究方向的人才更有優勢。