尽管人工智能研究多年来进展缓慢，但新一代人工智能应用正在崭露头角，前景广阔。根据市场调查机构Forrester公司去年进行的一项调查，在调查的3000家全球科技公司中，有41%的企业目前正在投资人工智能，另有20%的企业计划明年投资。
推动新一代人工智能发展的是深度学习、研究和设计模拟人脑神经元活动的人工神经网络。深度神经网络的目标是使机器能够像人类一样分析和解决复杂的问题。虽然人工神经网络已经存在了几十年，但只有随着可用的高性能计算(HPC)功率的出现，尤其是GPU计算能力的出现，数据科学家才能够建立具有足够复杂性和强度的神经网络来实现现实世界的应用。
这种新的深度学习系统已经获得了一些非常高调的媒体报道。最近的例子包括：2011年问世的苹果公司的个人助理Siri，而亚马逊的Alexa也在开始稳步发展，将准备为即将到来的物联网时代提供广泛的具有个性的家用设备。
这些深度学习应用的力量远远超出了华而不实的演示，并且开始对各种领域的业务发展产生重大而积极的影响。例如，使用技术分析数据并提供可操作信息的商业智能是人工智能和深度学习产生影响的一个领域。历史上，商业智能工具围绕使用数据收集，分析和呈现的思想构建，以解释为什么或如何发生某种结果。随着商业智能系统采用深度学习技术，他们现在不仅可以提供对过去行为更好地进行分析，而且可以利用他们积累的过去事件的“知识”来预测未来的客户行为。这种从描述性到预测性商业智能的转变，使企业能够找到更好的增长机会，并进行快速调整，以优化当前的业绩。
深度学习所带来的预测能力将对农业等传统产业产生颠覆性影响。据专家介绍，为了满足全球人口增长的需求，农业产业必须增加60%的粮食产量，预计到2050年底，全球人口将达到90亿。为了满足这一巨大的粮食需求，农业技术公司正在利用深度学习技术，在整个生长和收获周期中提高其效率。人工智能应用于农业产业包括自动灌溉系统，可以降低蔬菜的生产成本，同时最大限度地减少对环境的影响;农作物智能健康监测，可以在几千英亩提供高分辨率的植物数据;以及一系列其他的改进。这些进展再加上气象学和其他学科对农业的深刻深度学习进展，是确保未来粮食供应稳定的一项关键战略。
虽然深度学习应用程序为许多领域提供了巨大改进的机会，但是深入学习神经网络的训练是耗时，高度计算密集型的工作。此外，由于晶体管功率效率不断提高，这种计算密集性需要稳定和充足的电源，这是非常重要的。大多数人工神经网络使用“监督学习”方法训练，这意味着提供大量的良好标签的数据。列举一些众所周知的例子，其中包括谷歌翻译，谷歌翻译分析双语数据的资料库来开发更准确的翻译算法。处理这些应用程序中使用的数据集所需的计算资源往往会达到Exaflop范围。使用高度可扩展性的超级计算系统，利用快速的网络互连技术，并提供大规模并行计算能力是这种挑战的解决方案。随着广泛可用的超级计算系统的应用和GPU处理能力的出现，过去几个月训练的深层学习算法现在可以在一天内或更短时间训练。
人工智能应用的未来前景看起来非常光明。从人工智能应用程序(如苹果Siri和亚马逊的Echo)的突出表现来看，许多专注于人工智能和深度学习的初创公司正在为业务增长创造新的途径，似乎人工智能的黄金时代终于开始到来。
