（1）明确应用场景边界
目前，人工智能还处于弱人工智能水平阶段，商业落地应该一步一个脚印，不能急于求成。目前的人工智能技术只能解决部分问题，人工智能要实现商业落地，需要搞清楚要解决问题的具体领域，并有明确的应用场景边界，把人工智能的功能限定在特定的边境之中，这样的AI解决方案才更具有实用价值。
（2）闭环数据反馈循环
中国的BAT,以及国外的谷歌、微软、苹果、特斯拉等巨头公司，他们都有一个共同特征—闭环的数据反馈循环。向百度、Google等互联网公司，能够通过用户输入的信息，就能及时获取用户的一手数据。通过特定技术，就能提高客户的体验。从终端收集数据，然后用数据训练模型，这样就可以用模型提高用户体验，用户端又会重复产生数据，这就形成了闭环的数据反馈循环。
（3）海量高质量数据
近年来，伴随着云计算、大数据、物联网、人工智能等信息技术的快速发展和传统产业数字化的转型，数据量呈现几何级增长，根据IDC统计，全球数据总量预计2020年达到44ZB，中国数据量将达到8060EB，占全球数据总量的18%。针对视频和音频等数据，其分析越来越聚集于提取其中的语义，以深度学习为代表的人工智能技术，本质上是一个具有多层的神经网络，只有依托海量的数据，才能使其学习质量达到理想的结果。
（4）高性能计算硬件
深度学习模型可以分为三个环节，分别为：前期训练、云端推理、终端推理，其中前两个环节存在较大的计算量，目前，CPU+GPU架构已经成为大部分企业的首选。FPGA的性能功耗比使得它有很大的市场，百度采用FPGA打造百度大脑专用AI芯片，微软也是基于英特尔Stratix 10 FPGA芯片打造了Brainwave平台。在终端推理环节，由于终端设备需求各不相同，需要定制化、低功耗、低成本的嵌入式解决方案，市场的竞争呈现多样化，如寒武纪的1A处理器。
