趋势一、向无监督的方向发展。主要表现为：适应“小数据”，减少标注需求，减少计算开销。要向无监督方向发展要经历几个阶段。人工智能主动学习阶段，算法主动提出标注请求，将一些经过筛选的数据提交给专家标注。迁移学习阶段，增强训练好的模型，解决目标领域中仅有的少量有标签样本数据的问题。强化学习阶段，用agents构成系统来描述行为并给予评价和反馈学习。
趋势二、可解释（XAI）越来越重要。深度学习如何进一步设计算法和参数，提高泛化能力，需要模型算法可解释。对抗样本导致模型失效，训练数据不可理的被局部放大。模型愈加复杂，失去了可调式性和透明度。
“此时，对于技术的需求就是将可解释技术融入软件环境中去。有两个方法。第一为现有软件框架增加可解释技术接口。提供事后解释的基本技术，比如可视化能力，局部数据分析，特征关联等。现有的软件原生支持多种可解释算法。提供算法或指标评估模型的可解释能力。第二是“人—AI”系统结合。以人为中心，由决策理论驱动的XAI的概念框架。” 陈左宁表示。
趋势三、人工智能的自学习、自演化。这个过程有三个阶段。一是自动化机器学习，主要是利用数据驱动方式来做决策。而是限制约束条件的AutoML。三是不舍初始条件，搜索空间极大丰富的自演化AutoML。这一趋势对于技术的需求有计算框架支撑、大算力支撑以及辅助设备支撑。
趋势四、多种算法、模型的有机结合。单一的算法或模型难以解决实际问题。比如问题分解和多种模型有机组合。人工智能模型的发展希望融入多种技术来解决已有问题。比如，通过贝叶斯技术增强因果关系分析；通过数据生成技术减少标注数据需求；通过AutoML技术提高搜索和挖掘能力。与此同时，人工智能的应用流程也越来越复杂，如，不同流程设计的设备以及环境多样；需要不同的算法和模型组合。多种算法、模型的有机组合的需求是计算存储等可拓展能力。基础软件能力提升，支持复杂模型，不同类型软件的协同和交互。
趋势五、人工智能应用需求需要关注全生命周期。全周期不同人物具有不同时间，空间和计算需求。全生命周期都要考虑可解释、公平等需求。
趋势六、分布式、分散式的需求越来越突出。首先，大型、复杂模型，海量数据需要并行，分布式计算。其次，联邦学习等分散场景需要分布式ML原生算法。使多个参与者可以在不共享数据的情况下构建通用的，健壮的机器学习模型，从而解决关键问题。不同节点上的数据集异构（分布不相同），大小可跨越几个数量级。节点可能不可靠，节点之间的互联可能不稳定。类别优集中式、分散式以及迭代式。这一趋势对安全性、架构、提升效率和效用、健壮性有需求。
趋势七，深度推理。从计算到感知再到认知和意识，人工智能模型和算法的发展趋势七是认知理论的进一步突破。这一趋势的需求有效应对多种形式的不确定性。其中概率计算根据不同精度计算需求设计硬件。根据数据和计算的稀疏分布设计。另外，这一趋势的需求还有类脑、仿脑体系结构以及模拟计算。
