人工智能要取得成功需要具备三个条件。

首先，它需要高质量、无偏见的数据，而且是大量的数据。构建神经网络的研究人员使用的是随着社会数字化而出现的大型数据集。

用于增强人类程序员能力的 Co-Pilot 会从 GitHub 上共享的数十亿行代码中获取数据。ChatGPT和其他大型语言模型使用了在线存储的数十亿个网站和文本文档。

文本到图像工具，如Stable Diffusion、dale -2和Midjourney，使用来自数据集（如LAION-5B）的图像-文本对。随着我们将更多的生活数字化，并为它们提供替代数据源，例如模拟数据或来自《我的世界》等游戏设置的数据，人工智能模型将继续在复杂性和影响力方面发展。

人工智能还需要计算基础设施来进行有效的训练。随着计算机变得越来越强大，现在需要大量努力和大规模计算的模型，可能在不久的将来可以在本地处理。例如，Stable Diffusion已经可以在本地计算机上运行，而不是云环境。

人工智能的第三个需求是改进模型和算法。数据驱动的系统在一个又一个曾经被认为是人类认知领域的领域继续快速发展。

然而，随着我们周围的世界不断变化，人工智能系统需要不断使用新数据进行重新训练。如果没有这一关键步骤，人工智能系统将产生与事实不正确的答案，或者没有考虑到自训练以来出现的新信息。

神经网络并不是人工智能的唯一途径。人工智能研究中的另一个突出阵营是“符号人工智能” —— 它不是消化庞大的数据集，而是依赖于规则和知识，这些规则和知识类似于人类形成特定现象的内部符号表示的过程。

但在过去10年里，力量的天平严重倾向于数据驱动的方法，现代深度学习的“奠基人”最近被授予了图灵奖，这相当于计算机科学领域的诺贝尔奖。

数据、计算和算法构成了人工智能未来的基础。所有指标都表明，在可预见的未来，这三个方面都将取得快速进展。