人工智能作為一種科學技術，在其發展過程中必然遵循自然科學規律，依賴其現實條件和發展機理，是可以被認知和預測的。當前，人工智能的具體技術路線多種多樣，未來發展充滿無限可能性，但其發展趨勢依然有“跡”可尋。

從大的方面看，主要有以下三種趨勢：

一是擁有高性能。新一輪基于大數據和深度學習的人工智能的爆發，很大程度上得益于算力的提升。沒有超級計算機算力的大幅提升，就不可能完成對海量數據的處理任務。目前運算能力世界排名第一的超級計算機為美國橡樹嶺國家實驗室的“頂點”（Summit），浮點運算速度可達20億億次/秒。然而，隨著芯片、能耗等因素的制約，超級計算機算力提升越來越困難，人們開始尋找其他替代方案，量子計算逐漸進入人們視野。2017年5月，中國科學家研制出世界首臺超越早期經典計算機的光量子計算機，并實現10個超導量子比特糾纏；2019年8月，浙江大學、中國科學院物理研究所等科研團隊合作開發出20個超導量子比特芯片。今年10月24日谷歌宣布，他們用一臺54位量子比特的量子計算機，在200秒內就完成了目前世界最快超算需要計算1萬年的計算任務。這初步顯示出量子計算顛覆性的算力水平，各界關注的“量子優越性”已經實現。盡管這一成就仍限定在特定領域，離實用通用還有很長的路，但其意義重大，意味著人工智能的算力基礎可發生根本性改變，人工智能無疑將呈現高性能。

二是擁有通用性。現行的人工智能在特定領域，如復雜計算、圖像識別、語音處理等方面，相關能力已遠遠超過人類。但其局限性也顯而易見，那就是無法相互通用，一個領域的人工智能到了另一領域，就會變成“人工智障”。解決人工智能的通用性問題，必須發展強人工智能，使機器真正像人一樣去思考問題。圖靈獎獲得者朱迪亞·珀爾在《為什么》一書中詳細闡述了因果論，并將其區分為“關聯”“干預”“反事實推理”三個層面，指出當前的人工智能和機器學習只處于最低的第一層面，即弱人工智能階段。機器學習的方法很多，深度學習只是其中之一。第三層面“反事實推理”是人想象的產物，是人類的特有能力，即為強人工智能。珀爾的因果論為強人工智能的研究打開了一扇窗，從理論上指明了人工智能發展的大體階段和努力方向，極有可能開辟算法理論創新發展的新境界。

三是擁有可靠性。未來人工智能必須具備良好的可解釋性，使其學習模式和相應決策能夠被人類用戶所理解，進而提升人們對人工智能系統的信任度。而現在的機器學習技術尚不能達到人們的期望和要求，即使有時機器已經得出結論，用戶也常常不由自主地在心里打個問號，覺得必須人工復檢一番才放心。特別是這些人工智能技術運用到輔助決策時，人們的不完全信任感更會成倍增加。用戶的需求是人工智能技術發展的前進動力和必然指向。可以預見，在不遠的將來，人工智能各技術流派之間的交叉融合將更加深入，不同學科領域的交叉融合也將更加頻繁。通過取長補短綜合各方面、各學科優勢，有望達到人們對人工智能系統可靠性的要求。