人工智慧可以看作由三個層次構成，
分別是基礎層、技術層和應用層。
基礎層為算力支撐，
包括AI晶片、雲計算等，
技術層的核心為演算法平臺，
應用層就是AI在各種場景下的應用。
若用駕駛汽車和人工智慧做對比，
基礎層就相當於汽車，
技術層相當於駕駛員，
用汽車拉貨、拉人就是各種應用。
駕駛員駕駛汽車經過理論學習和起步停車等基礎訓練後，
就具備了基本的駕駛技能，
就像人工智慧有了雲計算平臺和演算法後，
就具備了“思維”的物質基礎。
然而只有這些還是不夠的，
如果駕駛員不到實際場地上去練習，
就掌握不了實際的駕駛技能，
更談不上完成實際任務。
對於人工智慧來說，
汽車訓練場地就意味著人工智慧的應用場景，
人工智慧的資料就來源於各種場景。
駕駛員駕駛汽車在山路、高速公路、鄉鎮集市、城市道路、雨雪濕滑路段等不同的場地訓練後，
就能掌握不同場地下開車的特殊技能。
同樣，
AI在商場、工廠、學校、醫院、酒店、飯店等等場合下，
進行交易、製造、診斷、服務、社交等訓練，
就能通過核心演算法掌握不同場景下的實際技能，
這些場景提供的是特有的大資料，
經過這些場景的訓練，
使得人工智慧具備人一樣的智慧，
就能在這些場合替代人做很多工作。
AI時代的創新需要演算法和資料的雙輪驅動，
優秀的演算法可以產生越來越多有價值的資料，
有價值的資料又會反過來推進演算法的進一步提升和改進。
近幾年AI的快速發展就得益於演算法和資料的互相促進，
迴圈反覆運算。
