據外媒（VentureBeat）報道，八十年代后期，隨著許多創業公司、政府部門和大型企業部署新系統來執行原本只能由專家才能完成的工作，人工智能迎來新的熱潮。這些系統基于規則運行。與以往依賴傳統編程語言的嚴格程式邏輯不同，新系統將行為編碼在規則中。隨著內存等硬件配置的提升，系統能夠處理更加精密的計算任務，比如機器學習、規劃調度以及理解自然語言。在今日之大數據時代，許多人認為AI已經轉移了其技術領域，其實不然。正如傳聲頭樂隊（TalkingHeads）在歌曲中唱的那樣：事情一如既往一成不變。
　　智能應用的核心一直是相同的。只不過八九十年代運用在航天飛機、太空望遠鏡和宇宙空間站上的技術在隨后的年月里不斷商業化。正是在此基礎上，我們才得以發展電子商務、企業資源計劃（ERP）和客戶關系管理（CRM）這些復雜業務。當下人們便正在使用AI應用程序來處理海量數據。AI應用程序或許各不相同，然而它們核心卻都大同小異。
　　這些應用程序包括：
　　生命科學應用程序能夠從臨床試驗數據中習得信息，為醫生提供最佳診療及用藥建議；
　　網絡威脅安全系統能夠預判發現生意中最薄弱因素，在事先給出保險購買建議；
　　物聯網（IoT）系統用頻射識別技術（RFID）來監測物資位置變化，從而進行更高效的規劃和更精準的預判，并且阻止犯罪行為。

除此之外，日常生活中視聽所及，都有大量AI在服務著人類。Siri和Alexa隨時聽候你的語音指令，越來越多汽車開始配備自動泊車甚至自動駕駛功能，城際間的無人駕駛列車，AlphaGo下圍棋，IBM超級電腦沃森擊敗人類贏得電視競答冠軍等等不勝枚舉。
　　盡管具體應用變化萬端，但AI有五個核心元素歷久彌新，連接與支撐著四十年來人工智能技術的成敗得失。這些AI應用程序必須處理大量數據，對周遭環境作出反應，通過學習來提高性能，面向未來，還要有同時為千萬人和系統提供支持的能力。
　　數據密集攝入
　　數據密集性AI系統處理大量數據，計算單位常以十億計。實時處理如此大量的數據是AI程序必須完成的艱巨任務之一。此外它還必須能夠從容處理連續流數據（比如來自物聯網傳感器的不間斷數據）和批處理數據（比如大型歷史數據集）。
　　自適應
　　自適應應用程序使用機器學習技術來提高自己，其性能能夠隨著時間的累積而不斷提高。機器學習工作流需要數據科學家在實驗環境中執行模型選擇、特征工程迭代、算法選擇和參數調整。隨后應用開發人員部署模型，當新數據進來時，模型程序可以根據設定對數據進行分類。然后應用程序審查分類的結果，并使用這些結果進行重復訓練。
　　反應
　　現代AI系統能夠對其周圍的變化數據進行實時反應，這一點不同于傳統的批處理程序。AI應用程序持續監視數據輸入，在現實情況中，這些數據通常來自流數據平臺。當出現符合特定條件的情況時，程序會進行進一步的運算處理。簡言之，程序隨時待命準備著處理數據。
　　前瞻性
　　許多AI系統不只著眼當下問題的解決，它們還預測未來各種可能性，以確定最佳解決方案。規劃系統、游戲甚至語言解析系統都需要以最前瞻的方式進行處理才能得到最佳方案。這需要AI系統有依據新輸入數據而隨機應變的能力。（比如最新消息顯示臺風導致中國航運的配件推遲，需要AI系統基于各種假設提出最優的重新規劃方案）
　　同時性
　　與傳統應用程序一樣，AI程序必須同時處理來自多個人或系統的任務交互。它們使用那些在操作系統和數據庫領域開發分布式系統所采用的技術來維護ACID屬性。
　　以上五個特性使得現代AI系統能夠提供讓用戶滿意的性能。此外，隨著數據數量大增長和響應時間的縮短，良好構建的系統可以非常方便地擴展其技術基礎設施，而不必一切重新搭建。考慮到這些程序表現對個人和企業的重要性，保持在線和可操作性可能是所有AI系統普遍具有的一個特征。