其實當前階段講的人工智慧更偏向於一個數據化智慧處理系統，說的機器學習，深度學習，神經網路，影象識別，其實都是基於大資料實現的。機器人自動化，只是機械化的下一個進化階段，這部分其實是物理效能，不需要太多的資料訓練。

而對於企業而言，人工智慧如何落地，才是最關鍵的。

如果只做學術上的研發，產品和技術不能商業化，或者短期內不能商業化，那麼其實從商業角度來說這個技術和產品沒有價值，。既然研發出來的技術不能很快變現，那麼就不會有太多的人或者機構例如問題描述中提到的媒體去傳播，更沒有鼓吹的價值可言。

大資料和機器學習是我的主要研究方向，我想我可以簡單的回答一下這個問題。

演算法雖不是人工智慧的六大組成部分（自然語言處理、知識表示、推理、機器學習、視覺、機器人學），但是確是人工智慧的基礎，各大組成部分無不依賴於演算法的設計和實現。所以演算法一定是人工智慧最先要取得突破的關鍵點，也是各個具體領域首先要解決的關鍵問題。

除此之外演算法之所以能廣泛得到關注，還有以下幾個關鍵的原因：

大資料時代驅動下的必然結果。目前我們正處在第三次資訊化浪潮當中，大資料則是第三次資訊化浪潮的重點所在，而大資料的核心就是發掘資料的價值，發掘資料的價值就需要演算法。所以在大資料得到廣泛應用的當下，演算法必然會得到應有的重視。

目前大量的網際網路軟體平臺為演算法的實際應用提供了基礎。無論是電商平臺還是出行平臺都積累了大量的多維度資料，這些資料正在慢慢產生價值，要想讓這些資料價值得到體現則需要藉助演算法的幫助，所以各大網際網路平臺的商業驅動促使演算法的研究和應用加速。

大量傳統行業助力演算法的應用。金融領域、醫療領域、交通出行、餐飲服務，幾乎各行各業都在試圖提升自身的網際網路應用體驗，智慧理財、智慧醫療等概念的出現也促使演算法要應用到更多的領域，這為演算法的發展提供了契機。

雖然目前人工智慧在很多領域有大量的應用，但是我們身邊似乎能看到的智慧裝置最多的還是掃地機器人。目前在工業領域的機器人已經得到了大量的應用，比如機械手臂、移動機器人、服務機器人、特種機器人等等。

機器人學是人工智慧發展的關鍵步驟，同時機器人也是拓展人工智慧應用邊界的核心環節，但是機器人學涉及到的內容不僅僅有演算法，還有機器控制等核心內容，涉及的領域更加廣泛和複雜，所以機器人的發展要遠遠滯後於演算法的發展。

人工智慧最重要的部分是大腦，演算法就是模擬大腦，解決大腦的問題，大腦的問題解決了，現在有的硬體完全夠用，君不見波士頓動力的機器人都能夠後空翻和傳遞飲料了麼？

誰能解決大腦演算法問題，誰就掌握人類世界的話語權。