現在人工智慧火了很多年了，大家也知道人工智慧的發展需要資料，演算法，算力三要素的支援。大資料在前幾年很火，但大資料本身沒有價值，需要配合演算法分析得到有價值的結果，而演算法主要是機器學習演算法，深度學習演算法等。而越複雜的演算法，需要大資料的支援，更需要算算力的支援，算力就是高效能的GPU晶片，跟硬體效能有關。

但是現在慢慢發現，純粹的人工智慧演算法，可能不能解決所有問題。比如自動駕駛現在落地還不成熟，因為真實的路面場景很複雜，有些特殊場景是人工智慧演算法沒法解決的。人在駕駛的時候，能處理一些自動駕駛演算法沒法識別的問題。所以現在自動駕駛技術還處於一箇中間的狀態，主要是輔助駕駛，離終極目標自動駕駛還有一段距離。比如特斯拉的輔助駕駛功能，就屬於自動駕駛的中間態。

那現在還需要做哪些工作才能達到終極目標呢？

答案是還需要加上知識，也可以叫做行業經驗。現在的中間狀態可以理解為特殊場景，特殊領域的人工智慧技術的應用。比如自動駕駛你可以先在物流園區實驗落地。因為物流園區是一個封閉的環境，目標主要是搬貨，那針對這個場景，人工智慧演算法就可以做大量的實驗，先完成整個物流園區場景的自動駕駛落地，現在有很多公司就是在做這塊。

假設物流園區的自動駕駛技術成熟了，它可以在大街上行駛嗎？答案是不能。因為馬路相對於物流園區，是另外一種場景，有著更復雜的環境，比如行人，腳踏車，多車道，紅路燈，斑馬線等等各種因素的影響。所以有需要針對這個場景繼續完善人工智慧演算法。隨著一個一個場景的人工智慧演算法完善，可能自動駕駛的演算法就成熟了，可以最終落地。

剛才是的是自動駕駛的領域，那其實還有好多其他領域也是這樣一個發展過程。比如現在的機器炒股，純粹的利用高買低賣的策略，其實拼的是網速。現在投資做得最好的我感覺還是價值投資，那透過人工智慧技術能否超越價值投資的理念呢。我認為將來還是可以的，但是機器需要加上人的投資經驗知識，二者加成才可以。

現在來回答這個問題，演算法是什麼。成熟的演算法除了需要大資料，演算法，算力的支撐，更重要的是加上領域知識，針對特殊場景的最佳化，才能發揮更大威力。