1，強化學習領域
強化學習(Reinforcement learning)是壹種通過實驗和錯誤進行學習的方法，它受到人類學習新技能過程的啟發。在強化學習的壹個典型案例中，我們要求實驗者通過觀察當前狀態來采取行動以最大化反饋結果。每次執行壹個動作，實驗者都會收到環境的反饋，因此它可以判斷這個動作帶來的效果是積極的還是消極的。
2.生成模型域
通過大量樣本的采集，人工智能生成的模型具有很強的相似性。也就是說，如果訓練數據是人臉的圖像，那麽訓練後得到的模型也是類似人臉的合成圖。
人工智能頂級專家伊恩·古德費勒(Ian Goodfellow)為我們提出了兩個新的思路:壹個是生成器，負責將輸入的數據合成新的內容；另壹個是鑒別器，負責判斷生成器生成的內容是真是假。這樣，生成器就必須反復學習合成的內容，直到鑒別器無法分辨生成器內容的真偽。
3.存儲網絡領域
人工智能系統要想像人類壹樣適應各種環境，就必須不斷掌握新技能，並學會應用。傳統的神經網絡很難滿足這些要求。例如，如果在完成對任務A的訓練之後，訓練神經網絡來解決任務B，則網絡模型不再適用於任務A..
目前有壹些網絡結構可以使模型具有不同程度的記憶能力。長時和短時記憶網絡能夠對時間序列進行加工和預測；漸進式神經網絡，它學習獨立模型之間的橫向關系，並提取相同的特征來完成新的任務。
4.數據學習領域
長期以來，深度學習的模式是我們需要大量的訓練數據才能達到最好的效果。沒有大規模的訓練數據，深度學習模型不會達到最理想的效果。比如當我們用人工智能系統解決數據缺乏的任務時，這時候就會出現各種各樣的問題。有壹種方法叫遷移學習，就是把訓練好的模型轉移到壹個新的任務中，這樣問題就容易解決了。
5.仿真環境領域
如果要將人工智能系統應用到現實生活中，那麽人工智能必須具有適用性的特點。因此，開發壹個數字環境來模擬真實的物理世界和行為，將為我們提供壹個測試人工智能的機會。在這些模擬環境中進行訓練，可以幫助我們了解人工智能系統的學習原理以及如何改進系統，也為我們提供了壹個可以應用到真實環境中的模型。
6、醫療技術領域
目前垂直領域的圖像算法和自然語言處理技術基本可以滿足醫療行業的需求，市場上也出現了很多技術服務提供商，如提供智能醫學影像技術的尚德雲行、開發人工智能細胞識別醫療診斷系統的智維信分公司、提供智能輔助診斷服務平臺的若水醫療、統計和處理醫療數據的易通天下等。雖然智能醫療在輔助診療、疾病預測、醫學影像輔助診斷、藥物研發等方面發揮著重要作用。，由於醫療影像數據和電子病歷在醫院之間的不流通，企業和醫院之間的合作不透明，使得技術開發和數據供給之間產生矛盾。
7.教育領域
科大訊飛、初雪教育等企業早已開始探索人工智能在教育領域的應用。通過圖像識別，可以批改試卷，識別題目，機器答題；通過語音識別可以糾正和改善發音；人機交互可以在線答題。AI與教育的結合，可以在壹定程度上改善教育行業師資分布不均衡、成本高的問題，從工具層面為師生提供更高效的學習方式，但無法對教育內容產生更實質性的影響。
8、物流管理領域
物流行業通過運用智能搜索、推理規劃、計算機視覺、智能機器人等技術，對運輸、倉儲、配送、裝卸等流程進行了自動化改造，基本可以實現無人操作。比如利用大數據規劃商品的智能配送，優化物流供給、需求匹配和物流資源的配置。目前物流行業的大部分人力分布在“最後壹公裏”配送環節，JD.COM、蘇寧、菜鳥都在爭先恐後的發展無人車、無人機，搶占市場先機。