随着苹果 ARKit、谷歌 ARCore 的发布，移动AR在两大移动平台上均意义重大。虽然有不少人对现阶段的AR仍表示失望，但两大移动平台的涉足意味着，全球 5 亿台支持 AR 功能的移动设备正在吸引所有的公司入局，这些公司正在将数据与 API 相结合，创造出新的消费者 AR 体验。七：机器人流程自动化机器人流程自动化（RPA）是通过使用高性能认知技术实现业务的自动化和工作的效率。
人类只需在操作界面上编写需要人工完成的工作流程，即可处理各种业务，如浏览器，云，以及各种软件。根据Gartner数据显示，在2018年，全球范围中大型商业巨头里有300家陆陆续续开展了RPA工程，将原先手工化的流程进行自动化改革。随着科技的进步RPA将融入更多人工智能技术，即智能流程自动化（Intelligent Process Automation）。
相当于在基于规则的自动化基础（RPA）之上增加基于深度学习和认知技术的推理、判断、决策能力。机器人流程自动化能够帮助甚至代替人类负担大量简单且单一、重复而繁重的工作，并且效率更高、零失误。机器人流程自动化能够大幅提升企业的工作效率，减少人员投入，帮助企业降低成本。机器人流程自动化可以让很多行业释放出大量的生产力，但同时也会带来巨大的失业潮。
虽然目前业界对机器人流程自动化带来的失业问题各持己见，但不得不说这确实是科技的一大进步。八：深度学习芯片2018年以来涉足AI芯片领域的巨头是越来越多的，百度、华为、英伟达、美图等等，甚至是部分语音识别厂商也都在往人工智能芯片上发展。对于现阶段的AI芯片很多业内人士认为，“所谓的AI芯片并不是独立的一块芯片，而是针对一些AI功能进行加速优化。
”不过似乎大家都在在研发相关功能的优化，致使目前深度学习技术陷入瓶颈，不过IBM的深度学习芯片的突破许能够扭转这一局势。IBM正在研发的芯片能够获得上述表现的原因来自于两项创新，而这两项创新的目标都是实现相同的结果——保持所有处理器组件能够得到数据和工作。在深度学习方面，传统芯片架构面临的挑战之一是利用率一般非常低。
也就是说，即使芯片可能具有非常高的峰值性能，通常只有20％到30％的资源能够被用于解决问题。IBM始终将所有任务的目标定为90％。利用率低通常是因为存在于芯片周围的数据流瓶颈。为了突破这些信息障碍，团队开发了一个“定制”的数据流系统。该数据流系统是一种网络方案，可以加速数据从一个处理引擎到下一个处理引擎的传输过程。
它还针对要处理的是学习任务还是推理任务以及不同的精度进行了优化。第二项创新是使用专门设计的“便笺本”形式的片上存储器，而不是CPU或GPU上的传统高速缓冲存储器。构建高速缓存是为了遵守某些对一般计算有意义的规则，但会导致深度学习的延迟。例如，在某些情况下，缓存会将一大块数据推送到计算机的主存储器（强制推送），但如果神经网络的推理或学习过程需要用到该数据，则系统将不得不保持等待状态，直到可以从主存储器中检索到该数据。
