工業時代，重複性的肢體勞動交給蒸汽機，那麼，現代，重複性的腦力勞動何不交給人工智慧（Artifical Intelligence, AI）機器人。AI應用事實上就是一個個幫我們將輸入A轉換成輸出B的映射函數，遵行「一秒原則」：人類在1秒鐘時間內對工作所需要思考與決策問題能做出相關決定的工作就交給AI。一個所需要的處理與分析工作規則簡單、清楚SOP、具結構化，單純而不複雜、可經驗學習累積、快速思考判斷、透過制式的互動的例行（Routine）勞務工作，且工作要求需要全時、不情緒化、低成本、不斷學習改善、績效好、決策客觀、低劣環境等，就需要由AI來完成，如：
• 音訊檔案轉成文本 -> 語音辨識。
• 圖像檔案摘擷Meta ->圖像辨識。
• 英文翻成中文 -> 機器翻譯。
• 警察1秒利用人臉、行為辨識去偵測、判斷可疑犯罪行為 -> 安防AI。
• 辨別出垃圾郵件 -> 垃圾郵件辨識AI。
• 判斷車會不會撞到人 -> 自動駕駛。
• 判別是否護照本人 -> 人臉辨識。
• 老師傅經由聲音來細微判斷機器是否要維修 -> AI智慧音響預防式維修。
• 放射科老醫師正確解讀癌症初期X光片 -> AI圖像分類技術。
• 稅務員判別企業集團是否逃稅 -> 深度學習的分類模式推薦系統。
近年來，讓 AI 大紅大紫的AI技術是深度學習（Deep Learning）以及人工神經網路（Artifical Neural Network）。以深度學習為基礎的 AI 常常有個很好的特性：透過遷移學習（Transfer Learning），我們能將事先已經用大量計算資源做訓練，並在任務 A 表現優異的 AI 做些簡單修改，就能讓修改過後的 AI 能在相似的任務 B 也表現不錯。
企業內的機器學習（Machine Learning, ML）專案項目大都分為 3 個階段：
- 收集數據
- 訓練模型
- 部署模型
而資料科學（Data Science, DS）專案項目的步驟則為：
- 收集數據
- 分析數據
- 建議行動/假說
AI的設計僅能針對某一個明確清楚的任務，例如：醫學影像腫瘤分析系統、 土壤肥力圖像判識系統、自駕車、司法量刑建議系統、Alpha Go下棋、人臉辨識系統等。