1.高準確率（High Accuracy）：
「準確率」一直是計算工程所追求的目標之一，所需要的不僅是硬體設備的先進程度，更需要有好的軟體（如計算法，algorithm）的開發。過往電腦的基本運算速度雖然早已完全超越人類，但基本上都是需要程式設計師將想要完成的工作化為一行行以數值運算為基礎的程式語言來讓電腦執行。但是如果要實踐真正的人工智慧，顯然電腦要有能力回應人類生活中更多無法結構化、數值化或程式化的動作，這也是過往人工智慧最大的挑戰。
舉例來說，三歲小孩都可以輕易根據照片分辨貓與狗，但這對於電腦而言這卻是非常困難的，因為我們就算將所有種類的貓狗數據（例如形狀、顏色、大小等）輸入電腦，還要考慮貓狗也會又坐又趴或被修剪外型，根本難以完全定義。以「全球視覺辨識大賽（ILSVRC）」為例，2012 年以前所有的人工智慧所達到最高的辨識率只有70—75%，但是2012年由加拿大多倫多大學的辛頓（ Geoffrey Hinton）所帶領的團隊使用深度學習瞬間將準確度提升至85%，後來甚至可達99%以上而超越人類的眼睛，促使這一波AI應用的大爆發。事實上這樣精確的圖形辨識能力也已經用在治安維護與失蹤兒童搜尋等，甚至可以比專業醫生還準確地辨識醫學影像找出初期腫瘤。而大家所熟知的AlphaGo也是建立在這種深度學習的架構來判讀棋盤的局勢。
這種透過深度學習所得到的高準確率（見圖一，與其他方式的比較）對於掌握人類複雜的意識或非意識行為帶來突破性的可能，代表我們過往直線性的知識建構方式不但有其極限，也很可能正是人工智慧未來通過圖靈測試的重要方向，因為人類大腦中對於視覺或其他神經訊息的判讀很可能正是採用類似的模式。
2.自我學習（Self—Learning）：
機器學習（Machine Learning）本身並非新的概念，因為只要藉由適當的程式設計，機器或電腦本來就不難從人類所規定的判斷標準中學習調整內在參數，將運作的效率極大化。但是機器的「自我學習」則是完全不一樣的事情，因為它要可以不透過人類工程師所灌輸的知識而自行從所得到的資料中尋找彼此間的關係，產生有價值的「知識」，也就是所謂的非監督式學習（unsupervised learning）。這種「自我學習」也意味著具有此人工智慧的機器可能會找到一些「目前所有人類都尚未了解或認知到的知識內容」，因而與傳統電腦搜尋或被動性的機器學習有天壤之別。
舉例來說，2017年Google發表的AlphaGo Zero版本，可以在只輸入圍棋基本規則而沒有學習任何人類的棋譜下，從與自己比賽的隨機亂下開始，只花了21天就將棋力提升甚至贏過曾經戰勝世界排名第一柯潔的舊版本，成為有史以來最強的圍棋程式。研究者在這中間發現AlphaGo Zero可自行摸索出許多人類目前已經熟知的下棋規則，但更包含其他從未曾被棋手研發出的下法，後來反而成為許多職業棋手的學習對象。
