目前人工智能虽处于寒武纪的大爆发阶段，但也很可能再度面临寒潮。具体来说，人工智能可能会面临这五大考验：
第一大考验：理论鸿沟很难逾越。
目前人工智能在学习上遵循的理论依然是上个世纪80年代提出的，人们并没有从本质上理解人类的学习原理，从监督学习到无监督学习的方法还在探索。如果将人工智能比作建造太空火箭，计算能力和数据是燃料，理论就是发动机。如果你有许多燃料但只拥有小功率发动机，你的火箭大概无法飞离地面。如果你拥有大功率发动机但只有一点点燃料，你的火箭即使飞上天也无法进入轨道。
目前的人工智能技术多数都要依靠形态匹配，在监督式学习下，输入训练数据，每组训练数据有一个明确的标识或结果。人们将预测结果与「训练数据」的实际结果进行比较，不断调整预测模型，直到模型的预测结果达到一个预期的准确率。
而无监督学习中，计算机无需人类帮助的情况下，像人类一样自己学习知识。计算机并不被告知怎么做，而是采用一定的激励制度来训练机器人培养出正确的分类。无监督学习方式是机器人工智能发展的关键技能之一。“目前朝着良性的趋势发展，但还未达到我们希望的阶段。”微软亚洲研究院院长芮勇表示。
第二大考验：知识表达问题。
许多输入的数据其实都经过了人脑抽象，但大家看不到，就好比你看到地面上的竹子每一根都是独立的，但它的地下茎联系是非常紧密的。若要完成形式化知识结构的搭建，是需要很多知识的，而机器中没有人脑中的背景知识，所以数据中蕴含的信息是不完整的，继而计算不出正确的结果。
如果将这些信息补足，是有可能用机器处理的。但同时要看到的是这些信息很难补足，一方面是因为很多人脑中的知识难以形式化，另一方面，补什么补多少才能达到特定的效果，很难衡量。并且人脑输出的信息带宽太小，很难通过一个人来补足机器中没有的知识，而多人协同又存在知识相互不兼容的问题。所以知识太多，知识难以形式化，人脑输出太慢，成为了知识表达的三大障碍。
海云数据的首席数据科学家赵丹表示，目前大公司基本上通过知识图谱来解决知识表达的问题，但这不是根本的解决方法。知识图谱虽然能在小的特定领域解决一部分数据稀疏问题，但图谱本身也有稀疏的问题，并且依赖人工构建，规模有限。迁移学习也能够发挥一定作用，但目前还没有把这些解决技术整合起来，形成一个完整的智能体系的理论架构。
同时赵丹还认为，深度学习的研究一定程度上已经到达瓶颈期，现在到了需要将深度学习现有的成果转化成产品的时候，比如Deepmind前段时间发布的唇语识别成果，再往前比如AlphaGo的博弈策略学习。“而形成产品是件很难的事情，像我们熟知的人脸识别，虽然已有不少创业公司做了好几年，但现在仍然没有生产出成熟的产品。工程上的坑不比研究上的少，如若跨不过去就没有办法做出产品。
在科学理论上的进步很多是偶然事件，说不准下次会是什么时候。深度学习的成果转换期，到下次深度学习的进步期之间其实还是会有可能出现寒潮。
第三大考验：人才问题。
图像识别方面的成就像一把发令枪，启动了一场人才争夺赛。有人曾说：“这个领域的人才战相当血腥，一流的人才就像NFL足球运动员。”
谷歌在 2011年推出专注深度学习的谷歌大脑计划（Google Brain Project），2013年3月得到了神经网络先驱Geoffrey Hinton的加入，现在有超过1000个深度学习项目。
Facebook在2013年12月聘请了法国神经网络创新者Yann LeCun作为它的新AI实验室的带头人。平均每天使用神经网络翻译来自超过40种语言国家的20亿用户的帖子，这些翻译的内容每天被8000万用户阅读。
百度在2014年4月聘请了谷歌脑计划的前负责人吴恩达作为它的人工智能实验室的领头人，主攻语音识别等关键领域。
但蒋涛指出：现在人工智能领域的理论掌握在顶尖教授手上，但应用的数据在公司手上。顶尖教授一般会有与同行进行交流、发表研究成果的诉求，但公司的研发却要求不能透露商业核心秘密，甚至要将这个科学家雪藏起来，比如苹果现在人工智能的领导者是谁，我们都还不知道。这里面存在天然的冲突，很可能成为制约人工智能发展的瓶颈。
第四大考验：资本化问题。
由于人工智能是巨头公司的天下，所以「被并购」是许多初创公司的宿命。当前，谷歌、IBM、雅虎、英特尔、苹果、Salesforce以及国内的百度、阿里等互联网科技巨头公司布局势头「凶猛」，引发了一场全球范围内的人工智能投资收购热潮。
根据风投数据公司CB Insights的统计数据显示，2011年起，拿到融资的人工智能创业公司里面有近一半（140家）都被收购了，其中2016年就有40家。主力买主是谷歌、Twitter、IBM、雅虎、英特尔和苹果，谷歌以11次收购的成绩位列榜首。
然而，一些巨头公司在并购人工智能初创公司的时候却面临着重重问题。专注于大数据人工智能领域投资并购的前海梧桐并购母基金总经理马春峰道出了自己看法：
首先，反观目前国内人工智能企业估值偏高，仅有2~3人的早期初创公司有时开价达1~2亿元，较成熟公司的估值甚至比上市公司还高。这种高估值企业有时甚至让产业投资者难以接受，结果导致某些上市公司和产业基金纷纷出海，布局硅谷、以色列等海外市场。
不过，上市公司或产业基金布局海外市场都需要考虑落地问题，这时候沟通成本、管理成本、人员适应本地化成本便会增加。因此，如何降低成本成为布局海外市场的一大难题。
其次，上市公司在投资初创企业时多对其业绩有要求，这就使得它们在投资并购时倾向于选择较为成熟的AI公司。然而目前国内人工智能领域的创业公司在整体效果上并没有达到上市公司的期望值，许多初创公司的成熟度与上市公司自身业务发展的匹配度也不够高。
所以，现在多数上市公司采取的方式是先在体外投资孵化，待孵化的公司成熟到一定程度时再装进上市公司内部。
另外，有些上市公司自身也存在追逐热点的问题，在并不具备布局大数据、人工智能产业的基因的情况下，但却在积极布局。这使得被投资或并购来的公司不能匹配上市公司的业务、管理能力和战略发展方向，反而导致初创公司的未来发展受到了限制。
第五大考验：安全问题。
这里面的安全不是某一项人工智能产品是否存在风险，而是对强人工智能何时出现的整体的考量。
其中，比较极端的观点来自于未来学家雷·库兹韦尔(Ray Kurzweil )，他提出摩尔定律的扩展定理，认为很多技术处于指数增长中；后来又发表奇点理论，预测技术在突破一个称之为奇点的临界点后将实现爆发性增长，在2045年左右会出现自己思考的人工智能。
当然，在大多数行业专家看来这是个伪命题。吴恩达表示「人工智能毁灭人类论」就是炒作，目前我们的科技还停留在弱人工智能阶段，强人工智能目只存在于科幻片。
对于人工智能的安全性，扎克伯格的观点代表了中国创投界大多数的想法：我们过度担忧人工智能，将阻碍人工智能实际的进步。现在担忧人工智能的安全性，就如同两百年前担心要是以后有飞机了飞机坠毁怎么办一样。我们要先造出飞机，再担心飞机的安全性。
