1、边缘计算（edge computing）

随着物联网和5G等无线通信技术的迅猛发展，智能手机等移动终端设备呈爆发式增长，人脸识别、虚拟现实等众多智能应用不断涌现，传统的云计算模式（终端将计算任务传输到云端的数据中心执行）已经无法满足这些计算密集型应用对低延时响应的需求。边缘计算作为一种新兴的计算模式应运而生，其基本思想是将云中心的计算及存储资源下沉到网络边缘侧（如无线接入点或5G基站），从而为终端提供低延时响应的计算服务。

2、城市计算（urban computing）

城市计算是利用城市中的一切传感器来感受城市的动态，并利用所得的数据来进行分析和计算，以便解决现代城市中的问题，为城市和居民服务。在现代城市空间中，很多传感器、设备、汽车、建筑还有人类都产生了大量的异构的数据。城市计算就是一个获取、整合、分析这些数据的过程。它旨在解决城市面对的诸多重大的问题，比如空气污染、能源消耗、交通堵塞等问题。城市计算通过连接很多不起眼和普遍存在的传感技术、先进的数据管理和分析的模型以及高级的可视化算法，来创造一个改进城市环境、提高人民生活质量和增强城市运行系统的三赢方案。

3、强化学习（reinforcement learning）

人类通过与环境交互来学习。强化学习侧重于以交互目标为导向进行学习，就是学习“做什么才能是的数值化的收益信号最大化”。学习者不会被告知应该采取什么动作，而是必须自己通过尝试去发现哪些动作会产生最丰厚的收益。动作往往影响的不仅仅是及时收益，也会影响下一个情境，从而影响随后的收益。试错和延迟收益是强化学习两个最重要最显著的特征。

4、联邦学习（federated learning）

一般而言，训练人工智能模型所需要的数据量都是非常庞大的，传统的方法是收集数据并传输至一个中心点（如云端的数据中心），这个中心点拥有高性能的计算集群并能够训练和建立机器学习下模型。然而，随着现代社会对数据隐私和数据所有权重要性的认识越来越强，数据拥有者只允许数据保存在自己手中，因此形成了数据孤岛。联邦学习旨在建立一个基于分布式数据集的协作式模型训练框架，不必将数据集中到一个中心点，从而保护数据隐私。