现代的人工智能可以找出对应的模式，然后对对象进行分类，做出决策并评估结果。它可以使用反馈循环学习和适应新情况。格物斯坦认为：整个周期在大型组织中可能需要数年时间，但由人工智能驱动的设计合理的流程可以在几天内完成。它可以自我重新编码，推演变化，并验证它是否实际上是朝着你想要的方向移动 - 所有这些都是以超出人类能力的准确性和速度进行的。这相当强大。但也相当具有威胁性。
人工智能系统拥有的数据越多，其能力提高的速度就越快。然而，对于拥有较少数据的部分企业和组织而言，如何满足人工智能对数据的需求则是一个难题。但是，这并不意味着此类企业和组织无法使用人工智能。2020年，更多人工智能系统会依赖集学习能力和逻辑性于一身的“神经符号”技术。神经符号技术是突破自然语言处理技术的关键，它能够结合常识性推理和各领域的专业知识来帮助计算机更好地理解人类语言和对话。此类突破将帮助企业部署对话能力更强的自动化客户关怀工具和技术支持工具，同时还将大大减少训练人工智能所需的数据量。
们对人工智能可能会带来的挑战仍知之甚少，严肃的公共讨论还十分缺乏。社会公众对人工智能的想象在很大程度上仍被科幻小说和影视作品所主导，而对于人工智能在未来可能产生的影响，更是缺乏认知和关切。在政策层面，对于人工智能的关注很大程度上仍集中于技术和经济层面，缺乏整体性的思考和讨论。尽管有少数哲学和社科领域的学者开始关注人工智能带来的伦理问题和社会挑战，但这些讨论并未进入公共政策视界，而且讨论的重点也多集中在超级人工智能这样仍相对遥远的议题上。
目标是要能够被执行人所接受的，通过努力可以完成的。在上级安排工作任务时，要自己先做一些衡量，看看达成目标的标准是否可以实现。如果有一点困难，那没关系，努力一下应该可以；如果有一定的困难度，得问问上级，能不能、会不会给予一定的资源支持，如果会，那可以接受；如果困难度太高，应学会说不。毕竟，目标，应该是共同制定的。
综上所述，目标是要能够被执行人所接受的，通过努力可以完成的。在上级安排工作任务时，要自己先做一些衡量，看看达成目标的标准是否可以实现。如果有一点困难，那没关系，努力一下应该可以；如果有一定的困难度，得问问上级，能不能、会不会给予一定的资源支持，如果会，那可以接受；如果困难度太高，应学会说不。毕竟，目标，应该是共同制定的。