现在，人工智能预测已经积累了若干成功的案例，能够分析视频流和识别数以千计的主题，使用人工智能技术深入分析内容。在用人工智能预测“女朋友什么时候生气”问题上，涉及到基础、技术、应用几个方面。
基础层
对于预测情绪，涉及海量数据，呼唤与人工智能相匹配的云计算新型架构，数据的存储、调取方面实现毫秒传输，不然一切都会显得没有意义；为此，我们首先需要采集你女朋友生气和高兴的数据：基本维度、内在因素、外在因素、连带因素、潜在因素、持续时间、生气后果、缓和时间、缓和原因及缓和结果等大项的数据。然后，细分下去有无数的小项，例如，从表情到动作，从五官开始判断变化，头部及四肢会产生哪些行为动作，言语上会说哪些话，对这些进行记录，提取话语中频率较高的词汇等。将以上大项不断细化为小项，进行大量的记录，最后可用量表对现象进行归类，将其数据化，最好能够达到大数据这个级别。
同时要避开“预测即干预”陷阱。例如我们在预测“你女朋友什么时候生气”这个问题上，重点关注的是相关性，这是合乎逻辑也是常见的大数据分析方法，但是还需要尽可能地搞清楚背后的关联，但是这种标签数据和生气之间的关联显然是非常复杂的，每一个数据和生气之间的准确关联显然又是一项庞大的工作。例如，你女朋友在单位受到领导的表扬，显得非常高兴。但是，要研究为什么受到表扬，挖掘直接因素、综合因素是一件比较麻烦的事情，从社会学的眼光来看，可能是一件比较唐突或不合乎情理的事情。因此，我们不得不求其次——微调算法，让机器修补之前的测不准，但每次修补又造成了另外的误差。和海森堡（Werner Heisenberg）量子世界中“测不准原理”一样，在大数据世界中，存在“预测即干涉”陷阱。如何避开这个陷阱，需要依靠计算能力的提升或新的算法的出现。
注意：一定要得到你女朋友本人的同意。试想一下，如果你女朋友不知情，你又在偷偷研究她，哪一天东窗事发，后果可能是灾难性的，尽管你的出发点是好的，但这已经不重要了.......
此外，数据结构转化、数据的可信度、数据的汇聚模式、数据的自动化标注、可训练的数据集；高灵敏度、高精度传感器的研发等，也是非常关键的问题，不然“你女朋友什么时候生气”对策的产生也显得没有价值；
因此，云计算、大数据、物联网之间的系统化协调匹配等，是预测类智能硬件最基础的功能。
技术层
芯片和新型算法永远是永恒的主题。目前算法技术是启发式的。算法是否会完美解决一个给定的问题是不清楚的，根本没有数学理论可以表明一个“足够好”的算法解决方案是否存在。算法都是启发式的，工作即代表有效。
这就需要人工智能有足够的学习深度和速度。比如一个两岁的孩子可以在被告知几次后识别大象，人工智能需要采集成千上万个“女朋友生气”的样本，才能精准判断，你的女朋友将在什么时候可能要生气了。
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------