伴随着数据量不断的积累，计算资源成本不断的下降，人工智能技术研究不断的精进，人工智能的发展与应用势必会呈现螺旋状的上升。对于人工智能而言，普通公众看到的是智能应用的惊艳，科技公司看到的是大势所趋的必然，传统公司看到的是产业升级的机遇，而国家看到的是技术革命的未来。我们普通人可以不关注科幻片中的智能生活何时出现，却无法对人工智能在经济、生活方式、文化方面所产生的巨大影响视而不见。智能推荐作为人工智能领域较成熟的商业化应用，其未来的发展必然与人工智能整体的发展保持较大的一致性。

在20世纪50年代到60年代，伴随着通用电子计算机的诞生，人工智能已经悄然的在实验室崭露头角。以艾伦·麦席森·图灵提出的图灵测试为标志，数学证明系统、知识推理系统、专家系统等里程碑式的技术和应用掀起了第一波人工智能的热潮。但那个时代，无论是计算机的运算速度、相关设计还是算法理论，都无法支撑人工智能发展的需要。随后，人工智能技术的研究和应用陷入了长期的瓶颈期。

在20世纪90年代，基于统计模型的技术悄然兴起，并在语音识别、机器翻译领域获得了不俗的进展，但那时的技术仍然不够好，已然达不到人类对于智能应用的期待。

直到2010年，随着深度学习技术的成熟和计算能力的大幅度提高，人工智能才重新回到了人们的视野中，并获得了前所未有的热情与重视。与前两次人工智能热不同的是，这次的人工智能的多个应用实现了多个商业化场景的落地，并达到了人类可以使用的标准。例如我们早已习以为常的人脸识别、刷脸开机、支付，例如语音翻译已经可以部分代替人类翻译，甚至自动驾驶汽车已经跑在了北京的五环路上。

智能推荐也经历了类似的发展过程。如图6–1所示。

图6–1 高德纳咨询公司技术成熟度曲线

近年来，关于智能推荐的算法模型不断地被研究被提出，例如Wide&Deep推荐框架、图神经网络等，而推荐模型的发展与应用归根结底是提高推荐结果准确性和扩展性的过程，是一个用户会喜欢多少推荐结果的概率问题。概率问题自然会有发展空间，也有不可掩盖的天花板，同时还得兼顾商业的成本和价值。而推荐系统又是高容错性的智能应用，其与自动驾驶的区别在于，自动驾驶追求的永远是解决0.001%不确定性，而对于推荐系统来说，即使实现了90%~91%的准确性，对于目前所实现的商业价值的影响也并没有那么大。所以，只有在应用范围、商业价值得到突破、扩大之后，技术层面才会再进行革命性的突破。当现有技术不能满足新的、更多的应用场景，且现实中又有亟需解决的问题时，便会有更多优秀的人才进入推荐技术的研究领域，并生产更多、更适配的推荐技术，从而获得技术层面的迭代。

在短期内我们可以预见的是，推荐系统的技术的发展会不断的精进，不断的实现更高概率被用户喜欢的推荐结果，但因为商业价值的考量会逐步的趋于稳定，达到一个投入成本与产出的平衡点。而从长远来看，推荐技术的发展会伴随着更多商业场景落地、满足商业价值的需要而呈现螺旋式上升的态势。因此，真正能给普通老百姓、企业、国家带来价值的是，推动推荐技术发展，让智能推荐在更多场景广泛应用。