从诞生到现在，人工智能已经走过了66年，潘云鹤将其分为三个阶段。第一阶段是1956年达特茅斯会议之后，规则和逻辑驱动的人工智能；第二阶段是20世纪60~70年代，从逻辑进化到知识和推理驱动的人工智能，当时的知识型人工智能，不但使用逻辑，而且使用比逻辑更加广泛的人类经验，思维方式比现在更加“类人”，但当时的知识表达都是字符型，视觉和声音的信号怎么变成知识并没有解决。
2012年，这块空白被神经网络所填补，人工智能发展进入第三阶段，此后发生的一切，大家便熟知了，深度神经网络在视觉识别、听觉识别、文字识别、多媒体人工智能方面得到了极大突破，但同时也产生了很多缺点，比如不可解释的“黑盒”、大量需要标注的数据。
“这些缺点都和只采用数据而不采用知识有很大关系。”潘云鹤表示，现在人们常说AI的逻辑能力很难训练，但其实早期的AI逻辑能力很强，只是现在这一轮的深度神经网络技术没有这个能力，所以要将两者联合起来使用，他称之为“知识和数据共同驱动”的人工智能。
潘云鹤指出，人工智能第四阶段是将数据和跨媒体智能、跨媒体知识表达相结合，对视觉的对象进行识别、分析和模拟，其中，开路先锋很可能就是视觉、文字等其他知识的多重知识表达，也即这两年技术上正在突破的多模态人工智能。
比如，此次大会讨论的中心“元宇宙”，便是典型的跨媒体人工智能。元宇宙要同时模拟物理世界和人类社会，这需要人工智能不仅有大量的设备识别，还要大量的视觉生成。
