其二是“智能化”给“工业（自动）化”带来的变化；如果说工业（自动）化以取代大量地重复性的劳动（省力）为主，那么社会的“智能化”是以高效和“省心”为目标，而后者给工业软件EDA带來的挑战是空前的。首先是工业软件EDA服务面的扩展，它将服务人工智能（AI）的图像识别、语音和文字处理、智能制造和机器人……各行各业（规范、协议和标准）的自有知识产权（IP）的建立；其次是工业软件EDA将实现这些IP算法到一个特定域或者是一通用域的结构化的转换和高效的调度，这都涉及到设计方法学创新和设计智能化的需求对工业软件EDA的深层次的要求。
工业软件EDA促成“算力”、“算法”和“数据”三者深层次的融合
信息化的必然趋势是智能化。只有数据流转分享、算法成本下降和算力安全可靠，才能使人工智能形成真正普惠天下的局面。这也意味着，数据本身要质量高（冗余少），成本要低；算法设计和调用参数的人工成本也要降低；要降低算力的要求，无论是用计算平台或AI芯片，都要考虑价格成本。
数据除了膨胀到了非常巨大，还从过去比较习惯的结构化数据（也就是定点、浮点数），到了互联网时代大量的准结构化的批处理数据，而人工智能时代，大部分在处理非结构化数据。由于数据会发生流转和分享，因此数据不是越多越好，大量无用的重复数据只能浪费存储器的容量，消耗算力。
算法的使用、计算的安全性、可靠性以及对隐私的保护等，都是AI普惠化过程中面临的问题。AI如何普惠？其实门槛很低，从AI的基础要素数据、算法、算力三个层面入手；普惠AI需要完善工具，提高可用性与可教授性；普惠AI需要做到安全性，确保AI是有益的。
2018年人工智能在中国变热，从政策层面与5G等技术寻找市场有关，但从技术层面来看，算力（计算能力）並没有达到AI的需求。因此热浪之下，还是要从基础抓计算能力。从前两次AI从兴起到休眠来看，基本上也是算力无法支撑。
这次AI的兴起是算力、算法和数据的合力。即使算力跟上来，也不能光算力去蛮干。在简单的“机器学习”（ML）阶段，这样还可以，但由于各种AI算法的出现，尤其是“深度学习”的出现，还是需要把人的智慧（类脑计算）引入到各种深度学习。深度学习的算法，需要和AI在各个领域如图像、语音、机器人等IP的设计规范定义成的框架相结合，这是电子设计自动化（EDA）走向电子设计智能化（EDI）的关键。人工智能之所以在前面睡了30年，这次才苏醒过来，就是因为算力的提高，AI新型算法的实验算力需求，每3.43个月将提高达10倍。
