在人工智能研究领域，算法、数据、不确定性、计算、优化等不同环节怎样才能共同发挥作用？

这个提问里涉及的内容比较多，按照我自己的理解梳理一下。

不确定是理念层面的，采用统计学习方法，它的结果本质上是概率，既然是概率当然要接受不确定性，要通过各种手段去降低不确定性。好的算法和数据都能降低不确定。

数据是人工智能的根本，无论多么优秀的算法都是去更好的拟合数据，没有数据其它的也就无从谈起，所以在实践中，数据要尽可能的多，尽可能的准，尽可能的有区分度。

算法和优化（最优化理论）是一体的，设计算法的时候必然要考虑优化的问题，一个不适用于最优化理论的算法大部分情况下不能学习。

计算（CPU/GPU，内存）是工程实现的问题，更多的时候是对数据和算法的一种限制，数据再多，模型再复杂，计算能力支持不了也是梦一场。

综上，在人工智能领域这些因素共同作用的方案是，在接受不确定性理念前提下，在计算能力的限制下，收集更多更准的数据，采用表达能力强的算法，尽可能的降低不确定性。

希望有帮助，可以拆开来进行更详细的讨论。