旁路剖析领域中关于结合人工智能技能的研究目前集中在两个方面：一是基于人工智能的旁路剖析技能，它将人工智能技能作为一种剖析工具，研究如何利用人工智能算法提升传统旁路剖析技能的效率。
二是人工智能的物理实现安全，它将实现在嵌入式设备上的人工智能算法作为旁路剖析的工具，利用旁路剖析方法规复出算法的敏感参数或是用户信息。

从基于人工智能的旁路剖析技能这一角度来看，传统的基于统计学方法的旁路剖析技能存在一定的局限性：（1）对付透露信息特色的刻画普遍利用多元高斯模型，不具备一样平常性；（2）由于模板攻击须要打算多元高斯分布的协方差矩阵，对付高维数据，求解协方差矩阵须要大量的打算资源，因此每每难以实现；（3）物理透露信息的采样会存在韶光上的偏移，导致无法准确刻画透露的特色。
如何战胜现有旁路剖析技能的局限性成为当前该领域研究的重点和难点。

另一方面，广义的旁路剖析的目的在于获取目标设备上有代价的信息，这里的信息并不局限于密钥，也包括设备上的秘密参数或是秘密代码。
例如范·埃克窃听囚能够根据电子设备发出的电子辐射，对键盘、显示器、打印机等进行监听，透露关键信息。
因此，从人工智能物理实现安全角度出发，目前人工智能设备的大规模落地依赖于实在现的物理平台（以各种嵌入式设备为主），如何利用旁路剖析方法结合设备运行过程中产生的物理透露信息规复神经网络参数或是关键的输入信息，对人工智能算法的物理实现进行安全评估，并构建相应防护对策、保护核心数据不受透露风险，在目前嵌入式人工智能领域火热的环境下，具有重大的社会和经济意义。