大数据vs人工智能，谁主沉浮？

大数据vs人工智能两者之间是一种公平的比较吗？在某种程度上是公平的，首先可以先理清下它们的区别。人工智能和大数据对于大家来说是耳熟能详的流行术语，但也可能会有一些混淆。那么人工智能和大数据到底存在什么相似之处与不同呢？两者又有什么共同点吗？

人工智能与大数据的区别在于，大数据是需要在数据变得有用之前进行清理、结构化和集成的原始输入，而人工智能则是输出，即处理数据产生的智能。这使得两者有着本质上的不同。人工智能是一种计算形式，它允许机器执行认知功能，例如对输入起作用或作出反应，类似于人类的做法。传统的计算应用程序也会对数据做出反应，但反应和响应都必须采用人工编码。而人工智能系统会不断改变它们的行为，以适应调查结果的变化并修改它们的反应。

通过机器学习，计算机会学习一次如何对某个结果采取行动或做出反应，并在未来知道采取相同的行动。大数据是一种传统计算。它不会根据结果采取行动，而只是寻找结果。在大数据集中，可以存在结构化数据，如关系数据库中的事务数据，以及结构化或非结构化数据，例如图像、电子邮件数据、传感器数据等。它们在使用上也有差异。大数据主要是为了获得洞察力，例如Netflix网站可以根据人们观看的内容了解电影或电视节目，并向观众推荐哪些内容。因为它考虑了客户的习惯以及他们喜欢的内容，推断出客户可能会有同样的感觉。人工智能是关于决策和学习做出更好的决定。无论是自我调整软件、自动驾驶汽车还是检查医学样本，人工智能都会在人类之前完成相同的任务，但速度更快，错误更少。人工智能和大数据协同工作虽然它们有很大的区别，但人工智能和大数据仍然能够很好地协同工作。这是因为人工智能需要数据来建立其智能，特别是机器学习。例如，机器学习图像识别应用程序可以查看数以万计的飞机图像，以了解飞机的构成，以便将来能够识别出它们。大数据提供了大量的数据，而有用的数据必须首先从大量繁杂的数据中心分离出来，然后再做任何事情。人工智能和机器学习中使用的数据已经被“清理”了，无关的、重复的和不必要的数据已经被清除。所以这是第一步。在此之后，人工智能得以蓬勃发展。大数据可以提供训练学习算法所需的数据。有两种类型的数据学习：初始培训可以定期收集数据。人工智能应用程序一旦完成最初的培训，并不会停止学习。随着数据的变化，它们将继续接收新数据，并调整它们的行动。因此，数据是最初的和持续的。

这两种计算方式都使用模式识别，但方式有所不同。Hadoop是大数据分析的基本框架，它是最初设计用于在低服务器利用率的夜间运行的批处理过程。机器学习从收集的数据中学习并不断收集。例如，自动驾驶汽车从未停止收集数据，并且不断学习和磨练其流程。数据总是以新鲜的方式出现并始终采取行动进行处理。人工智能实现最大的飞跃是大规模并行处理器的出现，特别是GPU，它是具有数千个内核的大规模并行处理单元，而不是CPU中的几十个并行处理单元。这大大加快了现有的人工智能算法的速度，现在已经使它们可行。大数据可以采用这些处理器，机器学习算法可以学习如何重现某种行为，包括收集数据以加速机器。人工智能不会像人类那样推断出结论。它通过试验和错误学习，这需要大量的数据来教授和培训人工智能。人工智能应用的数据越多，其获得的结果就越准确。在过去，人工智能由于处理器速度慢、数据量小而不能很好地工作。也没有像当今先进的传感器，并且当时互联网还没有广泛使用，所以很难提供实时数据。