大數據時代人工智能的創新與發展研究

徐卓函

摘 要：大數據和人工智能是今天計算機學科的兩個重要的分支。近年來，有關大數據和人工智能這兩個領域所進行的研究一直從未間斷。其實，大數據和人工智能的聯系千絲萬縷。首先，大數據技術的發展依靠人工智能，因為它使用了許多人工智能的理論和方法。其次，人工智能的發展也必須依托大數據技術，需要大數據進行支撐。大數據時代背景下，未來人工智能會有哪些創新和發展，大家拭目以待。

關鍵詞：大數據 人工智能 云計算 數據挖掘 機器人 人工神經網絡

中圖分類號：TP18 文獻標識碼：A 文章編號：1672-3791（2015）11（c）-0030-02

1 什么是大數據

1.1 大數據的定義

大數據是一個數據體量和數據類別都十分龐大的數據集。這個龐大的數據集，我們今天還無法用傳統的數據庫工具對它的內容進行獲取和處理。整體概括起來，大數據具有數據類型多、數據規模大、數據真實性高、數據處理快等四大特征。

大數據的特征：第一，是指數據類型非常多，它的數據來自多種數據源，而非單一的一種數據源，數據的種類和數據的格式日漸豐富；第二，是指數據規模非常大，通常在10TB左右，規模非常龐大；第三，是指數據的真實性非常高，一些新的數據源漸漸興起，打破了之前傳統的數據源，今天的企業愈發需要這些有效的信息，以確保其真實性及安全性；第四，是指數據處理的速度非?？?，能夠做到數據的及時快速處理。

1.2 大數據的發展歷程

“大數據”一詞最早提出的是麥肯錫研究院于2011年發布的研究報告《大數據》。之后，經美國高德納公司和美國一些科學家的宣傳推廣，漸漸地大數據概念開始流行起來。

大數據發展的萌芽期，是20世紀90年代至21世紀初，此時處于數據挖掘技術階段。這一時期，隨著數據挖掘理論和技術的一步步成熟，已開始有一些與商業相關的智能工具開始被人們所應用，如專家系統、數據倉庫和知識管理系統等。

大數據發展的突破期，是2003—2006年，此時處于自由探索非結構化數據階段。這一時期，非結構化數據的迅猛發展帶動了大數據技術的快速發展。此時，可以以2004年Facebook的創立為標志，此時是大數據發展的突破期。

大數據發展的成熟期，是2006—2009年，此時大數據技術形成并行運算與分布式系統。

到了2010年，智能手機開始大量涌現，其應用日益廣泛。此時，數據的碎片化、流媒體、分布式等特征更加凸顯，移動數據開始急劇增長。

近年來，大數據技術的發展十分迅猛，開始不斷向社會各行各業步步滲透，從而導致大數據的技術領域和行業邊界越來越不明顯，也越來越模糊，大數據的應用創新已經超越了大數據技術的本身，越來越受到各行各業的熱捧和青睞。

今天，可以毫不夸張地說，大數據技術能夠改變一個領域，為每一個領域帶來變革性和創新。

2 什么是人工智能

2.1 人工智能的定義

人工智能是一門新的技術科學，它主要研究和開發用于模擬人類的智能的理論、方法和技術的應用系統，它同樣也是計算機學科的一個重要分支。人工智能的終極目的是掌握智能的根本實質，從而生產出一種全新的能以人類智能相似和相近的方式快速做出反應的智能機器?？梢哉f人工智能的發展與計算機科學與技術的發展緊密相連，密不可分。

2.2 人工智能的發展歷程

“人工智能”一詞最初是在1956年美國達特茅斯學院提出的。

人工智能的發展經歷了半個多世紀，它的發展歷程十分曲折，大致可分為三個發展階段：

20世紀40年代中期到50年代中期為第一階段，被稱為人工智能啟蒙探索時期。1950年，英國數學家圖靈發表了《計算的機器與智能》，提出了機器可以思維進而幫助人類的問題，直接推動了現代人工智能的發展。

20世紀50年代中期到80年代末期為第二階段，被稱為人工智能經典符號時期。人工智能與認知科學、認知心理學等三門學科開始了相依為命的發展歷程。

20世紀80年代末期到現在為第三階段，被稱為人工智能聯結主義時期。這一時期，主要采用分布處理的方法通過人工神經網絡來模擬人腦的智力活動。

3 大數據與人工智能的關系

大數據和人工智能，近年來這兩個領域的研究相互交叉促進，產生了很多新的方法、應用和價值。

今天，人類擁有了對數據規模大、數據類型多、數據流轉快和數據真實性高的大數據進行存取、檢索、分類和統計的能力，完全得益于大數據技術的發展。而且，人工智能領域的一些理論和方法，已經開始用于大數據分析方面，并取得了一定的效果。

研究發現，解決人工智能的擴展性和成長性問題，離不開大數據技術。

以前，人工智能技術還不能實現與人類相似的學習研究能力。原因在于，人工智能看似簡單，實際上是一件非常繁瑣和復雜的事情，產生人工智能的兩個必要條件要有海量數據的支撐和對這些數據的極強處理能力，而以前的機器都不具備這兩個條件。

人工智能其實就像人類一樣，是需要擁有大量的知識和豐富的經驗。在這些知識和經驗的背后是需要大量的數據支撐。大數據技術的進一步發展，為儲存、分析大量的數據提供了一定的技術支持，使機器得到的數據量和擁有的數據處理能力，與形成人工智能所需要的數據量和數據處理能力相匹配。只有這樣，人工智能才能得到發展。人工智能的發展，反過來進一步推動大數據技術的向前發展，形成有效的相互推動作用。

與其說人工智能的發展依靠大數據，不如說大數據開啟人工智能新篇章。人工智能領域的一些理論和方法，能夠有效地提升大數據的使用價值。與此同時，大數據技術的發展也將在為人工智能提供一個用武之地。

4 未來人工智能的發展

隨著大數據技術和計算機科學技術的不斷發展，未來人工智能的發展主要會在以下幾個方面：模式識別、專家系統、符號計算、人工神經網絡和機器情感。

4.1 模式識別

模式識別，顧名思義，是指通過計算機采用數學計算的方法來研究模式的自動判讀、處理等識別功能。

可以斷定，隨著計算機技術的不斷向前發展，人類一定能對復雜的信息處理過程做深入的進一步的研究。與此同時，模式識別功能也為人類認識自身智能創造了可行的線索和提供了必要的幫助。

在現實生活中，對人類來說最重要的是對光學信息以及聲學信息的判斷和識別。大家知道，準確、高效是計算機識別的最大特點。例如，今天已經應用很廣的指紋識別功能就是一個典型的案例。

人類每個人的指紋獨一無二，具有唯一性。早在很多年前，我國有關專家就對數字圖像的離散幾何性質進行了深入的觀察和研究，進而建立了從人類指紋的灰度圖像精確計算紋線局部方向，從而提取了人類指紋特征信息的相關理論與算法。

這一研究發現，隨后就被用于全自動指紋鑒定系統，從而開創了我國指紋自動識別系統應用的先河。

4.2 專家系統

專家系統，是未來人工智能發展的一個重要方向。專家系統在今天的生活中已被廣泛應用。其實，專家系統是指一個具有大量的行業或領域專門的知識與經驗的程序系統。它主要利用計算機科學技術和人工智能技術為基礎，先根據某一行業或領域一些權威專家或多個專家所提供的一些相關知識和相關經驗，再進行深入推理和判斷，進而可以模擬人類專家的判斷決策過程。通過這個過程，從而來幫助人們解決現實中一些需要人類專家來處理的一些復雜的問題。

實現專家系統必須要有兩個條件：一是要擁有類似于該領域專家解決實際問題的推理機制，二是建立一個完善的存儲有該領域中經過專家事先總結、分析并按某種模式表示的專家知識庫。這兩個條件缺一不可，否則無法進行專家識別。

研究發現，專家系統能對人類輸入的信息進行快速處理，并運用相關的行業和領域知識進行推理判斷，進而作出相應的判斷和決策。

科學家們對專家系統的研究由來已久，一直以來被科學家們所重視。今天，各種各樣的專家系統已遍布了各行各業的不同領域，并且取得巨大的成功。

目前，專家系統可以分為十種類型：教育型、預測型、解釋型、維修型、規劃型、診斷型、調試型、設計型、控制型等。

4.3 符號計算

科學計算是計算機發明以來最基本和主要的用途之一。科學計算可分為兩類：一類是純數值的計算，另一類是符號計算。符號計算與傳統的純數值計算不同，它是一種智能化的計算，主要通過處理相應的符號來進行的計算。

在符號計算中，符號可以代表的種類非常非常多，如實數、復數、整數、有理數等，還可以用符號來代表函數、多項式、集合等。

很久以前，人類就希望能有一個可以進行符號計算的計算機軟件系統來幫助人們進行計算。可以追溯到20世紀50年代末，人們就開始對此進行研究。今天，隨著計算機科學技術和人工智能技術的進一步發展，已相繼出現了多種可以進行符號計算的計算機系統軟件。

這些符號計算軟件功能齊全，且具有共同的特點：一是人機界面友好，命令輸入方便靈活，反應快捷，操作便捷；二是在操作界面上，一般都支持交互式處理，人通過鍵盤輸入命令，計算機處理后即顯示結果。

雖然計算機只是在執行人給它的指令，具有一定的局限性，但是在符號計算中已經有了相當大的突破，相信在未來的符號計算領域會有更大的進步和發展。

4.4 人工神經網絡和機器情感

計算機技術發展到今天，人工智能的基本思想已經在許多領域中得到應用。未來人工智能應用最重要的一個新領域就是人工神經網絡。

研究表明，情感屬于智能的一部分，而并不是與智能相分離的。因此，可以斷言人工智能未來發展的下一個突破就是要賦予計算機情感能力，讓智能情感化。

人工智能進入21世紀的今天，正醞釀著新的突破，創造新的奇跡。

未來人工智能的應用將會為人類創造出更多更高級的智能“產品”來服務人類自身，而且人工智能將會在越來越多的領域會超越人類智能。

大數據時代背景下，相信人工智能將會得到長足的發展，更多的發現、發明和成果將會出現在大家面前。仿佛可以看到，與人類水平相同甚至超越人類自身智能就快要實現。

相信這一刻就在不遠的將來，讓大家拭目以待。

參考文獻

[1] 蔡自興，徐光祐.人工智能及其應用[M].4版.清華大學出版社，2010.

[2] （加）海金.神經網絡與機器學習[M].3版.北京：機械工業出版社，2011.

[3] （美）庫茲韋爾.奇點臨近[M].北京：機械工業出版社，2011.

[4] （英）邁爾-舍恩伯格.大數據時代[M].杭州：浙江人民出版社，2013.

[5] 涂子沛.數據之巔[M].北京：中信出版社，2014.