淺述人工智能與大數據之異同

張治斌 劉威

摘要：近年人工智能和大數據在各個國家的多個領域的應用中取得了良好的效果，為人們生活的方便、安全、高效提供了便利，人工智能和大數據也經常成為人們茶余飯后所談論的話題，兩者之間互為依存、又各有特點，所以經常被混淆視聽，本文從兩者的定義、發展歷程、核心技術與應用等反面相互對照說明，以解讀兩者的聯系與區別。

關鍵詞：人工智能；大數據；發展

中圖分類號：TP18 文獻標識碼：A 文章編號：1007-9416（2018）08-0235-02

人工智能和大數據是目前非常流行的專業術語，無論從政府中長期規劃、企業創新發展、大專院校專業建設規劃，以及近年來對求職人才稀缺崗位和職位熱度分析，都不難看出人工智能與大數據已經成為耳熟能詳并深受熱捧的行業，兩者也常常被人們拿出來相提并論，但事實上二者之間因為既有相似之處，又有各自的特點，因此很容易被混為一談，下面，本文將從兩者的定義、發展歷程、相互約束的關系等角度通俗解讀二者區別。

1 定義及發展歷程

1.1 人工智能的基本定義及發展歷程

根據人工智能學會與羅蘭貝格聯合發布的最新報告，人工智能的定義是利用計算機模擬人類智能行為科學的統稱，它涵蓋了訓練計算機使其能夠完成自主學習、判斷、決策等人類行為的范疇。

依據不同層級人工智能又分為弱人工智能、強人工智能和超強人工智能。所謂弱人工智能是指只能專注于解決某一類特定領域問題，并不真正擁有智能，也不會有自主意識。例如我們現在熟知的AlphaGo雖然能夠輕松戰勝人類圍棋世界冠軍，但其所有的軟硬件功能只能為圍棋服務，因此屬于這一范疇；強人工智能是指能夠真正具有推理和解決問題能力的智能機器，這種機器既有知覺又具備自我意識，能夠快速、獨立地完成思考、計劃、抽象思維以及所有人類大腦能完成的各種腦力勞動，而且這一階段的人工智能已經具備對“生存”和“安全”的渴求，電影《人工智能》中的大衛正是屬于這一范疇；超人工智能的計算和思維能力已經遠遠超出人類預想，其觀察和思考的范圍已經為人類難以理解。從以上分析可見，目前我們所有人工智能算法和應用也僅僅止步于弱人工智能領域。

從1950年圖靈第一次提出對人工智能的設想，繼而1956年達特茅斯會議AI正式誕生，人工智能發展經歷了：1956年-1976年研究不聚焦，但市場期望過高的第一階段；1976年-1986年左右，探索商業化但迅速被替代的第二階段；到從1997年深藍戰勝國際象棋冠軍開始至今的設施就位，與應用結合，但存在非理性繁榮的第三階段。今天，伴隨著物聯網、大規模并行計算、深度學習算法和大數據技術的呈現，將人工智能發展進一步推向高潮。

物聯網作為計算機感知和控制世界的接口和手段，可以實現數據的采集、記憶、分析、傳送數據、交互、控制等功能，類同于人類的感官；大規模的并行計算擺脫了CPU處理器的計算方式，擁有更多的內核去處理更多的并行計算任務，而云計算的出現、GPU的大規模應用使得集中化的數據計算處理能力變得前所未有的強大；海量的數據是人工智能的學習和發展的溫床，為優化計算機的處理性能提供了土壤；而深度學習算法卻是當前人工智能最先進、應用最廣泛的核心技術，深層神經網絡逐層訓練的高效算法和優異的實驗結果，讓神經網絡模型訓練成為了可能，使人類開始重新關注人工智能。

1.2 “大數據”的基本定義及發展歷程

“大數據”一詞最初在1997年由美國宇航局飛行員來描述20世紀90年代的挑戰，用于形容“模擬飛機周圍的氣流——是不能被處理和可視化的”；麥肯錫全球研究所給出大數據的定義是一種規模大到在獲取、存儲、管理、分析方面大大超出了傳統數據庫軟件工具能力范圍的數據集合，具有海量的數據規模、快速的數據流轉、多樣的數據類型和價值密度低四大特征。

大數據技術在2002年9月11日美國被恐怖組織襲擊后已經逐漸被涉足和重視，到2008年，隨著社交網絡用戶的普遍推廣和用戶激增，使得“大數據”的飛速增長獲得溫床，同年9月，《自然》雜志推出以“大數據”為主題的封面，預示著大數據年代的到來。此后，大數據技術發展經歷了2009年-2011年的熱門階段；2012年-2016年的“大數據”時代特征階段；乃至2017年至今的“大數據”爆發階段。

人的大腦存儲著各種紛繁復雜的海量知識，這些或碎片或系統的知識獲取渠道是通過感官進行信息采集，通過神經中樞傳導并存儲在大腦皮層，這些知識在邏輯上通常不能存在一定的關系，更有大量雜亂無章的干擾信息阻止人類搜索到有效地信息用于指導決策和行為的計劃、分析與執行。那么形象上理解，可以將人腦中的海量信號理解為大數據，這些大數據在被使用之初要經歷采集、傳輸、存儲、分類等工作，并做適當的清理以提出各種復雜的干擾信號；而人工智能可以理解為人類在通過各種渠道獲取知識，通過反復訓練來積累、總結經驗，進而提升個人分析、決策，乃至執行能力的這一系統過程。

2 主要技術與應用

從以上論述可知，大數據技術的宗旨是在數據轉變為有用的知識之前進行必要的清理、集成、分類、結構化等操作，是對數據的屬性、狀態、存儲形式的操作；人工智能更側重于知識的產出，即通過數據的內涵產生有意義的智能輸出。故此，兩者在技術路線與框架上也勢必有所區別。

2.1 人工智能的主要技術

支持人工智能的機器旨在分析和解釋數據，然后根據這些解釋解決問題，以便對決策和學習做出最佳決定。通過機器學習，計算機會學習如何對某個結果采取行動或做出快速、準確的反應，并在未來知道采取相同的行動。

人工智能更關注算法與計算形式，通過不斷優化算法提升機器的認知與執行能力，針對某種輸入獲取人類期許的輸出。與傳統計算應用程序不同，人工智能放棄所有響應都采用編碼的方式，而是通過不斷分析和解釋數據，繼而調整和優化對某種情景采取行動或作出響應，并在后續同種情況采取相同行動。

第三次浪潮的人工智能把一些技術、神經元網絡和統計的方法結合在一起。人工智能技術在神經網絡基礎上發展成多層神經網絡，進而進行深度學習。目前人工智能技術涉及機器學習、知識圖譜、自然語言處理、計算機視覺、人機交互、生物特征識別、虛擬現實/增強現實等關鍵技術。而人工智能學科研究的主要內容包括：知識表示、自動推理和搜索方法、機器學習和知識獲取、知識處理系統、自然語言理解、計算機視覺、智能機器人、自動程序設計等方面，主要應用體現在：機器視覺，指紋識別，人臉識別，視網膜識別，虹膜識別，掌紋識別，專家系統，自動規劃，智能搜索，定理證明，博弈，自動程序設計，智能控制，機器人學，語言和圖像理解，遺傳編程等。

2.2 大數據主要技術

大數據多采用傳統的統計計算方法，可以針對各種紛繁復雜的數據，尋求內涵的結果，進而獲得潛藏在數據背后能夠指導人類行為決策的洞察力，例如淘寶可以根據用戶每次瀏覽的商品內容的種類、價格、屬性等獲取用戶的消費能力與消費習慣，進而推薦用戶喜聞樂見的商品。這些被分析處理的數據可以是結構化（關系型數據庫中的事務數據表）、非結構化或半結構化數據（電子郵件、網站瀏覽信息、圖像、視頻、聲音、傳感器數據等）。

根據大數據處理的生命周期，大數據的技術體系涉及數據的采集與預處理、大數據存儲與管理、大數據計算模式與系統、大數據分析與挖掘、大數據可視化分析及大數據隱私與安全等幾個方面[2]。大數據的飛速發展更離不開云計算，單臺計算機無法完成海量數據的處理，通過采用云計算的分布式架構，才能有效對海量數據進行分布式數據挖掘、分布式處理、分布式數據庫和云存儲和虛擬化等技術。大數據的價值體現在能夠為企業產品和服務的精準營銷；幫助中小企業實現服務轉型；幫助傳統企業充分利用大數據背后的價值。目前大數據應用的主要場景包括：精準營銷、風險控制、決策支持、效率提升、醫療精診、生物基因改良等。

3 結語

大數據技術作為人工智能發展的必備條件，成為構建人工智能技術框架的重要支點，與深度學習算法和基于分布式計算的核心部件共同完成人工智能突飛猛進的三大基礎技術支撐，如圖1所示。

人工智能和大數據雖然有很大區別，但兩者之間的聯系也越來越就緊密。大數據技術主要針對大規模無規則數據的處理，包括數據的 采集、存儲、管理以及挖掘使用等。同時，這些處理過程的改善越來越依賴于人工智能技術的的參與，可以說大數據的一些關鍵技術也屬于人工智能的范疇。因此，人工智能的快速發展也促進了大數據相關技術的發展。人工智能技術是將軟硬件結合起來，通過神經網絡算法、機器學習等技術處理手段對大數據進行處理，其在特定領域取得 良好的效果離不開大數據的支撐。總之，大數據和人工智能在各類行業中密不可分，二者的結合，是實現計算機達到人類智能水平目標的有效手段。

參考文獻

[1]趙方宇.淺析大數據與人工智能的關系[J].數字通信世界，2018，07：129，135.

[2]孟小峰，慈祥.大數據管理：概念、技術與挑戰[J].計算機研究與發展，2013，50（1）：146-169.