終于有人把云計算、大數(shù)據(jù)和人工智能講明白了?。ㄏ拢?/h2>

作者： 劉超 轉(zhuǎn)載自劉超的通俗云計算微信公眾號發(fā)表時間：2018-03-22 15:24:22瀏覽量：2022【小中大】

數(shù)據(jù)不大也包含智慧 一開始這個大數(shù)據(jù)并不大。原來才有多少數(shù)據(jù)？現(xiàn)在大家都去看電子書，上網(wǎng)看新聞了，在我們 80 后小時候，信息量沒有那么大，也就看看書、看看報，一個星期的報紙加起來才有多少字？ ...

文本標(biāo)簽：

 

數(shù)據(jù)不大也包含智慧

 

一開始這個大數(shù)據(jù)并不大。原來才有多少數(shù)據(jù)？現(xiàn)在大家都去看電子書，上網(wǎng)看新聞了，在我們 80 后小時候，信息量沒有那么大，也就看看書、看看報，一個星期的報紙加起來才有多少字？

 

如果你不在一個大城市，一個普通的學(xué)校的圖書館加起來也沒幾個書架，是后來隨著信息化的到來，信息才會越來越多。

 

首先我們來看一下大數(shù)據(jù)里面的數(shù)據(jù)，就分三種類型：

·         結(jié)構(gòu)化的數(shù)據(jù)：即有固定格式和有限長度的數(shù)據(jù)。例如填的表格就是結(jié)構(gòu)化的數(shù)據(jù)，國籍：中華人民共和國，民族：漢，性別：男，這都叫結(jié)構(gòu)化數(shù)據(jù)。

·         非結(jié)構(gòu)化的數(shù)據(jù)：現(xiàn)在非結(jié)構(gòu)化的數(shù)據(jù)越來越多，就是不定長、無固定格式的數(shù)據(jù)，例如網(wǎng)頁，有時候非常長，有時候幾句話就沒了；例如語音，視頻都是非結(jié)構(gòu)化的數(shù)據(jù)。

·         半結(jié)構(gòu)化數(shù)據(jù)：是一些 XML 或者 HTML 的格式的，不從事技術(shù)的可能不了解，但也沒有關(guān)系。

 

其實數(shù)據(jù)本身不是有用的，必須要經(jīng)過一定的處理。例如你每天跑步帶個手環(huán)收集的也是數(shù)據(jù)，網(wǎng)上這么多網(wǎng)頁也是數(shù)據(jù)，我們稱為 Data。

 

數(shù)據(jù)本身沒有什么用處，但數(shù)據(jù)里面包含一個很重要的東西，叫做信息（Information）。

 

數(shù)據(jù)十分雜亂，經(jīng)過梳理和清洗，才能夠稱為信息。信息會包含很多規(guī)律，我們需要從信息中將規(guī)律總結(jié)出來，稱為知識（Knowledge），而知識改變命運。

 

信息是很多的，但有人看到了信息相當(dāng)于白看，但有人就從信息中看到了電商的未來，有人看到了直播的未來，所以人家就牛了。

 

如果你沒有從信息中提取出知識，天天看朋友圈也只能在互聯(lián)網(wǎng)滾滾大潮中做個看客。

 

有了知識，然后利用這些知識去應(yīng)用于實戰(zhàn)，有的人會做得非常好，這個東西叫做智慧（Intelligence）。

 

有知識并不一定有智慧，例如好多學(xué)者很有知識，已經(jīng)發(fā)生的事情可以從各個角度分析得頭頭是道，但一到實干就歇菜，并不能轉(zhuǎn)化成為智慧。

 

而很多的創(chuàng)業(yè)家之所以偉大，就是通過獲得的知識應(yīng)用于實踐，最后做了很大的生意。

 

所以數(shù)據(jù)的應(yīng)用分這四個步驟：數(shù)據(jù)、信息、知識、智慧。

 

最終的階段是很多商家都想要的。你看我收集了這么多的數(shù)據(jù)，能不能基于這些數(shù)據(jù)來幫我做下一步的決策，改善我的產(chǎn)品。

 

例如讓用戶看視頻的時候旁邊彈出廣告，正好是他想買的東西；再如讓用戶聽音樂時，另外推薦一些他非常想聽的其他音樂。

 

用戶在我的應(yīng)用或者網(wǎng)站上隨便點點鼠標(biāo)，輸入文字對我來說都是數(shù)據(jù)，我就是要將其中某些東西提取出來、指導(dǎo)實踐、形成智慧，讓用戶陷入到我的應(yīng)用里面不可自拔，上了我的網(wǎng)就不想離開，手不停地點、不停地買。

 

很多人說雙十一我都想斷網(wǎng)了，我老婆在上面不斷地買買買，買了 A 又推薦 B，老婆大人說，“哎呀，B 也是我喜歡的啊，老公我要買”。

 

你說這個程序怎么這么牛，這么有智慧，比我還了解我老婆，這件事情是怎么做到的呢？

數(shù)據(jù)如何升華為智慧

 

數(shù)據(jù)的處理分以下幾個步驟，完成了才最后會有智慧：

·         數(shù)據(jù)收集

·         數(shù)據(jù)傳輸

·         數(shù)據(jù)存儲

·         數(shù)據(jù)處理和分析

·         數(shù)據(jù)檢索和挖掘

 

數(shù)據(jù)收集

 

首先得有數(shù)據(jù)，數(shù)據(jù)的收集有兩個方式：

·         拿，專業(yè)點的說法叫抓取或者爬取。例如搜索引擎就是這么做的：它把網(wǎng)上的所有的信息都下載到它的數(shù)據(jù)中心，然后你一搜才能搜出來。

比如你去搜索的時候，結(jié)果會是一個列表，這個列表為什么會在搜索引擎的公司里面？就是因為他把數(shù)據(jù)都拿下來了，但是你一點鏈接，點出來這個網(wǎng)站就不在搜索引擎它們公司了。

比如說新浪有個新聞，你拿百度搜出來，你不點的時候，那一頁在百度數(shù)據(jù)中心，一點出來的網(wǎng)頁就是在新浪的數(shù)據(jù)中心了。

·         推送，有很多終端可以幫我收集數(shù)據(jù)。比如說小米手環(huán)，可以將你每天跑步的數(shù)據(jù)，心跳的數(shù)據(jù)，睡眠的數(shù)據(jù)都上傳到數(shù)據(jù)中心里面。

 

數(shù)據(jù)傳輸

 

一般會通過隊列方式進行，因為數(shù)據(jù)量實在是太大了，數(shù)據(jù)必須經(jīng)過處理才會有用?？上到y(tǒng)處理不過來，只好排好隊，慢慢處理。

 

數(shù)據(jù)存儲

 

現(xiàn)在數(shù)據(jù)就是金錢，掌握了數(shù)據(jù)就相當(dāng)于掌握了錢。要不然網(wǎng)站怎么知道你想買什么？

 

就是因為它有你歷史的交易數(shù)據(jù)，這個信息可不能給別人，十分寶貴，所以需要存儲下來。

 

數(shù)據(jù)處理和分析

 

上面存儲的數(shù)據(jù)是原始數(shù)據(jù)，原始數(shù)據(jù)多是雜亂無章的，有很多垃圾數(shù)據(jù)在里面，因而需要清洗和過濾，得到一些高質(zhì)量的數(shù)據(jù)。

 

對于高質(zhì)量的數(shù)據(jù)，就可以進行分析，從而對數(shù)據(jù)進行分類，或者發(fā)現(xiàn)數(shù)據(jù)之間的相互關(guān)系，得到知識。

 

比如盛傳的沃爾瑪超市的啤酒和尿布的故事，就是通過對人們的購買數(shù)據(jù)進行分析，發(fā)現(xiàn)了男人一般買尿布的時候，會同時購買啤酒。

 

這樣就發(fā)現(xiàn)了啤酒和尿布之間的相互關(guān)系，獲得知識，然后應(yīng)用到實踐中，將啤酒和尿布的柜臺弄的很近，就獲得了智慧。

 

數(shù)據(jù)檢索和挖掘

 

檢索就是搜索，所謂外事不決問 Google，內(nèi)事不決問百度。內(nèi)外兩大搜索引擎都是將分析后的數(shù)據(jù)放入搜索引擎，因此人們想尋找信息的時候，一搜就有了。

 

另外就是挖掘，僅僅搜索出來已經(jīng)不能滿足人們的要求了，還需要從信息中挖掘出相互的關(guān)系。

 

比如財經(jīng)搜索，當(dāng)搜索某個公司股票的時候，該公司的高管是不是也應(yīng)該被挖掘出來呢？

 

如果僅僅搜索出這個公司的股票發(fā)現(xiàn)漲的特別好，于是你就去買了，其時其高管發(fā)了一個聲明，對股票十分不利，第二天就跌了，這不坑害廣大股民么？所以通過各種算法挖掘數(shù)據(jù)中的關(guān)系，形成知識庫，十分重要。

 

 

大數(shù)據(jù)時代，眾人拾柴火焰高

 

當(dāng)數(shù)據(jù)量很小時，很少的幾臺機器就能解決。慢慢的，當(dāng)數(shù)據(jù)量越來越大，最牛的服務(wù)器都解決不了問題時，怎么辦呢？

 

這時就要聚合多臺機器的力量，大家齊心協(xié)力一起把這個事搞定，眾人拾柴火焰高。

 

對于數(shù)據(jù)的收集：就 IoT 來講，外面部署著成千上萬的檢測設(shè)備，將大量的溫度、濕度、監(jiān)控、電力等數(shù)據(jù)統(tǒng)統(tǒng)收集上來；就互聯(lián)網(wǎng)網(wǎng)頁的搜索引擎來講，需要將整個互聯(lián)網(wǎng)所有的網(wǎng)頁都下載下來。

 

這顯然一臺機器做不到，需要多臺機器組成網(wǎng)絡(luò)爬蟲系統(tǒng)，每臺機器下載一部分，同時工作，才能在有限的時間內(nèi)，將海量的網(wǎng)頁下載完畢。

對于數(shù)據(jù)的傳輸：一個內(nèi)存里面的隊列肯定會被大量的數(shù)據(jù)擠爆掉，于是就產(chǎn)生了基于硬盤的分布式隊列，這樣隊列可以多臺機器同時傳輸，隨你數(shù)據(jù)量多大，只要我的隊列足夠多，管道足夠粗，就能夠撐得住。

對于數(shù)據(jù)的存儲：一臺機器的文件系統(tǒng)肯定是放不下的，所以需要一個很大的分布式文件系統(tǒng)來做這件事情，把多臺機器的硬盤打成一塊大的文件系統(tǒng)。

對于數(shù)據(jù)的分析：可能需要對大量的數(shù)據(jù)做分解、統(tǒng)計、匯總，一臺機器肯定搞不定，處理到猴年馬月也分析不完。

 

于是就有分布式計算的方法，將大量的數(shù)據(jù)分成小份，每臺機器處理一小份，多臺機器并行處理，很快就能算完。

 

例如著名的 Terasort 對 1 個 TB 的數(shù)據(jù)排序，相當(dāng)于 1000G，如果單機處理，怎么也要幾個小時，但并行處理 209 秒就完成了。

所以說什么叫做大數(shù)據(jù)？說白了就是一臺機器干不完，大家一起干。

 

可是隨著數(shù)據(jù)量越來越大，很多不大的公司都需要處理相當(dāng)多的數(shù)據(jù)，這些小公司沒有這么多機器可怎么辦呢？

 

大數(shù)據(jù)需要云計算，云計算需要大數(shù)據(jù)

 

說到這里，大家想起云計算了吧。當(dāng)想要干這些活時，需要很多的機器一塊做，真的是想什么時候要就什么時候要，想要多少就要多少。

 

例如大數(shù)據(jù)分析公司的財務(wù)情況，可能一周分析一次，如果要把這一百臺機器或者一千臺機器都在那放著，一周用一次非常浪費。

 

那能不能需要計算的時候，把這一千臺機器拿出來；不算的時候，讓這一千臺機器去干別的事情？

 

誰能做這個事兒呢？只有云計算，可以為大數(shù)據(jù)的運算提供資源層的靈活性。

 

而云計算也會部署大數(shù)據(jù)放到它的 PaaS 平臺上，作為一個非常非常重要的通用應(yīng)用。

 

因為大數(shù)據(jù)平臺能夠使得多臺機器一起干一個事兒，這個東西不是一般人能開發(fā)出來的，也不是一般人玩得轉(zhuǎn)的，怎么也得雇個幾十上百號人才能把這個玩起來。

 

所以說就像數(shù)據(jù)庫一樣，還是需要有一幫專業(yè)的人來玩這個東西?，F(xiàn)在公有云上基本上都會有大數(shù)據(jù)的解決方案了。

 

一個小公司需要大數(shù)據(jù)平臺的時候，不需要采購一千臺機器，只要到公有云上一點，這一千臺機器都出來了，并且上面已經(jīng)部署好了的大數(shù)據(jù)平臺，只要把數(shù)據(jù)放進去算就可以了。

 

云計算需要大數(shù)據(jù)，大數(shù)據(jù)需要云計算，二者就這樣結(jié)合了。

 

人工智能擁抱大數(shù)據(jù)

 

機器什么時候才能懂人心

 

雖說有了大數(shù)據(jù)，人的欲望卻不能夠滿足。雖說在大數(shù)據(jù)平臺里面有搜索引擎這個東西，想要什么東西一搜就出來了。

 

但也存在這樣的情況：我想要的東西不會搜，表達不出來，搜索出來的又不是我想要的。

 

例如音樂軟件推薦了一首歌，這首歌我沒聽過，當(dāng)然不知道名字，也沒法搜。但是軟件推薦給我，我的確喜歡，這就是搜索做不到的事情。

 

當(dāng)人們使用這種應(yīng)用時，會發(fā)現(xiàn)機器知道我想要什么，而不是說當(dāng)我想要時，去機器里面搜索。這個機器真像我的朋友一樣懂我，這就有點人工智能的意思了。

 

人們很早就在想這個事情了。最早的時候，人們想象，要是有一堵墻，墻后面是個機器，我給它說話，它就給我回應(yīng)。

 

如果我感覺不出它那邊是人還是機器，那它就真的是一個人工智能的東西了。

 

讓機器學(xué)會推理

 

怎么才能做到這一點呢？人們就想：我首先要告訴計算機人類推理的能力。你看人重要的是什么？人和動物的區(qū)別在什么？就是能推理。

 

要是把我這個推理的能力告訴機器，讓機器根據(jù)你的提問，推理出相應(yīng)的回答，這樣多好？

 

其實目前人們慢慢地讓機器能夠做到一些推理了，例如證明數(shù)學(xué)公式。這是一個非常讓人驚喜的一個過程，機器竟然能夠證明數(shù)學(xué)公式。

 

但慢慢又發(fā)現(xiàn)這個結(jié)果也沒有那么令人驚喜。因為大家發(fā)現(xiàn)了一個問題：數(shù)學(xué)公式非常嚴(yán)謹(jǐn)，推理過程也非常嚴(yán)謹(jǐn)，而且數(shù)學(xué)公式很容易拿機器來進行表達，程序也相對容易表達。

 

然而人類的語言就沒這么簡單了。比如今天晚上，你和你女朋友約會，你女朋友說：如果你早來，我沒來，你等著；如果我早來，你沒來，你等著！

 

這個機器就比較難理解了，但人都懂。所以你和女朋友約會，是不敢遲到的。

 

教給機器知識

 

因此，僅僅告訴機器嚴(yán)格的推理是不夠的，還要告訴機器一些知識。但告訴機器知識這個事情，一般人可能就做不來了。可能專家可以，比如語言領(lǐng)域的專家或者財經(jīng)領(lǐng)域的專家。

 

語言領(lǐng)域和財經(jīng)領(lǐng)域知識能不能表示成像數(shù)學(xué)公式一樣稍微嚴(yán)格點呢？例如語言專家可能會總結(jié)出主謂賓定狀補這些語法規(guī)則，主語后面一定是謂語，謂語后面一定是賓語，將這些總結(jié)出來，并嚴(yán)格表達出來不就行了嗎？

 

后來發(fā)現(xiàn)這個不行，太難總結(jié)了，語言表達千變?nèi)f化。就拿主謂賓的例子，很多時候在口語里面就省略了謂語，別人問：你誰啊？我回答：我劉超。

 

但你不能規(guī)定在語音語義識別時，要求對著機器說標(biāo)準(zhǔn)的書面語，這樣還是不夠智能，就像羅永浩在一次演講中說的那樣，每次對著手機，用書面語說：請幫我呼叫某某某，這是一件很尷尬的事情。

 

人工智能這個階段叫做專家系統(tǒng)。專家系統(tǒng)不易成功，一方面是知識比較難總結(jié)，另一方面總結(jié)出來的知識難以教給計算機。

 

因為你自己還迷迷糊糊，覺得似乎有規(guī)律，就是說不出來，又怎么能夠通過編程教給計算機呢？

 

算了，教不會你自己學(xué)吧

 

于是人們想到：機器是和人完全不一樣的物種，干脆讓機器自己學(xué)習(xí)好了。

 

機器怎么學(xué)習(xí)呢？既然機器的統(tǒng)計能力這么強，基于統(tǒng)計學(xué)習(xí)，一定能從大量的數(shù)字中發(fā)現(xiàn)一定的規(guī)律。

 

其實在娛樂圈有很好的一個例子，可窺一斑：

 

有一位網(wǎng)友統(tǒng)計了知名歌手在大陸發(fā)行的 9 張專輯中 117 首歌曲的歌詞，同一詞語在一首歌出現(xiàn)只算一次，形容詞、名詞和動詞的前十名如下表所示（詞語后面的數(shù)字是出現(xiàn)的次數(shù)）：

如果我們隨便寫一串?dāng)?shù)字，然后按照數(shù)位依次在形容詞、名詞和動詞中取出一個詞，連在一起會怎么樣呢？

 

例如取圓周率 3.1415926，對應(yīng)的詞語是：堅強，路，飛，自由，雨，埋，迷惘。

 

稍微連接和潤色一下：

·         堅強的孩子

·         依然前行在路上

·         張開翅膀飛向自由

·         讓雨水埋葬他的迷惘

 

是不是有點感覺了？當(dāng)然，真正基于統(tǒng)計的學(xué)習(xí)算法比這個簡單的統(tǒng)計復(fù)雜得多。

 

然而統(tǒng)計學(xué)習(xí)比較容易理解簡單的相關(guān)性：例如一個詞和另一個詞總是一起出現(xiàn)，兩個詞應(yīng)該有關(guān)系；而無法表達復(fù)雜的相關(guān)性。

 

并且統(tǒng)計方法的公式往往非常復(fù)雜，為了簡化計算，常常做出各種獨立性的假設(shè)，來降低公式的計算難度，然而現(xiàn)實生活中，具有獨立性的事件是相對較少的。

 

模擬大腦的工作方式

 

于是人類開始從機器的世界，反思人類的世界是怎么工作的。

人類的腦子里面不是存儲著大量的規(guī)則，也不是記錄著大量的統(tǒng)計數(shù)據(jù)，而是通過神經(jīng)元的觸發(fā)實現(xiàn)的。

 

每個神經(jīng)元有從其他神經(jīng)元的輸入，當(dāng)接收到輸入時，會產(chǎn)生一個輸出來刺激其他神經(jīng)元。于是大量的神經(jīng)元相互反應(yīng)，最終形成各種輸出的結(jié)果。

 

例如當(dāng)人們看到美女瞳孔會放大，絕不是大腦根據(jù)身材比例進行規(guī)則判斷，也不是將人生中看過的所有的美女都統(tǒng)計一遍，而是神經(jīng)元從視網(wǎng)膜觸發(fā)到大腦再回到瞳孔。

 

在這個過程中，其實很難總結(jié)出每個神經(jīng)元對最終的結(jié)果起到了哪些作用，反正就是起作用了。

 

于是人們開始用一個數(shù)學(xué)單元模擬神經(jīng)元。

 

這個神經(jīng)元有輸入，有輸出，輸入和輸出之間通過一個公式來表示，輸入根據(jù)重要程度不同(權(quán)重)，影響著輸出。

于是將 n 個神經(jīng)元通過像一張神經(jīng)網(wǎng)絡(luò)一樣連接在一起。n 這個數(shù)字可以很大很大，所有的神經(jīng)元可以分成很多列，每一列很多個排列起來。

 

每個神經(jīng)元對于輸入的權(quán)重可以都不相同，從而每個神經(jīng)元的公式也不相同。當(dāng)人們從這張網(wǎng)絡(luò)中輸入一個東西的時候，希望輸出一個對人類來講正確的結(jié)果。

 

例如上面的例子，輸入一個寫著 2 的圖片，輸出的列表里面第二個數(shù)字最大，其實從機器來講，它既不知道輸入的這個圖片寫的是 2，也不知道輸出的這一系列數(shù)字的意義，沒關(guān)系，人知道意義就可以了。

 

正如對于神經(jīng)元來說，他們既不知道視網(wǎng)膜看到的是美女，也不知道瞳孔放大是為了看的清楚，反正看到美女，瞳孔放大了，就可以了。

 

對于任何一張神經(jīng)網(wǎng)絡(luò)，誰也不敢保證輸入是 2，輸出一定是第二個數(shù)字最大，要保證這個結(jié)果，需要訓(xùn)練和學(xué)習(xí)。

 

畢竟看到美女而瞳孔放大也是人類很多年進化的結(jié)果。學(xué)習(xí)的過程就是，輸入大量的圖片，如果結(jié)果不是想要的結(jié)果，則進行調(diào)整。

 

如何調(diào)整呢？就是每個神經(jīng)元的每個權(quán)重都向目標(biāo)進行微調(diào)，由于神經(jīng)元和權(quán)重實在是太多了，所以整張網(wǎng)絡(luò)產(chǎn)生的結(jié)果很難表現(xiàn)出非此即彼的結(jié)果，而是向著結(jié)果微微地進步，最終能夠達到目標(biāo)結(jié)果。

 

當(dāng)然，這些調(diào)整的策略還是非常有技巧的，需要算法的高手來仔細的調(diào)整。正如人類見到美女，瞳孔一開始沒有放大到能看清楚，于是美女跟別人跑了，下次學(xué)習(xí)的結(jié)果是瞳孔放大一點點，而不是放大鼻孔。

 

沒道理但做得到

 

聽起來也沒有那么有道理，但的確能做到，就是這么任性！

 

神經(jīng)網(wǎng)絡(luò)的普遍性定理是這樣說的，假設(shè)某個人給你某種復(fù)雜奇特的函數(shù)，f(x)：

不管這個函數(shù)是什么樣的，總會確保有個神經(jīng)網(wǎng)絡(luò)能夠?qū)θ魏慰赡艿妮斎?span> x，其值 f(x)（或者某個能夠準(zhǔn)確的近似）是神經(jīng)網(wǎng)絡(luò)的輸出。

 

如果在函數(shù)代表著規(guī)律，也意味著這個規(guī)律無論多么奇妙，多么不能理解，都是能通過大量的神經(jīng)元，通過大量權(quán)重的調(diào)整，表示出來的。

 

人工智能的經(jīng)濟學(xué)解釋

 

這讓我想到了經(jīng)濟學(xué)，于是比較容易理解了。

我們把每個神經(jīng)元當(dāng)成社會中從事經(jīng)濟活動的個體。于是神經(jīng)網(wǎng)絡(luò)相當(dāng)于整個經(jīng)濟社會，每個神經(jīng)元對于社會的輸入，都有權(quán)重的調(diào)整，做出相應(yīng)的輸出。

 

比如工資漲了、菜價漲了、股票跌了，我應(yīng)該怎么辦、怎么花自己的錢。這里面沒有規(guī)律么？肯定有，但是具體什么規(guī)律呢？很難說清楚。

 

基于專家系統(tǒng)的經(jīng)濟屬于計劃經(jīng)濟。整個經(jīng)濟規(guī)律的表示不希望通過每個經(jīng)濟個體的獨立決策表現(xiàn)出來，而是希望通過專家的高屋建瓴和遠見卓識總結(jié)出來。但專家永遠不可能知道哪個城市的哪個街道缺少一個賣甜豆腐腦的。

 

于是專家說應(yīng)該產(chǎn)多少鋼鐵、產(chǎn)多少饅頭，往往距離人民生活的真正需求有較大的差距，就算整個計劃書寫個幾百頁，也無法表達隱藏在人民生活中的小規(guī)律。

 

基于統(tǒng)計的宏觀調(diào)控就靠譜多了，每年統(tǒng)計局都會統(tǒng)計整個社會的就業(yè)率、通脹率、GDP 等指標(biāo)。這些指標(biāo)往往代表著很多內(nèi)在規(guī)律，雖然不能精確表達，但是相對靠譜。

 

然而基于統(tǒng)計的規(guī)律總結(jié)表達相對比較粗糙。比如經(jīng)濟學(xué)家看到這些統(tǒng)計數(shù)據(jù)，可以總結(jié)出長期來看房價是漲還是跌、股票長期來看是漲還是跌。

 

如果經(jīng)濟總體上揚，房價和股票應(yīng)該都是漲的。但基于統(tǒng)計數(shù)據(jù)，無法總結(jié)出股票，物價的微小波動規(guī)律。

 

基于神經(jīng)網(wǎng)絡(luò)的微觀經(jīng)濟學(xué)才是對整個經(jīng)濟規(guī)律最最準(zhǔn)確的表達，每個人對于自己在社會中的輸入進行各自的調(diào)整，并且調(diào)整同樣會作為輸入反饋到社會中。

 

想象一下股市行情細微的波動曲線，正是每個獨立的個體各自不斷交易的結(jié)果，沒有統(tǒng)一的規(guī)律可循。

 

而每個人根據(jù)整個社會的輸入進行獨立決策，當(dāng)某些因素經(jīng)過多次訓(xùn)練，也會形成宏觀上統(tǒng)計性的規(guī)律，這也就是宏觀經(jīng)濟學(xué)所能看到的。

 

例如每次貨幣大量發(fā)行，最后房價都會上漲，多次訓(xùn)練后，人們也就都學(xué)會了。

 

人工智能需要大數(shù)據(jù)

 

然而，神經(jīng)網(wǎng)絡(luò)包含這么多的節(jié)點，每個節(jié)點又包含非常多的參數(shù)，整個參數(shù)量實在是太大了，需要的計算量實在太大。

 

但沒有關(guān)系，我們有大數(shù)據(jù)平臺，可以匯聚多臺機器的力量一起來計算，就能在有限的時間內(nèi)得到想要的結(jié)果。

 

人工智能可以做的事情非常多，例如可以鑒別垃圾郵件、鑒別黃色暴力文字和圖片等。

 

這也是經(jīng)歷了三個階段的：

·         依賴于關(guān)鍵詞黑白名單和過濾技術(shù)，包含哪些詞就是黃色或者暴力的文字。隨著這個網(wǎng)絡(luò)語言越來越多，詞也不斷地變化，不斷地更新這個詞庫就有點顧不過來。

·         基于一些新的算法，比如說貝葉斯過濾等，你不用管貝葉斯算法是什么，但是這個名字你應(yīng)該聽過，這是一個基于概率的算法。

·         基于大數(shù)據(jù)和人工智能，進行更加精準(zhǔn)的用戶畫像、文本理解和圖像理解。

 

由于人工智能算法多是依賴于大量的數(shù)據(jù)的，這些數(shù)據(jù)往往需要面向某個特定的領(lǐng)域(例如電商，郵箱)進行長期的積累。

 

如果沒有數(shù)據(jù)，就算有人工智能算法也白搭，所以人工智能程序很少像前面的 IaaS 和 PaaS 一樣，將人工智能程序給某個客戶安裝一套，讓客戶去用。

 

因為給某個客戶單獨安裝一套，客戶沒有相關(guān)的數(shù)據(jù)做訓(xùn)練，結(jié)果往往是很差的。

 

但云計算廠商往往是積累了大量數(shù)據(jù)的，于是就在云計算廠商里面安裝一套，暴露一個服務(wù)接口。

 

比如您想鑒別一個文本是不是涉及黃色和暴力，直接用這個在線服務(wù)就可以了。這種形勢的服務(wù)，在云計算里面稱為軟件即服務(wù)，SaaS (Software AS A Service)

 

于是工智能程序作為 SaaS 平臺進入了云計算。

 

基于三者關(guān)系的美好生活

 

終于云計算的三兄弟湊齊了，分別是 IaaS、PaaS 和 SaaS。所以一般在一個云計算平臺上，云、大數(shù)據(jù)、人工智能都能找得到。

 

一個大數(shù)據(jù)公司，積累了大量的數(shù)據(jù)，會使用一些人工智能的算法提供一些服務(wù)；一個人工智能公司，也不可能沒有大數(shù)據(jù)平臺支撐。

 

所以，當(dāng)云計算、大數(shù)據(jù)、人工智能這樣整合起來，便完成了相遇、相識、相知的過程。

 

2018-03-22 2022人瀏覽

上一篇:機器視覺檢測設(shè)備的利潤究竟有多少？

下一篇:終于有人把云計算、大數(shù)據(jù)和人工智能講明白了?。ㄉ希?/a>