大数据分析&人工智能：技术内容价值观的辨析

随着技术的不断发展，技术种类越来越多。人们不可能掌握所有这些。然而，有太多的技术可供人们选择。此时，人们在选择哪种技术时经常会陷入困惑。他们不知道选择什么样的技术，从什么技术开始，甚至怀疑技术的作用。他们认为有些技术毫无意义，不知道它们有什么用。今天我们将讨论技术在数据科学领域的重要性，分析大数据分析是否是鸡肋，什么是数据科学和技术系统中的价值技术，以及当人工智能领域的反对声音越来越大时，人工智能是否可以继续发展，它可以走多远。

大数据分析并不鸡肋

大数据技术：世界将会是怎样

计算机诞生70年后，单台计算机的计算性能接近物理极限，伴随计算机发展的摩尔定律逐渐失效。在70年的发展过程中，摩尔定律最初可以用来准确描述。1965年，英特尔创始人之一戈登·摩尔在考察了计算机硬件的发展规律后，提出了著名的摩尔定律:“该定律认为，同一面积的芯片上可以容纳的晶体管数量每16-24个月就会翻倍，计算性能也会翻倍。换句话说，每16-24个月，单位价格的购买力就会翻倍。在接下来的几十年里，摩尔定律被证明了无数次。直到现在，当计算机性能接近极限时，摩尔定律似乎已经失效。

随着摩尔定律在其发展过程中不断生效，计算机与网络宽带和物理存储容量同时发展。半个多世纪以来，存储价格几乎下降到原价的一亿英镑。

互联网宽带的速度不断突破极限。

随着这些物理硬件的升级，奥特式的技术革新已经在计算机领域发生，分布式计算和量子计算机技术已经诞生。这两种技术的出现必将改变计算机资源供应方的状况。

分布式计算机技术逐渐成为大数据领域底层信息技术架构的行业标准。分布式计算可以实现计算目标，分配和支持计算资源，解决大数据环境下计算量过大，超出单个物理机计算能力极限的问题，与物理计算资源协调，为后续云计算奠定基础。

量子计算机技术将使个人计算机的计算能力有质的飞跃。然而，当量子计算机的核心技术尚未突破时，面对数据爆炸式增长，人类无能为力.

经过长时间的探索，人类现在已经决定借助分布式计算技术实施新一轮OTT型技术创新，这不仅解决了海量数据存储和计算的问题，也希望帮助人类摆脱计算资源瓶颈的束缚。

但是从大数据技术的发展现状来看，真正的困难仍然在于掌握底层工具。由于开发还处于初级阶段，人们仍然需要掌握大量底层工具。由于走的人很少，这条路看起来很泥泞。只有开发和掌握了基本工具，用户门槛才能降低。

这条路对我们来说困难吗？真的很难！但是在这条道路上克服困难是值得的，因为收入将是非常划算的。这条路上的困难在于掌握许多底层工具。为什么？因为很少有人走在这条路上，它仍然是一条泥泞的路，很难走，但是我们为什么要不顾困难继续走呢？因为只要量子计算机不出现，摩尔定律的失败，数据量仍在增加，对大量交叉路口的需求将导致一条又一条高速公路的出现，然后大型铺路公司将设立检查站来收税。泥泞的道路迟早会变成公路，但只要你先走，你就能看到别人看不到的风景。

从计算机到DOS系统到桌面系统，Python机器从源代码到算法库的学习并不总是这样。

数据革命的本质

大数据分析技术更有价值，数据分析技术更有价值。最重要的是什么

机器生产释放脑力，机器学习释放脑力

计算机诞生70年后，单台计算机的计算性能接近物理极限，伴随计算机发展的摩尔定律逐渐失效。在70年的发展过程中，摩尔定律最初可以用来准确描述。1965年，英特尔创始人之一戈登·摩尔在考察了计算机硬件的发展规律后，提出了著名的摩尔定律:“该定律认为，同一面积的芯片上可以容纳的晶体管数量每16-24个月就会翻倍，计算性能也会翻倍。换句话说，每16-24个月，单位价格的购买力就会翻倍。在接下来的几十年里，摩尔定律被证明了无数次。直到现在，当计算机性能接近极限时，摩尔定律似乎已经失效。

人工智能是数据培育的智能。其决策的核心是算法。人工智能的发展类似于18世纪的工业革命，它通过用机器生产代替手工劳动来释放人类劳动力。数据智能将通过参与决策来释放人类的脑力。机器学习是提供人工智能决策的算法的核心。

机器学习算法(machine learning algorithm)的核心目的是挖掘事物的内部逻辑和规律，即以数据为接收外部信息的形式，用数据还原外部事物的基本属性和运行状态，用机器学习算法挖掘其规律，还原客观规律。然后运用法律来协助决策。

机器学习可以使人工智能参与到以人为基础的重复决策领域的决策中。

@

算法的核心方法是采用上述方法，只得到结果。数据分析的核心价值应该有技术核心价值的旗帜。小数据和大数据都会被重新分析。然而，随着Python周的到来，基础设施有了进一步的改进，Python仍然是标准工具。

Python的核心技能可以说是使用了众多强大的算法库进行算法建模和分析

数据、算法、计算能力这三架马车所推动的人工智能技术发展，是否已经遇到了瓶颈

《人工智能标准化白皮书》，由中国国家标准化管理委员会于2018年1月发布，解释了人工智能的基本思想和内容。人们认为人工智能应该是一个围绕智能活动构建的人工系统，一个知识工程，一个机器模仿人类利用知识完成某些行为的过程。

中国的人工智能起步相对较晚。人工智能的发展可以分为三个阶段。从20世纪50年代到80年代，人工智能就诞生在这个阶段。然而，由于许多事物不能被正式表达，所建立的模型有一定的局限性。第二阶段是从20世纪80年代到90年代。专家系统发展迅速，数学模型取得重大突破。然而，由于专家系统在知识获取等方面的不足，人工智能的发展又一次进入了低谷。第三阶段是从21世纪初至今，随着大数据的积累、理论算法的创新和计算能力的提高，人工智能在许多应用领域取得了突破性进展，迎来了又一个繁荣时期。

根据人工智能的发展定义和国家颁布的《人工智能白皮书》，人工智能可分为强人工智能和弱人工智能两种类型。

弱人工智能是一种不能正实现推理和解决问题的智能机器。这些机器表面上看起来很智能，但它们并没有真正的智能，也不会有独立的意识。然而，这仍然是目前的主流研究，仍然集中在弱人工智能上，并取得了显著进展，如语音识别、图像处理和对象分割、机器翻译等重大突破，甚至可以接近或超过人类水平。

强人工智能是一种能够真正思考的智能机器，它认为这样的机器是有意识的和自我意识的。这种机器可以分为两类:类人的和非类人的。一般来说，达到人类水平并能适应外部环境挑战的自觉人工智能被称为“一般人工智能”、“强人工智能”或“类人智能”(human-like intelligence)。“一般来说，我们认为强人工智能的时代已经到来，但它尚未普及。然而，在这个时候，仍然有一些有趣的观点。他们持有相反的声音，认为人工智能不是智力或人工智力迟钝。

他们认为当我们开车时，我们的大脑正在处理各种信息:交通信号、标志、路上的井盖和死水。当我们看到一只狗在路中间过马路时，我们会踩刹车。看到中间有一只鸟，我们会判断这只鸟会飞得很快而不会减速。如果是塑料袋，我们可以直接压它。如果它是一块大石头，我们需要避开它。这些都是由经验和生活常识的积累形成的。然而，人工智能不能做到这一点。

目前，人们研究的人工智能是“狭义”人工智能。“真实的”人工智能需要能够理解食物之间的因果关系，比如警察在路上设置的锥形标记，即使它被压扁或压扁，也应该能够被识别。然而，目前计算机很难识别障碍物，即使它是从一个角度改变的。“狭义”人工智能采用机器学习路线，换句话说，计算机将简单地考虑道路上的所有物体(包括足够的、其他车辆、标志、行人、塑料袋、石头等)。)作为障碍物，计算并预测这些障碍物的运动路线，判断是否会与汽车的路线发生冲突，然后执行相应的动作。

然后问题来了.

当计算机不能理解物体时，这意味着不可能100%准确预测物体的运动轨迹。例如，狗在路中间。你很难预测它在下一秒的位置，即使它正在向前跑。如果路中间有个孩子怎么办？同时，计算机也很难识别路边的交通标志。标志损坏时，障碍物等。会影响计算机识别。

因此，目前的人工智能属于“狭义”人工智能，其核心是基于大数据的学习。然而，在快速变化的现实世界中，计算机无法真正理解事物之间的关系，因此它们无法处理意外情况。

我们可以将无人驾驶分为五个级别:

辅助自动驾驶(如自动刹车、车道保持、停车辅助系统等)。)在一定条件下可以自动驾驶，但驾驶员需要进行实时监控(如特斯拉的自动驾驶技术)。在某些情况下，汽车可以自动驾驶。司机不需要实时监控，但他们应该随时准备接管驾驶。在一定条件下，可以实现无人值守自动驾驶。完全实现无人值守自动驾驶。

目前，离无人驾驶的第五级还有很长的路要走。当然，没有人知道这条路将来会是什么样子。

在我看来，随着技术的发展，人工智能的道路不是不可能的，但却相当困难，并不是说只有当人工智能完全达到强大的人工智能时，人类才能受益。目前，人工智能已经应用于我们周围的许多领域，并且正在不断地帮助我们。我们可以帮助我们完善人工智能，并通过人工智能实现一个连续的循环。只是需要许多对数据科学领域感兴趣的人来不断改进它们。

我希望你读完这篇文章后能有所收获。如果你有什么想法，我希望你能一起讨论。谢谢你。