大數(shù)據(jù)擁抱云計(jì)算，人工智能擁抱大數(shù)據(jù)

在PaaS層中一個(gè)復(fù)雜的通用應(yīng)用就是大數(shù)據(jù)平臺(tái)。大數(shù)據(jù)是如何一步一步融入云計(jì)算的呢？

1數(shù)據(jù)不大也包含智慧

一開始這個(gè)大數(shù)據(jù)并不大。原來(lái)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(shí)候，信息量沒有那么大，也就看看書、看看報(bào)，一個(gè)星期的報(bào)紙加起來(lái)才有多少字？如果你不在一個(gè)大城市，一個(gè)普通的學(xué)校的圖書館加起來(lái)也沒幾個(gè)書架，是后來(lái)隨著信息化的到來(lái)，信息才會(huì)越來(lái)越多。

首先我們來(lái)看一下大數(shù)據(jù)里面的數(shù)據(jù)，就分三種類型，一種叫結(jié)構(gòu)化的數(shù)據(jù)，一種叫非結(jié)構(gòu)化的數(shù)據(jù)，還有一種叫半結(jié)構(gòu)化的數(shù)據(jù)。

···其實(shí)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(gè)手環(huán)收集的也是數(shù)據(jù)，網(wǎng)上這么多網(wǎng)頁(yè)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(gè)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(huì)包含很多規(guī)律，我們需要從信息中將規(guī)律總結(jié)出來(lái)，稱為知識(shí)（Knowledge），而知識(shí)改變命運(yùn)。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(lái)，有人看到了直播的未來(lái)，所以人家就牛了。如果你沒有從信息中提取出知識(shí)，天天看朋友圈也只能在互聯(lián)網(wǎng)滾滾大潮中做個(gè)看客。

有了知識(shí)，然后利用這些知識(shí)去應(yīng)用于實(shí)戰(zhàn)，有的人會(huì)做得非常好，這個(gè)東西叫做智慧（Intelligence）。有知識(shí)并不一定有智慧，例如好多學(xué)者很有知識(shí)，已經(jīng)發(fā)生的事情可以從各個(gè)角度分析得頭頭是道，但一到實(shí)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(shí)應(yīng)用于實(shí)踐，最后做了很大的生意。

所以數(shù)據(jù)的應(yīng)用分這四個(gè)步驟：數(shù)據(jù)、信息、知識(shí)、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(lái)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(shí)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(shí)，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(diǎn)點(diǎn)鼠標(biāo)，輸入文字對(duì)我來(lái)說(shuō)都是數(shù)據(jù)，我就是要將其中某些東西提取出來(lái)、指導(dǎo)實(shí)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(diǎn)、不停地買。

很多人說(shuō)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(shuō)，“哎呀，B也是我喜歡的啊，老公我要買”。你說(shuō)這個(gè)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？

2數(shù)據(jù)如何升華為智慧

數(shù)據(jù)的處理分幾個(gè)步驟，完成了才最后會(huì)有智慧。

第一個(gè)步驟叫數(shù)據(jù)的收集。首先得有數(shù)據(jù)，數(shù)據(jù)的收集有兩個(gè)方式：

· 第一個(gè)方式是拿，專業(yè)點(diǎn)的說(shuō)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(lái)。比如你去搜索的時(shí)候，結(jié)果會(huì)是一個(gè)列表，這個(gè)列表為什么會(huì)在搜索引擎的公司里面？就是因?yàn)樗褦?shù)據(jù)都拿下來(lái)了，但是你一點(diǎn)鏈接，點(diǎn)出來(lái)這個(gè)網(wǎng)站就不在搜索引擎它們公司了。比如說(shuō)新浪有個(gè)新聞，你拿百度搜出來(lái)，你不點(diǎn)的時(shí)候，那一頁(yè)在百度數(shù)據(jù)中心，一點(diǎn)出來(lái)的網(wǎng)頁(yè)就是在新浪的數(shù)據(jù)中心了。

· 第二個(gè)方式是推送，有很多終端可以幫我收集數(shù)據(jù)。比如說(shuō)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。

第二個(gè)步驟是數(shù)據(jù)的傳輸。一般會(huì)通過隊(duì)列方式進(jìn)行，因?yàn)閿?shù)據(jù)量實(shí)在是太大了，數(shù)據(jù)必須經(jīng)過處理才會(huì)有用。可系統(tǒng)處理不過來(lái)，只好排好隊(duì)，慢慢處理。

第三個(gè)步驟是數(shù)據(jù)的存儲(chǔ)?，F(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?yàn)樗心銡v史的交易的數(shù)據(jù)，這個(gè)信息可不能給別人，十分寶貴，所以需要存儲(chǔ)下來(lái)。

第四個(gè)步驟是數(shù)據(jù)的處理和分析。上面存儲(chǔ)的數(shù)據(jù)是原始數(shù)據(jù)，原始數(shù)據(jù)多是雜亂無(wú)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(duì)于高質(zhì)量的數(shù)據(jù)，就可以進(jìn)行分析，從而對(duì)數(shù)據(jù)進(jìn)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(shí)。

比如盛傳的沃爾瑪超市的啤酒和尿布的故事，就是通過對(duì)人們的購(gòu)買數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)了男人一般買尿布的時(shí)候，會(huì)同時(shí)購(gòu)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(shí)，然后應(yīng)用到實(shí)踐中，將啤酒和尿布的柜臺(tái)弄的很近，就獲得了智慧。

第五個(gè)步驟是對(duì)于數(shù)據(jù)的檢索和挖掘。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(shí)候，一搜就有了。

另外就是挖掘，僅僅搜索出來(lái)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(cái)經(jīng)搜索，當(dāng)搜索某個(gè)公司股票的時(shí)候，該公司的高管是不是也應(yīng)該被挖掘出來(lái)呢？如果僅僅搜索出這個(gè)公司的股票發(fā)現(xiàn)漲的特別好，于是你就去買了，其實(shí)其高管發(fā)了一個(gè)聲明，對(duì)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(shí)庫(kù)，十分重要。

3大數(shù)據(jù)時(shí)代，眾人拾柴火焰高

當(dāng)數(shù)據(jù)量很小時(shí)，很少的幾臺(tái)機(jī)器就能解決。慢慢的，當(dāng)數(shù)據(jù)量越來(lái)越大，最牛的服務(wù)器都解決不了問題時(shí)，怎么辦呢？這時(shí)就要聚合多臺(tái)機(jī)器的力量，大家齊心協(xié)力一起把這個(gè)事搞定，眾人拾柴火焰高。

對(duì)于數(shù)據(jù)的收集：就IoT來(lái)講，外面部署這成千上萬(wàn)的檢測(cè)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(lái)；就互聯(lián)網(wǎng)網(wǎng)頁(yè)的搜索引擎來(lái)講，需要將整個(gè)互聯(lián)網(wǎng)所有的網(wǎng)頁(yè)都下載下來(lái)。這顯然一臺(tái)機(jī)器做不到，需要多臺(tái)機(jī)器組成網(wǎng)絡(luò)爬蟲系統(tǒng)，每臺(tái)機(jī)器下載一部分，同時(shí)工作，才能在有限的時(shí)間內(nèi)，將海量的網(wǎng)頁(yè)下載完畢。

對(duì)于數(shù)據(jù)的傳輸：一個(gè)內(nèi)存里面的隊(duì)列肯定會(huì)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(duì)列，這樣隊(duì)列可以多臺(tái)機(jī)器同時(shí)傳輸，隨你數(shù)據(jù)量多大，只要我的隊(duì)列足夠多，管道足夠粗，就能夠撐得住。

對(duì)于數(shù)據(jù)的存儲(chǔ)：一臺(tái)機(jī)器的文件系統(tǒng)肯定是放不下的，所以需要一個(gè)很大的分布式文件系統(tǒng)來(lái)做這件事情，把多臺(tái)機(jī)器的硬盤打成一塊大的文件系統(tǒng)。

對(duì)于數(shù)據(jù)的分析：可能需要對(duì)大量的數(shù)據(jù)做分解、統(tǒng)計(jì)、匯總，一臺(tái)機(jī)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(jì)算的方法，將大量的數(shù)據(jù)分成小份，每臺(tái)機(jī)器處理一小份，多臺(tái)機(jī)器并行處理，很快就能算完。例如著名的Terasort對(duì)1個(gè)TB的數(shù)據(jù)排序，相當(dāng)于1000G，如果單機(jī)處理，怎么也要幾個(gè)小時(shí)，但并行處理209秒就完成了。

所以說(shuō)什么叫做大數(shù)據(jù)？說(shuō)白了就是一臺(tái)機(jī)器干不完，大家一起干?？墒请S著數(shù)據(jù)量越來(lái)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(jī)器可怎么辦呢？

4大數(shù)據(jù)需要云計(jì)算，云計(jì)算需要大數(shù)據(jù)

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

例如大數(shù)據(jù)分析公司的財(cái)務(wù)情況，可能一周分析一次，如果要把這一百臺(tái)機(jī)器或者一千臺(tái)機(jī)器都在那放著，一周用一次非常浪費(fèi)。那能不能需要計(jì)算的時(shí)候，把這一千臺(tái)機(jī)器拿出來(lái)；不算的時(shí)候，讓這一千臺(tái)機(jī)器去干別的事情？

誰(shuí)能做這個(gè)事兒呢？只有云計(jì)算，可以為大數(shù)據(jù)的運(yùn)算提供資源層的靈活性。而云計(jì)算也會(huì)部署大數(shù)據(jù)放到它的PaaS平臺(tái)上，作為一個(gè)非常非常重要的通用應(yīng)用。因?yàn)榇髷?shù)據(jù)平臺(tái)能夠使得多臺(tái)機(jī)器一起干一個(gè)事兒，這個(gè)東西不是一般人能開發(fā)出來(lái)的，也不是一般人玩得轉(zhuǎn)的，怎么也得雇個(gè)幾十上百號(hào)人才能把這個(gè)玩起來(lái)。

所以說(shuō)就像數(shù)據(jù)庫(kù)一樣，其實(shí)還是需要有一幫專業(yè)的人來(lái)玩這個(gè)東西?，F(xiàn)在公有云上基本上都會(huì)有大數(shù)據(jù)的解決方案了，一個(gè)小公司需要大數(shù)據(jù)平臺(tái)的時(shí)候，不需要采購(gòu)一千臺(tái)機(jī)器，只要到公有云上一點(diǎn)，這一千臺(tái)機(jī)器都出來(lái)了，并且上面已經(jīng)部署好了的大數(shù)據(jù)平臺(tái)，只要把數(shù)據(jù)放進(jìn)去算就可以了。

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

四、人工智能擁抱大數(shù)據(jù)

1機(jī)器什么時(shí)候才能懂人心

雖說(shuō)有了大數(shù)據(jù)，人的欲望卻不能夠滿足。雖說(shuō)在大數(shù)據(jù)平臺(tái)里面有搜索引擎這個(gè)東西，想要什么東西一搜就出來(lái)了。但也存在這樣的情況：我想要的東西不會(huì)搜，表達(dá)不出來(lái)，搜索出來(lái)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(shí)，會(huì)發(fā)現(xiàn)機(jī)器知道我想要什么，而不是說(shuō)當(dāng)我想要時(shí)，去機(jī)器里面搜索。這個(gè)機(jī)器真像我的朋友一樣懂我，這就有點(diǎn)人工智能的意思了。

人們很早就在想這個(gè)事情了。最早的時(shí)候，人們想象，要是有一堵墻，墻后面是個(gè)機(jī)器，我給它說(shuō)話，它就給我回應(yīng)。如果我感覺不出它那邊是人還是機(jī)器，那它就真的是一個(gè)人工智能的東西了。

2讓機(jī)器學(xué)會(huì)推理

怎么才能做到這一點(diǎn)呢？人們就想：我首先要告訴計(jì)算機(jī)人類的推理的能力。你看人重要的是什么？人和動(dòng)物的區(qū)別在什么？就是能推理。要是把我這個(gè)推理的能力告訴機(jī)器，讓機(jī)器根據(jù)你的提問，推理出相應(yīng)的回答，這樣多好？

其實(shí)目前人們慢慢地讓機(jī)器能夠做到一些推理了，例如證明數(shù)學(xué)公式。這是一個(gè)非常讓人驚喜的一個(gè)過程，機(jī)器竟然能夠證明數(shù)學(xué)公式。但慢慢又發(fā)現(xiàn)其實(shí)這個(gè)結(jié)果也沒有那么令人驚喜。因?yàn)榇蠹野l(fā)現(xiàn)了一個(gè)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(jī)器來(lái)進(jìn)行表達(dá)，程序也相對(duì)容易表達(dá)。

然而人類的語(yǔ)言就沒這么簡(jiǎn)單了。比如今天晚上，你和你女朋友約會(huì)，你女朋友說(shuō)：如果你早來(lái)，我沒來(lái)；你等著，如果我早來(lái)；你沒來(lái)，你等著！這個(gè)機(jī)器就比較難理解了，但人都懂。所以你和女朋友約會(huì)，是不敢遲到的。

3教給機(jī)器知識(shí)

因此，僅僅告訴機(jī)器嚴(yán)格的推理是不夠的，還要告訴機(jī)器一些知識(shí)。但告訴機(jī)器知識(shí)這個(gè)事情，一般人可能就做不來(lái)了。可能專家可以，比如語(yǔ)言領(lǐng)域的專家或者財(cái)經(jīng)領(lǐng)域的專家。

語(yǔ)言領(lǐng)域和財(cái)經(jīng)領(lǐng)域知識(shí)能不能表示成像數(shù)學(xué)公式一樣稍微嚴(yán)格點(diǎn)呢？例如語(yǔ)言專家可能會(huì)總結(jié)出主謂賓定狀補(bǔ)這些語(yǔ)法規(guī)則，主語(yǔ)后面一定是謂語(yǔ)，謂語(yǔ)后面一定是賓語(yǔ)，將這些總結(jié)出來(lái)，并嚴(yán)格表達(dá)出來(lái)不久行了嗎？

后來(lái)發(fā)現(xiàn)這個(gè)不行，太難總結(jié)了，語(yǔ)言表達(dá)千變?nèi)f化。就拿主謂賓的例子，很多時(shí)候在口語(yǔ)里面就省略了謂語(yǔ)，別人問：你誰(shuí)?。课一卮穑何覄⒊?。但你不能規(guī)定在語(yǔ)音語(yǔ)義識(shí)別時(shí)，要求對(duì)著機(jī)器說(shuō)標(biāo)準(zhǔn)的書面語(yǔ)，這樣還是不夠智能，就像羅永浩在一次演講中說(shuō)的那樣，每次對(duì)著手機(jī)，用書面語(yǔ)說(shuō)：請(qǐng)幫我呼叫某某某，這是一件很尷尬的事情。

人工智能這個(gè)階段叫做專家系統(tǒng)。專家系統(tǒng)不易成功，一方面是知識(shí)比較難總結(jié)，另一方面總結(jié)出來(lái)的知識(shí)難以教給計(jì)算機(jī)。因?yàn)槟阕约哼€迷迷糊糊，覺得似乎有規(guī)律，就是說(shuō)不出來(lái)，又怎么能夠通過編程教給計(jì)算機(jī)呢？

4算了，教不會(huì)你自己學(xué)吧

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

機(jī)器怎么學(xué)習(xí)呢？既然機(jī)器的統(tǒng)計(jì)能力這么強(qiáng)，基于統(tǒng)計(jì)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(shí)在娛樂圈有很好的一個(gè)例子，可見一般：

有一位網(wǎng)友統(tǒng)計(jì)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(yǔ)在一首歌出現(xiàn)只算一次，形容詞、名詞和動(dòng)詞的前十名如下表所示（詞語(yǔ)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(dòng)詞中取出一個(gè)詞，連在一起會(huì)怎么樣呢？

例如取圓周率 3.1415926，對(duì)應(yīng)的詞語(yǔ)是：堅(jiān)強(qiáng)，路，飛，自由，雨，埋，迷惘。稍微連接和潤(rùn)色一下：

堅(jiān)強(qiáng)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(diǎn)感覺了？當(dāng)然，真正基于統(tǒng)計(jì)的學(xué)習(xí)算法比這個(gè)簡(jiǎn)單的統(tǒng)計(jì)復(fù)雜得多。

然而統(tǒng)計(jì)學(xué)習(xí)比較容易理解簡(jiǎn)單的相關(guān)性：例如一個(gè)詞和另一個(gè)詞總是一起出現(xiàn)，兩個(gè)詞應(yīng)該有關(guān)系；而無(wú)法表達(dá)復(fù)雜的相關(guān)性。并且統(tǒng)計(jì)方法的公式往往非常復(fù)雜，為了簡(jiǎn)化計(jì)算，常常做出各種獨(dú)立性的假設(shè)，來(lái)降低公式的計(jì)算難度，然而現(xiàn)實(shí)生活中，具有獨(dú)立性的事件是相對(duì)較少的。

5模擬大腦的工作方式

于是人類開始從機(jī)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(chǔ)著大量的規(guī)則，也不是記錄著大量的統(tǒng)計(jì)數(shù)據(jù)，而是通過神經(jīng)元的觸發(fā)實(shí)現(xiàn)的，每個(gè)神經(jīng)元有從其它神經(jīng)元的輸入，當(dāng)接收到輸入時(shí)，會(huì)產(chǎn)生一個(gè)輸出來(lái)刺激其它神經(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(huì)放大，絕不是大腦根據(jù)身材比例進(jìn)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(jì)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(gè)過程中，其實(shí)很難總結(jié)出每個(gè)神經(jīng)元對(duì)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(gè)數(shù)學(xué)單元模擬神經(jīng)元。

這個(gè)神經(jīng)元有輸入，有輸出，輸入和輸出之間通過一個(gè)公式來(lái)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(gè)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(gè)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(gè)排列起來(lái)。每個(gè)神經(jīng)元對(duì)于輸入的權(quán)重可以都不相同，從而每個(gè)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(gè)東西的時(shí)候，希望輸出一個(gè)對(duì)人類來(lái)講正確的結(jié)果。

例如上面的例子，輸入一個(gè)寫著2的圖片，輸出的列表里面第二個(gè)數(shù)字大，其實(shí)從機(jī)器來(lái)講，它既不知道輸入的這個(gè)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(duì)于神經(jīng)元來(lái)說(shuō)，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(duì)于任何一張神經(jīng)網(wǎng)絡(luò)，誰(shuí)也不敢保證輸入是2，輸出一定是第二個(gè)數(shù)字大，要保證這個(gè)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(jìn)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(jìn)行調(diào)整。

如何調(diào)整呢？就是每個(gè)神經(jīng)元的每個(gè)權(quán)重都向目標(biāo)進(jìn)行微調(diào)，由于神經(jīng)元和權(quán)重實(shí)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(jìn)步，最終能夠達(dá)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(lái)仔細(xì)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(diǎn)點(diǎn)，而不是放大鼻孔。

6沒道理但做得到

聽起來(lái)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(shuō)的，假設(shè)某個(gè)人給你某種復(fù)雜奇特的函數(shù)，f(x)：

不管這個(gè)函數(shù)是什么樣的，總會(huì)確保有個(gè)神經(jīng)網(wǎng)絡(luò)能夠?qū)θ魏慰赡艿妮斎離，其值f(x)（或者某個(gè)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(gè)規(guī)律無(wú)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(lái)的。

7人工智能的經(jīng)濟(jì)學(xué)解釋

這讓我想到了經(jīng)濟(jì)學(xué)，于是比較容易理解了。

我們把每個(gè)神經(jīng)元當(dāng)成社會(huì)中從事經(jīng)濟(jì)活動(dòng)的個(gè)體。于是神經(jīng)網(wǎng)絡(luò)相當(dāng)于整個(gè)經(jīng)濟(jì)社會(huì)，每個(gè)神經(jīng)元對(duì)于社會(huì)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(jià)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(shuō)清楚。

基于專家系統(tǒng)的經(jīng)濟(jì)屬于計(jì)劃經(jīng)濟(jì)。整個(gè)經(jīng)濟(jì)規(guī)律的表示不希望通過每個(gè)經(jīng)濟(jì)個(gè)體的獨(dú)立決策表現(xiàn)出來(lái)，而是希望通過專家的高屋建瓴和遠(yuǎn)見卓識(shí)總結(jié)出來(lái)。但專家永遠(yuǎn)不可能知道哪個(gè)城市的哪個(gè)街道缺少一個(gè)賣甜豆腐腦的。

于是專家說(shuō)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(gè)計(jì)劃書寫個(gè)幾百頁(yè)，也無(wú)法表達(dá)隱藏在人民生活中的小規(guī)律。

基于統(tǒng)計(jì)的宏觀調(diào)控就靠譜多了，每年統(tǒng)計(jì)局都會(huì)統(tǒng)計(jì)整個(gè)社會(huì)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(dá)，但是相對(duì)靠譜。

然而基于統(tǒng)計(jì)的規(guī)律總結(jié)表達(dá)相對(duì)比較粗糙。比如經(jīng)濟(jì)學(xué)家看到這些統(tǒng)計(jì)數(shù)據(jù)，可以總結(jié)出長(zhǎng)期來(lái)看房?jī)r(jià)是漲還是跌、股票長(zhǎng)期來(lái)看是漲還是跌。例如，如果經(jīng)濟(jì)總體上揚(yáng)，房?jī)r(jià)和股票應(yīng)該都是漲的。但基于統(tǒng)計(jì)數(shù)據(jù)，無(wú)法總結(jié)出股票，物價(jià)的微小波動(dòng)規(guī)律。

基于神經(jīng)網(wǎng)絡(luò)的微觀經(jīng)濟(jì)學(xué)才是對(duì)整個(gè)經(jīng)濟(jì)規(guī)律最最準(zhǔn)確的表達(dá)，每個(gè)人對(duì)于自己在社會(huì)中的輸入進(jìn)行各自的調(diào)整，并且調(diào)整同樣會(huì)作為輸入反饋到社會(huì)中。想象一下股市行情細(xì)微的波動(dòng)曲線，正是每個(gè)獨(dú)立的個(gè)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(gè)人根據(jù)整個(gè)社會(huì)的輸入進(jìn)行獨(dú)立決策，當(dāng)某些因素經(jīng)過多次訓(xùn)練，也會(huì)形成宏觀上統(tǒng)計(jì)性的規(guī)律，這也就是宏觀經(jīng)濟(jì)學(xué)所能看到的。例如每次貨幣大量發(fā)行，最后房?jī)r(jià)都會(huì)上漲，多次訓(xùn)練后，人們也就都學(xué)會(huì)了。

8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(diǎn)，每個(gè)節(jié)點(diǎn)又包含非常多的參數(shù)，整個(gè)參數(shù)量實(shí)在是太大了，需要的計(jì)算量實(shí)在太大。但沒有關(guān)系，我們有大數(shù)據(jù)平臺(tái)，可以匯聚多臺(tái)機(jī)器的力量一起來(lái)計(jì)算，就能在有限的時(shí)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(gè)階段的：

· 第一個(gè)階段依賴于關(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(gè)網(wǎng)絡(luò)語(yǔ)言越來(lái)越多，詞也不斷地變化，不斷地更新這個(gè)詞庫(kù)就有點(diǎn)顧不過來(lái)。

· 第二個(gè)階段時(shí)，基于一些新的算法，比如說(shuō)貝葉斯過濾等，你不用管貝葉斯算法是什么，但是這個(gè)名字你應(yīng)該聽過，這個(gè)一個(gè)基于概率的算法。

· 第三個(gè)階段就是基于大數(shù)據(jù)和人工智能，進(jìn)行更加精準(zhǔn)的用戶畫像和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(gè)特定的領(lǐng)域(例如電商，郵箱)進(jìn)行長(zhǎng)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(gè)客戶安裝一套，讓客戶去用。因?yàn)榻o某個(gè)客戶單獨(dú)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(jì)算廠商往往是積累了大量數(shù)據(jù)的，于是就在云計(jì)算廠商里面安裝一套，暴露一個(gè)服務(wù)接口，比如您想鑒別一個(gè)文本是不是涉及黃色和暴力，直接用這個(gè)在線服務(wù)就可以了。這種形勢(shì)的服務(wù)，在云計(jì)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(tái)進(jìn)入了云計(jì)算。

網(wǎng)頁(yè)題目：大數(shù)據(jù)擁抱云計(jì)算，人工智能擁抱大數(shù)據(jù)
分享地址：http://www.bm7419.com/news19/100219.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供ChatGPT、定制網(wǎng)站、網(wǎng)站內(nèi)鏈、軟件開發(fā)、網(wǎng)站建設(shè)、外貿(mào)網(wǎng)站建設(shè)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)