大資料，是人工智慧的基礎，演算法，是人工智慧的靈魂。

大資料時代趨勢下，人工智慧該如何落地?

落地是什麼意思，我理解為深入化，大眾化，基層化。

什麼是深入，就是我們對它的研究和理解足夠深入，現在在弱人工智慧這方面已經取得了不小的成績(如:影象識別，AlphaGo等等)。

什麼是基層化，能夠讓基層上面應用，現在人工智慧的應用範圍還是可以擴充套件的，而且人工智慧並不是每個人都能夠去做的，所以，還不能算作基層化。

總結一下，人工智慧在大資料時代得到了迅速的發展，遏制著它前行的是演算法和硬體。所以，我們的方向也很明確，參與其中，為之付出。

大資料是人工智慧的基礎。一方面，人工智慧發展離不開海量的資料，如果資料太少或片面，計算分析難以客觀全面。另一方面，在掌握大量資料之後，需要對資料進行計算整理，挖掘其規律與本質，提升資料的價值。大資料之後必定會有人工智慧，人工智慧是大勢所趨。

人工智慧落地核心是演算法。第一，不同領域演算法不同，包括商務應用、資料探勘分析、語音研究、影象識別等。第二，不同演算法出發點不同。比較經典的演算法有10種，其中，資料分類演算法將資料後不同群體、不同空間進行劃分；PageRank演算法用於測算有多少流量願意與你的網站發生連結，這在商業學術應用很廣。簡單理解，人工智慧就是依靠一系列的規則，從不同角度、不同場景，探求龐雜無序資料中的本質與規律，既是歸納，也是演繹。大資料+人工智慧還有很大發展空間。一方面，在數字時代，最寶貴的資源是資料，我們每時每刻都在產生資料，可以說就是我們，我們就是資料。另一方面，人工智慧駕馭資料價值更大，有人預測，今後不會程式設計的人是沒有競爭力的。僅以技術挖掘資料（機器學習）為例子，已經用於教育、醫學、製造等領域，幫助孩子理解事物本質，判斷患病機理，提醒裝置維修等。在國家大力推動和技術發展下，萬物皆屬資料，萬物皆用智慧，萬物皆為演算法，這才是真正落地。

說了很多，歡迎批評指正。

其實兩個東西有共通性也有很大的差別。

首先大資料分析側重點是在資料上，資料越多越好，而計算的函式一般都不復雜，大部分的計算都是在進行資料的統計和歸納。

而人工智慧也需要很多的資料，但是人工智慧的側重點是呼叫資料的函式，也就是演算法。

優秀的演算法讓調取資料的方式更加合理和“理智”，也就實現了我們眼中的“智慧”。

那麼大資料在人工智慧裡面的使用就比較明確了，更多的是為了演算法服務，沒有資料，演算法再好也沒有辦法進行處理，而大量的資料堆砌更不是人工智慧。

而當下無疑處於大資料時代，至於人工智慧，只能說還是在路上。

大量的資料收集一定對人工智慧的使用和開發是有用的，但是大資料分析絕對不等於人工智慧。

而人工智慧的實現無疑也是一個大資料的運用過程。

簡單來說，人工智慧需要很多的測試，演算法需要不斷的完善。

或者說只要是程式都是需要大量的測試才會更加完善。

最主要的還是得與使用者的需求，尤其是剛需來結合。

對企業來講，還得是與業務系統結合產生效果，這樣企業才願意花錢去做或去買人工智慧的產品或系統。

對個人來講，不光是使用者的基本需求，吃喝住行上去用。還根據使用者的不同型別，如有些使用者是願意體驗新技術，新事物的，這些使用者是願意花錢來使用人工智慧的新產品，只要人工智慧的新產品，契合他們的興趣，愛好就行。

還有一點是與國家政策能結合，這也是能推進落地的方法之一。