大資料的分類。大資料分為結構化、非結構化資料兩類。結構化資料，簡而言之就是儲存於普通的資料庫之中的資料，可以透過資料庫進行日常管理。反之，非結構化的資料，不儲存在資料庫中，包括郵件往來、手機拍的影片照片、大量的消費資料等，人工智慧的使用等，其實也是非結構化資料。大資料離不開人工智慧。大資料的使用與分析是一門深奧的學問。人工智慧技術透過異常檢測、貝葉斯原理、人群行為預測等方法，並且使用了自然語言處理、影象解析、語音識別等技術挖掘資料，來代替傳統的人工演算法。資料使用的本身就是資料。人工智慧用傳統無法處理的方式來處理資料。比如我們透過人工智慧來預測人類患病的機率，我們會將患者的病症、撥出的氣體，甚至口腔的味道，全部轉化為資料，透過資料來精準判斷。不同人工智慧技術的使用，可能有不同的結果，每次使用過程，也是一種資料。透過對這些資料的分析總結，我們可以最佳化人工智慧的設計與應用，更是對人工智慧的一種控制。歡迎關注，批評指正。

演算法、算力和資料是AI發展三大要素，這三要素存在著既相互制約又相互促進的關係，單個元素的爆發會讓AI進步，形成落地場景，進而帶來其他兩個元素的迭代和進步。

關於問題，可以先從資料進化三個階段來看：

第一階段：網際網路資料，手機電腦等裝置的普及改變人們的生活，這些裝置上的感測器如攝像頭，麥克風以及我們的每一個與App的互動動作，正在構建一個虛擬世界。據IBM統計，2017年的資料產生量是歷史資料量的90%，想必隨著時間的推移，這個數字依然呈現指數增長。

網際網路所產生的大量資料加快了人工智慧發展的步伐。眾多資料集服務公司，以及學術機構的開源資料集，他們的貢獻正在讓資料如水源一般，降低了AI企業資料獲取的難度，加快了演算法迭代的步伐。

第二階段：主動式獲取資料。

透過已有資料集或資料爬蟲獲取資料已經很難再讓AI進步。正如人臉的圖片透過網際網路可以很輕易的獲取，但同一人不同角度的人臉照片卻十分難獲取。以主動的方式去獲取資料正在成為主流。

最開始透過眾包形式完成資料的採集，使用者透過註冊平臺完成可以領取資料採集任務，資料採集並上傳後便可獲得獎勵。以亞馬遜的Mturk規模最大，國內有眾多企業效仿。但由於其低門檻特性，在沒有專人指導的情況下，對於資料的質量以及AI企業對於場景的複雜度不能太高。

第三階段：跨界多元資料。

進階的演化出了定製化場景採集模式。作為AI資料服務行業的典型代表，雲測旗下AI資料服務品牌“Testin有數（原「雲測資料」）”正在隨著AI企業資料需求不斷進化，透過自建資料場景實驗室和資料標註基地，打造專業的定製化採集和高質量的標註隊伍，來幫助AI企業獲取更多優質的特定場景資料。

以自動駕駛為例，從最早基於攝像頭做感知的方案，到引入鐳射雷達對於物體的測距進行彌補，到之後可能會引入更多其他感知裝置來提升感知演算法。未來多感測器的解決方案將會普遍應用到我們所使用的AI產品中，他的感知模式將不僅僅是基於影象，聲音和文字，將會引入更多模態的資料。

通過了解資料進化的3個階段，我們看到，未來AI在落地過程中會不斷產生資料，但也需要繼續投餵定製化的資料。人類不是AI的飼料，而是行為產生的資料是AI的飼料。

在Testin有數（原「雲測資料」）看來，AI最終是為了落地、為了被使用，所以對於AI所需的資料質量要求會更高更精準、會有更多的定製化場景下的資料需求，在提高資料安全與隱私保護之外，保證資料的唯一性、場景化，才能真正幫助企業打造資料核心壁壘，大幅度推動AI進一步落地。