人工智慧只是深度學習更高階的使用，而大資料是深度學習的基石。

近幾年來，大資料和深度學習，人工智慧變得火熱起來，並且有越來越火的趨勢，企業開口閉口談AI，好像AI能解決任何事，更好似不談AI就跟不上時代，我覺得目前深度學習和人工智慧大都還是停留在概念層面上。

其實深度學習和人工智慧的概念早在上世紀四五十年代都出現了，但是由於當時的技術還不成熟，而且也沒有大量資料可供學習，所以一直都沒有重大發展，而近幾年IT技術的提升，使得企業能輕鬆獲取大量資料，而且生產力的發展，機械重複的工作迫切需要能使用機器替代，這才導致人工智慧大爆發，但是目前都還沒有一些有效的使用。

未來，大資料和人工智慧還有很大的發展空間，也是科技發展和生產力的必然需求。所以現在投入大資料和人工智慧是前景不錯的。

但是這一行的入行門檻是非常高的。先說偏技術的大資料平臺，現在大資料框架很多，比較出門的是hadoop，還有分散式計算平臺spark，這需要很強的程式碼程式設計能力還需要網路技能和精通Linux系統，這不是一件容易的事，再說深度學習演算法方面，這個要求更高，一般都要求碩士，還是數學或者統計學碩士，博士也很常見，經驗還需要一定的程式設計能力，當然，主要是處理資料和建模使用。

如果真的要入行這個，Python是必不可少的基礎，另外資料結構，演算法模型等等都是必須要掌握的。

人工智慧技術日新月異，真正需要的就是要不斷學習。

人工智慧有三個分支符號學，深度學習，和行為學。深度學習是基於神經元網路不定方程的訓練逼近技術。學習是透過巨大的背景資料訓練逼近的方法，大資料和網路能提供神經元網路不定方程學習需要的背景資料（訓練庫）。完成學習後的神經元網路方程就可以用於識別理解相關，也就是通常人們理解的人工智慧系統。但人工智慧系統不僅有深度學習技術，還有很多不同的分類。完整的學習人工智慧是學術問題起碼要經歷數學準備，歷史準備和算法理解應用等幾個階段才能在某個分支勉強入門。但應用人工智慧主要是掌握工具，不需要有太多的人工智慧知識儲備。和機械工程師學習SolidWorks差不多，把tensflow或其他平臺當做一種語言或工具反覆應用，熟能生巧。

通俗的說：深度學習是程式設計這給計算機設定的資料庫儲存資料的容量。當然裡面的資料是可以被計算機自發的記錄（學習），呼叫及參考，能為電腦針對下一步的行動做出理性或者說更接近最佳的選擇而設定的。抱歉，有點繞。大資料可以理解為：多執行緒共享綜合資料庫，並帶有主動統計並呈現和智慧引導（推薦）等功能。其實兩者差不多，共性重疊區域非常廣。比較通俗，應該好懂。但想這些所謂的只能計算機，如果沒有了資料（資料）來源，它就是一臺機器，什麼用也沒有。它再完善，也不會像我們人類那樣來領悟和啟迪。機器是不懂的。舉例：你打它一下，它的感測器會感覺得到並記錄記得表情和肢體動作，以後它可能模仿你攻擊或自衛，中間並評估雙方損失。但它永遠不明白，你問什麼打它！就算你說出了理由，它仍無法理解你此刻的心情。

大資料、深度學習與AI有著緊密而有本質區別的聯絡。

大資料並非新概念，與其說是技術名詞不如說是觀念！既然是觀念就要釐清其內涵。資料永遠是過去時，資訊是淹埋在資料中的。我們從浩瀚的資料中發現資訊、預測未來首先取決於我們的目標何往、意欲何為！我反對某些人說大資料無因果關係的膚淺言論。任何資料只要是有價值的資料就必定包含因果邏輯。無因果邏輯的資料是資料白噪聲，需要清洗和矯正的。所以對資料的分析方法都值得首先學習和理解。在此基礎上適當修正。不建議追求華麗的演算法，只要資料乾淨、定位清晰，簡單的方法就可以得出美麗的結論！所以大資料美在包含資訊方面，美在喚醒人們對無聲的符號的重視！歷史以來，任何企業、組織都積累了豐富的資料，只是一時難以去分析，因為需要耗費大量的精力和人力。故，看待大資料要著眼於“大”：大格局、大戰略、大應用。不要被其名稱左右。

所謂深度學習是一種處理大資料的方式。如果深度學習僅僅等同與神經網路演算法，我也持謹慎的否定態度。因為其機理無人能準確描述和論證，深度學習得到的結果是典型的抓到老鼠是好貓的方法論。人們過度關注稀裡糊塗算出來的結果，而幾乎沒有去論證結果的必然性！這就違背了科學的基本規律！神經網路的收斂性和無奇點性我沒看到完美的證據！如此訓練出來的東西就敢應用我實在佩服無知者的勇氣！

至於AI我論述的很多了……我的觀點如下：人類還是要研究自身意識產生的機理，如果脫離意識談論AI就不是真正意義上的智慧。它僅僅屬於專家系統範疇……區區演算法就能夠代替意識純屬胡扯！

當下AI就是模式識別領域的東西，沒有任何新穎的東西！新演算法的提出者在其深入瞭解AI後沒有不自我否定或者部分自我否定的！這就是無知走向部分有知的過程。如今的機器人不過是自動機械、能對話的機器不過是強大知識庫的邏輯...都是人類特定問題域的自動化。

人臉識別、語音識別、姿態識別等等凡是稱識別的就是演算法邏輯，就不是AI……無人敢說人臉理解、語音理解、姿態理解也正是如此。談到理解就要建立知識表達、知識如何表達、表達機理本身就很難了……識別與理解中間鴻溝至少在今天看來還難以逾越！

故，針對性的去學習隨機過程、機率論、統計學對學習上述內容有重要意義……至於AI，我個人認為沒有必要去學習。願意從事其研究有的是時間和路要走。

大資料是由於人類資訊活動產生的，呃，你可以理解為一個巨大的沒有任何組織的裝滿了的垃圾站。對於人類而言，想要利用其中的資源非常困難，正如你想從巨大的垃圾山中找出適配的零件組成一臺手機一樣，儘管其中有無數臺手機的資源，可你一臺也拿不到。而人工智慧給了我們從中獲取利益的可能，不知疲倦且高速執行的人工智慧將垃圾山裡的物質排列組合，形成成品供人使用，形成利潤點。而人工智慧有效率高低之分，而目前能有效訓練人工智慧的演算法並不多。