社會不斷進化，面對人工智慧的崛起，人工智慧是威脅及毀滅人類的第一殺手鐧，人類會面臨人工智慧的挑戰;隨著人工智慧的誕生，就業等各方面壓力加大，未來人類就喝西北風，不過也是一件好事、很好，最起碼給人類逐漸減負、消失，不讓人類這麼受苦，有利就有憋。

1、大資料

大資料是物聯網、Web系統和資訊系統發展的綜合結果，其中物聯網的影響最大，所以大資料也可以說是物聯網發展的必然結果。大資料相關的技術緊緊圍繞資料展開，包括資料的採集、整理、傳輸、儲存、安全、分析、呈現和應用等等。目前，大資料的價值主要體現在分析和應用上，比如大資料場景分析等。

2、人工智慧

人工智慧是典型的交叉學科，研究的內容集中在機器學習、自然語言處理、計算機視覺、機器人學、自動推理和知識表示等六大方向，目前機器學習的應用範圍還是比較廣泛的，比如自動駕駛、智慧醫療等領域都有廣泛的應用。人工智慧的核心在於“思考”和“決策”，如何進行合理的思考和合理的行動是目前人工智慧研究的主流方向。

3、大資料與人工智慧

大資料和人工智慧雖然關注點並不相同，但是卻有密切的聯絡，一方面人工智慧需要大量的資料作為“思考”和“決策”的基礎，另一方面大資料也需要人工智慧技術進行資料價值化操作，比如機器學習就是資料分析的常用方式。在大資料價值的兩個主要體現當中，資料應用的主要渠道之一就是智慧體（人工智慧產品），為智慧體提供的資料量越大，智慧體執行的效果就會越好，因為智慧體通常需要大量的資料進行“訓練”和“驗證”，從而保障執行的可靠性和穩定性。

目前大資料相關技術已經趨於成熟，相關的理論體系已經逐步完善，而人工智慧尚處在行業發展的初期，理論體系依然有巨大的發展空間。從學習的角度來說，如果從大資料開始學習是個不錯的選擇，從大資料過渡到人工智慧也會相對比較容易。人工智慧涉及的領域非常廣泛，工業、航天、商業都有應用，並且已經深入人們的生活，開啟手機中的Cortana或者Siri，這就是AI的產物。

分析讓大量的資料有了價值，機器開始懂得使用者想要什麼，可以預測未來的天氣和球賽的比分，這種人工智慧與場景的結合，要實現的就是改變生活方式和解放生產力。具體來說，很多過去只有人能做的事情，現在更多的情況下能夠透過機器實現，典型的例子包括語音助手、無人駕駛汽車。更重要的是，當硬體效能逐漸提升、計算資源越來越強大時，成本卻越來越低廉。

以智慧家居系統中語音控制窗簾開關的系統為例，大資料就相當於主機的作用，接收資料——選擇、分析、處理資料——傳送指令，窗簾面板、窗簾電機、窗簾軌道就相當於執行動作的載體可以理解為“機器人”，這一整個語音控制窗簾開關的系統就是最簡單的物聯網，而物聯網是人工智慧的核心。

大資料指的是人與人、人與物之間相互作用所產生的資料，把這些資料進行選擇、整合、分析提取有用資訊，創造新知識的一個過程。

人工智慧是基於大資料的基礎上，將大資料反應的資訊作用於事物，發揮大資料作用的過程。

人工智慧（AI）”和”大資料 （Big Data）”兩個詞以迅雷不及掩耳之勢流行開來人工智慧和大資料之間是什麼聯絡？區別又是什麼？一個共同點就是這兩項技術都被炒得非常火熱。根據調查發現，超過97％的企業高管表示他們的公司正在投資、構建或啟動大資料和人工智慧計劃。更重要的是，近80％的企業高管認為人工智慧和大資料密切相關。可以肯定的是它們是完成任務的不同工具。人工智慧（AI）是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法、技術及應用系統的一門新的技術科學。它是指計算機系統具備的能力，該能力可以履行原本只有依靠人類智慧才能完成的複雜任務。人工智慧在上世紀80—90年代曾經一度低迷。近年來，由於成本低廉的大規模平行計算、大資料、深度學習、人腦晶片4大催化劑的齊備，導致人工智慧的發展出現了井噴趨勢。人工智慧和大資料之間是什麼聯絡？區別又是什麼？大資料（BigData）是指無法在一定時間範圍內用常規軟體工具進行捕捉、管理和處理的資料集合，是需要新處理模式才能具有更強的決策力、洞察發現力和流程最佳化能力的海量、高增長率和多樣化的資訊資產。人工智慧和大資料之間是什麼聯絡？區別又是什麼？人工智慧打個比方，像張無忌吸收好多武林前輩的武功秘籍，不斷的深度學習和廣泛訓練，逐漸進化升級為一個武林高手。大資料相當於張無忌從小到大學習、記憶和儲存的海量武功秘籍（武學知識），這些武學知識只有透過他消化、吸收、再造才能創造出更大的價值或本領。可以看出，大資料是不斷採集、沉澱、分類等資料積累，人工智慧是基於大資料的支援和採集，運用於人工設定的特定效能和運算方式來實現。因此，人工智慧離不開大資料，人工智慧需要依賴大資料平臺和技術來幫助完成深度學習進化。當今人工智慧立足於深度（多層）神經網路，進行深度機器學習，可以根據大量的訓練資料來提高模型最佳化能力。但這一顯著優點需要增加海量的運算。隨著計算機運算能力提升，深度神經網路發揮了傑出的實際應用價值。高速並行運算、海量資料、更最佳化的演算法共同促成了人工智慧發展的突破－所釋放出來的力量將徹底改變和最佳化人們的工作和生活（科技最佳化生活＾＿＾）！這對人類的發展產生意義重大且深遠的影響。人工智慧涉及的領域非常廣泛，且深入人們的工作和生活各個方面。人工智慧，特別是深度學習，需要大量資料的應用和積累。這就需要高容量儲存裝置來支援大量資料的留存。隨著資料的不斷增加，人們開始在其中發現某種規律，引發了分析的需求。分析讓大量的資料有了價值，嵌有人工智慧的機器開始懂得使用者想要什麼，需要幹什麼，可以預測未來變化或趨勢，這種人工智慧與場景的結合，要實現的就是改變生活方式和解放生產力。很多過去只有人能做的事情，現在更多的情況下能夠透過機器實現，比如語音助手、無人駕駛汽車。更重要的是，當硬體效能逐漸提升、計算資源越來越強大時，成本卻越來越低廉。大資料是需要在資料變得有用之前進行清理、結構化和整合的原始輸入，而人工智慧則是輸出，即處理資料產生的智慧。這使得兩者有著本質上的不同。人工智慧是一種計算形式，它允許機器執行認知功能，例如對輸入起作用或作出反應，類似於人類的做法。人工智慧系統不斷改變它們的行為，以適應調查結果的變化並修改它們的反應。人工智慧系統旨在分析和解釋資料，然後根據這些解釋來解決實際問題。人工智慧是關於決策和學習做出更好的決定。在某些方面人工智慧會代替或部分代替人類來完成某些任務，但比人類速度更快，錯誤更少。大資料是一種傳統計算。它不會根據結果採取行動，而只是尋找結果。它定義了非常大的資料集，可以存在結構化資料或非結構化資料（在使用上也有差異）。大資料主要是為了獲得洞察力。人工智慧和大資料之間是什麼聯絡？區別又是什麼？雖然人工智慧和大資料有很大的區別，但它們仍然能夠很好地協同工作。這是因為人工智慧需要資料來建立其智慧，特別是機器學習。機器學習中，為了訓練模型，需要大量的資料，而且資料需要結構化和整合到足夠好的程度，以便機器能夠可靠地識別資料中的有用模式。大資料技術滿足這樣的要求。人工智慧是基於大資料的支援和採集，運用於人工設定的特定效能和運算方式來實現的，大資料是不斷採集、沉澱、分類等資料積累。大資料提供了大量的資料，並且能從大量繁雜的資料中提取或分離出有用的資料，然後供人工智慧來使用。即人工智慧和機器學習中使用的資料已經被“清理”了，無關的、重複的和不必要的資料已經被清除。這些“清理”工作是由大資料技術來完成或保障的。大資料可以提供訓練學習演算法所需的資料。有兩種型別的資料學習：初期離線訓練資料學習和長期線上訓練資料學習。人工智慧應用程式一旦完成最初離線培訓，並不會停止資料學習。隨著資料的變化，它們將繼續線上收集新資料，並調整它們的行動。因此，資料分為初期的和長期的（持續的）。機器學習從初期和長期收集到的資料中不斷學習和訓練。不斷學習和磨練其人工智慧的模型和引數。人工智慧發展的最大飛躍是大規模並行處理器的出現，特別是GPU，它是具有數千個核心的大規模並行處理單元。這大大加快了人工智慧演算法的計算速度。人工智慧需要透過試驗和錯誤學習，這需要大量的資料來教授和培訓人工智慧。人工智慧應用的資料越多，其獲得的結果就越準確。因此可以看出，人工智慧是依託於大資料，或者說人工智慧底層基於大資料。此外，在大資料發揮作用的同時，人工智慧研發者也一定不要忘了，大資料的應用必然會帶來個人隱私保護方面的挑戰。有效、合法、合理地收集、利用、保護大資料，是人工智慧時代的基本要求。最後還要澄清的一點是：大資料在人工智慧中的作用是將人類或物體行為活動抽象為或轉變為海量資料，對資料清洗、提質等預處理，供人工智慧系統使用，而對資料進行智慧分析的人工智慧只是人工智慧的一部分，並非全部。人工智慧和大資料既有聯絡又有區別，且可以協同工作。人工智慧需要透過試驗和錯誤學習，需要大資料來教授和培訓人工智慧。人工智慧需要依託大資料來建立其智慧。在大資料在人工智慧中發揮作用的同時，人工智慧研發者千萬不要忘了，合理地收集和利用大資料，注意個人隱私的保護。對資料進行智慧分析的人工智慧只是人工智慧的一部分，並非全部。

人工智慧的概念早在1956年就已經被提出，而目前距離大資料概念的提出不過十年左右，人工智慧的誕生要遠早於大資料，所以，大資料和人工智慧並不存在直接的因果關係。

但是這並不代表人工智慧和大資料沒有關係，大資料和人工智慧最為當下流行的兩項重要技術，二者是互相促進的關係，而且更多的是大資料對人工智慧的推動，要弄明白二者是如何相互影響的，我們需要先要大致理解大資料和人工智慧的工作原理。

大資料這個概念其實有三層含義：第一層是指資料容量龐大，覆蓋範圍廣泛的資料；第二層是指在這些容量巨大的資料中提取出來的可以滿足我們的使用需求的有用資料；第三層是指從所獲得的資料中挖掘出資料的潛能，真正應用到實際中。

所以我們看到大資料技術的核心其實是資料探勘，而資料探勘程度與我們的計算處理能力緊密相關。

人工智慧顧名思義就是一門關於擴充套件人類智慧的理論、方法、技術及應用系統等的科學，機器學習是人工智慧的重要內容，在機器學習中我們需要足夠多的樣本，樣本越多機器學習就越具深度，越具可能性。

大資料的出現，可以為機器學習提供更多的樣本，為機器學習注入動能。我們知道，人工智慧旨在減少人類的整體干預，提高工作效率，而大資料的介入可以有效代替人工的作用，且不附帶主觀感情，以更正確的方式實現智慧化。

人工智慧和大資料在實際工作中主要是透過以下幾種方式進行配合：

1. 異常檢測，利用大資料檢測分析系統異常，讓機器做出反應；

2. 合理推測，也就是利用貝葉斯定力基於已知條件，對人、事、物的下一步東西啊合理推測，常見於推薦演算法；

3. 模式識別，機器識別出資料的模式，實現監督的目的；

4. 圖論，在圖形研究的基礎上，先是識別圖形的頂點和邊等特徵，再從中識別出資料模式和關係。

簡單的說：

大資料資訊量巨大而且雜亂，需要用人工智慧的理論方法和技術進行處理才能真正實現其價值；

同時人工智慧在工作和訓練的過程中，不斷學習並進一步模擬和擴充套件人的智慧。