人工智能實現最大的飛躍是大規模并行處理器的出現，特別是GPU，它是具有數千個內核的大規模并行處理單元，而不是CPU中的幾十個并行處理單元。這大大加快了現有的人工智能算法的速度，現在已經使它們可行。

大數據vs.人工智能是一種公平的比較嗎?在某種程度上，它是，但首先讓我們先厘清它們之間的區別。

人工智能和大數據是人們耳熟能詳的流行術語，但也可能會有一些混淆。人工智能和大數據有什么相似之處和不同之處?它們有什么共同點嗎?它們是否相似?能進行有效的比較嗎?

這兩種技術所具有的一個共同點是興趣。NewVantage Partners公司對企業管理人員進行的大數據和人工智能調查發現，97.2%的企業高管表示他們的公司正在投資、構建或啟動大數據和人工智能計劃。

更重要的是，76.5%的企業高管認為人工智能和大數據密切相關，數據的更大可用性正在增強其組織內的人工智能和認知。

有人認為將人工智能與大數據結合在一起是一個很自然的錯誤，其部分原因是兩者實際上是一致的。但它們是完成相同任務的不同工具。但首先要做的事是先弄清二者的定義。很多人并不知道這些。

咨詢巨頭PriceWaterhouse Coopers公司的高級研究員Alan Morrison說：“我發現很多人對真正的大數據或大數據分析并不太了解，或者只是以幾個突出的例子來了解人工智能。”

人工智能與大數據的區別

他說，人工智能與大數據一個主要的區別是大數據是需要在數據變得有用之前進行清理、結構化和集成的原始輸入，而人工智能則是輸出，即處理數據產生的智能。這使得兩者有著本質上的不同。

人工智能是一種計算形式，它允許機器執行認知功能，例如對輸入起作用或作出反應，類似于人類的做法。傳統的計算應用程序也會對數據做出反應，但反應和響應都必須采用人工編碼。如果出現任何類型的差錯，就像意外的結果一樣，應用程序無法做出反應。而人工智能系統不斷改變它們的行為，以適應調查結果的變化并修改它們的反應。

支持人工智能的機器旨在分析和解釋數據，然后根據這些解釋解決問題。通過機器學習，計算機會學習一次如何對某個結果采取行動或做出反應，并在未來知道采取相同的行動。

大數據是一種傳統計算。它不會根據結果采取行動，而只是尋找結果。它定義了非常大的數據集，但也可以是極其多樣的數據。在大數據集中，可以存在結構化數據，如關系數據庫中的事務數據，以及結構化或非結構化數據，例如圖像、電子郵件數據、傳感器數據等。

它們在使用上也有差異。大數據主要是為了獲得洞察力，例如Netflix網站可以根據人們觀看的內容了解電影或電視節目，并向觀眾推薦哪些內容。因為它考慮了客戶的習慣以及他們喜歡的內容，推斷出客戶可能會有同樣的感覺。

人工智能是關于決策和學習做出更好的決定。無論是自我調整軟件、自動駕駛汽車還是檢查醫學樣本，人工智能都會在人類之前完成相同的任務，但速度更快，錯誤更少。

人工智能和大數據協同工作

雖然它們有很大的區別，但人工智能和大數據仍然能夠很好地協同工作。這是因為人工智能需要數據來建立其智能，特別是機器學習。例如，機器學習圖像識別應用程序可以查看數以萬計的飛機圖像，以了解飛機的構成，以便將來能夠識別出它們。

當然，這是數據準備的重要步驟，Morrison指出，“人們開始使用的數據是大數據，但是為了訓練模型，數據需要結構化和集成到足夠好的程度，以便機器能夠可靠地識別數據中的有用模式。”

大數據提供了大量的數據，而有用的數據必須首先從大量繁雜的數據中心分離出來，然后再做任何事情。人工智能和機器學習中使用的數據已經被“清理”了，無關的、重復的和不必要的數據已經被清除。所以這是第一步。

在此之后，人工智能可以蓬勃發展。大數據可以提供訓練學習算法所需的數據。有兩種類型的數據學習：初始培訓可以定期收集數據。人工智能應用程序一旦完成最初的培訓，并不會停止學習。隨著數據的變化，它們將繼續接收新數據，并調整它們的行動。因此，數據是最初的和持續的。

這兩種計算方式都使用模式識別，但方式有所不同。大數據分析通過順序分析來找到模式，有時候是冷數據，或者是沒有收集到的數據。Hadoop是大數據分析的基本框架，它是最初設計用于在低服務器利用率的夜間運行的批處理過程。

機器學習從收集的數據中學習并不斷收集。例如，自動駕駛汽車從未停止收集數據，并且不斷學習和磨練其流程。數據總是以新鮮的方式出現并始終采取行動進行處理。

大數據在人工智能中的作用

人工智能一直在被人們關注。很多人對1999年推出的一部電影“黑客帝國”的情節記憶猶新，人類與那些變得聰明的機器殊死搏斗。但在現實的實施過程中，人工智能直到最近一直是邊緣技術。

人工智能實現最大的飛躍是大規模并行處理器的出現，特別是GPU，它是具有數千個內核的大規模并行處理單元，而不是CPU中的幾十個并行處理單元。這大大加快了現有的人工智能算法的速度，現在已經使它們可行。

大數據可以采用這些處理器，機器學習算法可以學習如何重現某種行為，包括收集數據以加速機器。人工智能不會像人類那樣推斷出結論。它通過試驗和錯誤學習，這需要大量的數據來教授和培訓人工智能。

人工智能應用的數據越多，其獲得的結果就越準確。在過去，人工智能由于處理器速度慢、數據量小而不能很好地工作。也沒有像當今先進的傳感器，并且當時互聯網還沒有廣泛使用，所以很難提供實時數據。

如今，人們擁有所需要的一切：快速的處理器、輸入設備、網絡和大量的數據集。毫無疑問，沒有大數據就沒有人工智能。