碼教授告訴你大資料與人工智慧的區別

　　有人以為將人工智慧與大資料結合在一起是一個很天然的過錯，其部分原因是兩者實際上是一致的。但它們是完結相同使命的不同東西。但首先要做的事是先弄清二者的界說。很多人並不知道這些。

　　人工智慧與大資料一個首要的差異是大資料是需求在資料變得有用之前進行整理、結構化和整合的原始輸入，而人工智慧則是輸出，即處理資料發生的智慧。這使得兩者有著本質上的不同。

　　人工智慧是一種核算方式，它答應機器履行認知功能，例如對輸入起作用或作出反響，類似於人類的做法。傳統的核算應用程式也會對資料做出反響，但反響和呼應都必須選用人工編碼。假如呈現任何型別的過失，就像意外的成果一樣，應用程式無法做出反響。而人工智慧體系不斷改動它們的行為，以適應調查成果的改變並修改它們的反響。

　　支撐人工智慧的機器旨在分析和解釋資料，然後依據這些解釋解決問題。經過機器學習，核算時機學習一次怎麼對某個成果採納舉動或做出反響，並在未來知道採納相同的舉動。

　　大資料是一種傳統核算。它不會依據成果採納舉動，而僅僅尋覓成果。它界說了非常大的資料集，但也可所以極端多樣的資料。在大資料會集，能夠存在結構化資料，如聯絡資料庫中的業務資料，以及結構化或非結構化資料，例如圖畫、電子郵件資料、感測器資料等。

　　它們在運用上也有差異。大資料首要是為了取得洞察力，例如Netflix網站能夠依據人們觀看的內容瞭解電影或電視節目，並向觀眾推薦哪些內容。由於它考慮了客戶的習氣以及他們喜愛的內容，推斷出客戶可能會有相同的感覺。

　　人工智慧是關於決策和學習做出更好的決議。無論是自我調整軟體、自動駕駛轎車仍是檢視醫學樣本，人工智慧都會在人類之前完結相同的使命，但速度更快，過錯更少。

　　儘管它們有很大的差異，但人工智慧和大資料依然能夠很好地協同作業。這是由於人工智慧需求資料來樹立其智慧，特別是機器學習。例如，機器學習圖畫識別應用程式能夠檢視數以萬計的飛機圖畫，以瞭解飛機的構成，以便將來能夠識別出它們。

　　人工智慧完成最大的騰躍是大規模並行處理器的呈現，特別是GPU，它是具有數千個核心的大規模並行處理單元，而不是CPU中的幾十個並行處理單元。這大大加快了現有的人工智慧演算法的速度，現在現已使它們可行。

　　大資料能夠選用這些處理器，機器學習演算法能夠學習怎麼重現某種行為，包含蒐集資料以加速機器。人工智慧不會像人類那樣推斷出定論。它經過實驗和過錯學習，這需求很多的資料來教授和訓練人工智慧。

　　人工智慧應用的資料越多，其取得的成果就越精確。在曩昔，人工智慧由於處理器速度慢、資料量小而不能很好地作業。也沒有像當今先進的感測器，而且其時網際網路還沒有廣泛運用，所以很難供給實時資料。人們具有所需求的全部：快速的處理器、輸入裝置、網路和很多的資料集。毫無疑問，沒有大資料就沒有人工智慧。