[[265480]]

隨著技術(shù)的不斷發(fā)展，技術(shù)的種類越來越多，人們不可能掌握全部的技術(shù)，但是技術(shù)對于人們的選擇有了太多太多，這時候在選擇什么技術(shù)的時候，人們往往就會陷入迷茫，不知道應(yīng)該選擇什么樣的技術(shù)，不清楚自己應(yīng)該從什么技術(shù)下手，甚至說會懷疑技術(shù)的作用，認(rèn)為有些技術(shù)沒有意義，不知道有什么用。今天我們探討一下數(shù)據(jù)科學(xué)領(lǐng)域內(nèi)的技術(shù)存在的意義，分析一下大數(shù)據(jù)分析是否雞肋，在數(shù)據(jù)科學(xué)技術(shù)體系中，價值技術(shù)到底是什么，以及在人工智能領(lǐng)域中反對派的聲音越來越大的時候，人工智能是否還能走下去，還能走多遠(yuǎn)？

大數(shù)據(jù)技術(shù)：世界將會是怎樣

大數(shù)據(jù)分析并不雞肋

在計算機(jī)誕生的70年后，單臺計算機(jī)的計算性能逼近物理極限，伴隨計算機(jī)發(fā)展的摩爾定律逐漸失效。在這70年的發(fā)展過程中，剛開始是可以用摩爾定律進(jìn)行準(zhǔn)確的描述的，1965年，英特爾創(chuàng)始人之一戈登摩爾在考察計算機(jī)硬件的發(fā)展規(guī)律后，提出了著名的摩爾定律：

該定律認(rèn)為，同一面積芯片上可容納晶體管的數(shù)量，每隔16-24個月將翻一倍，計算性能也將翻一倍。換而言之，也就是每隔16-24個月，單位價格可購買到的計算能力將翻一倍。在隨后的幾十年內(nèi)，摩爾定律被無數(shù)次的被印證。而直到現(xiàn)在，計算機(jī)性能已經(jīng)逼近極限的情況下，摩爾定律似乎已經(jīng)失效了。

發(fā)展的期間伴隨著摩爾定律不斷的生效，在計算機(jī)方面同步發(fā)展的還有網(wǎng)絡(luò)寬帶和物理的存儲容量，半個多世紀(jì)以來，存儲器的價格幾乎下降到原來價格的億分之一。

而網(wǎng)絡(luò)寬帶的的速度也在不斷的突破極限。

隨著這些物理硬件的升級，計算機(jī)領(lǐng)域內(nèi)便產(chǎn)生了OTT式的技術(shù)革新，誕生了分布式計算和量子計算機(jī)技術(shù)，而這兩者的出現(xiàn)，也必將決定性的改變計算機(jī)資源供給端的情況。

分布式計算機(jī)技術(shù)，已經(jīng)逐漸成為大數(shù)據(jù)領(lǐng)域底層IT架構(gòu)的行業(yè)標(biāo)準(zhǔn)，分布式計算可以實現(xiàn)一個計算目標(biāo)可以調(diào)配計算資源并予以支持，解決了大數(shù)據(jù)情境中運算量過大、超出單臺物理機(jī)運算承受能力極限的問題，并且同物理計算資源協(xié)同調(diào)配，為后續(xù)的云計算奠定了基礎(chǔ)。

而量子計算機(jī)技術(shù)將使單體計算能力擁有質(zhì)的飛躍。但是在量子計算機(jī)核心技術(shù)尚未突破之時，人類面對呈現(xiàn)爆發(fā)式增長的數(shù)據(jù)束手無策….

在經(jīng)過這漫長的探索后，人類現(xiàn)在決定先借助分布式計算技術(shù)實現(xiàn)新的一輪OTT式技術(shù)革新，而此舉將不僅解決了海量數(shù)據(jù)存儲與計算問題，還有希望幫助人類徹底擺脫計算資源瓶頸的束縛。

但是從大數(shù)據(jù)技術(shù)的發(fā)展現(xiàn)狀來看，真正的難點還是在于底層工具的掌握，由于發(fā)展尚處于初級階段，還需要人們掌握大量的底層工具，這條道路因為走得人少所以才會顯得泥濘不堪，只有將基礎(chǔ)工具發(fā)展和掌握成熟之后，才可以降低使用者的門檻。

對于我們而言，這條路難么？真的很難！但是是值得我們客服這條路上的困難的，因為收益會非常的劃算，這條路的難處在于要掌握很多底層工具，為什么？因為走這條路的人少，現(xiàn)在還是一條泥巴路，很難走，但是為什么是值得我們克服困難也要走下去呢，是因為只要量子計算機(jī)不出現(xiàn)、隨著摩爾定律的失效、數(shù)據(jù)量還在增加，大量過路的需求會催生一條又一條高速公路，然后鋪路的大公司設(shè)卡收稅，泥巴路遲早會變成高速公路，但只要你先過去，就能看到別人看不到的風(fēng)景。

從計算機(jī)由DOS系統(tǒng)到桌面系統(tǒng)，Python機(jī)器學(xué)習(xí)由源碼到算法庫，不一直都是這樣么。

機(jī)器生產(chǎn)釋放腦力，機(jī)器學(xué)習(xí)釋放腦力

數(shù)據(jù)革命的本質(zhì)

大數(shù)據(jù)分析技術(shù)有價值、數(shù)據(jù)分析技術(shù)更有價值，那整個數(shù)據(jù)科學(xué)知識內(nèi)容體系中，最有價值的到底是什么？

如果從發(fā)現(xiàn)技術(shù)的角度看待問題確實很有意思，那我們不妨再來探討一個問題，那就是從技術(shù)層面而言（非工作是否好找的角度），數(shù)據(jù)科學(xué)中最有價值的技術(shù)模塊是哪個？

人工智能是數(shù)據(jù)養(yǎng)育的智能，其決策的核心是算法，人工智能的發(fā)展與十八世紀(jì)工業(yè)革命通過機(jī)器生產(chǎn)代替手工勞動從而釋放人類的勞動力類似，數(shù)據(jù)智能將通過參與決策的方式，釋放人類腦力。而機(jī)器學(xué)習(xí)就是提供人工智能決策的算法核心。

機(jī)器學(xué)習(xí)算法的核心用途是挖掘事物運行內(nèi)在邏輯和規(guī)律，就是把數(shù)據(jù)作為接受外部信息形式，用數(shù)據(jù)還原外部事物的基本屬性和運行狀態(tài)，用機(jī)器學(xué)習(xí)算法對其規(guī)律進(jìn)行挖掘，還原客觀規(guī)律。再應(yīng)用規(guī)律輔助決策。

機(jī)器學(xué)習(xí)可以使得人工智能在人類基礎(chǔ)重復(fù)決策領(lǐng)域參與決策。

算法的核心方法論，是取法其上，僅得為中，數(shù)據(jù)分析核心價值要有技術(shù)核心價值這桿大旗；不管小數(shù)據(jù)還是大數(shù)據(jù)，都是重分析。而伴隨著Python的星期，催生出了進(jìn)一步完善的基礎(chǔ)設(shè)施，Python依然成為了標(biāo)準(zhǔn)的工具。

而Python最核心的技能就可以說是利用眾多強(qiáng)大的算法庫進(jìn)行算法建模分析

強(qiáng)人工智能、弱人工智能，還是人工智障

數(shù)據(jù)、算法、計算能力這三架馬車所推動的人工智能技術(shù)發(fā)展，是否已經(jīng)遇到了瓶頸

2018年1月我國國家標(biāo)準(zhǔn)化管理委員會頒布的《人工智能標(biāo)準(zhǔn)化白皮書》對人工智能學(xué)科的基本思想和內(nèi)容作出了解釋。認(rèn)為人工智能應(yīng)該是圍繞智能活動而構(gòu)造的人工系統(tǒng)，是一項知識的工程，是機(jī)器模仿人類利用知識完成一定行為的過程。

相對來說我國的人工智能的起步還是較晚，人工智能的發(fā)展階段可以分為三個階段，從20世紀(jì)50年代—80年代，在這一階段人工智能剛誕生，但由于很多事物不能形式化表達(dá)，建立的模型存在一定的局限性。第二階段是從20世紀(jì)80年代—90年代，專家系統(tǒng)得到快速發(fā)展，數(shù)學(xué)模型有重大突破，但由于專家系統(tǒng)在知識獲取等方面的不足，人工智能的發(fā)展又一次進(jìn)入低谷期。第三階段是從21世紀(jì)初—至今，隨著大數(shù)據(jù)的積聚、理論算法的革新、計算能力的提升，人工智能在很多應(yīng)用領(lǐng)域取得了突破性進(jìn)展， 迎來了又一個繁榮時期。

根據(jù)人工智能的發(fā)展定義，以及國家頒布的《人工智能白皮書》，人工智能可以分為兩種，強(qiáng)人工智能和弱人工智能。

弱人工智能是并不能真正實現(xiàn)推理和解決問題的智能機(jī)器，這些機(jī)器表面看像是智能的，但是并不真正擁有智能，也不會有自主意識。但是這仍是目前的主流研究仍然集中于弱人工智能，并取得了顯著進(jìn)步，如語音識別、圖像處理和物體分割、機(jī)器翻譯等方面取得了重大突破，甚至可以接近或超越人類水平。

強(qiáng)人工智能是真正能思維的智能機(jī)器，并且認(rèn)為這樣的機(jī)器是有知覺的和 自我意識的，這類機(jī)器可分為類人與非類人兩大類。從一般意義來說，達(dá)到人類水平的、能夠自適應(yīng)地應(yīng)對外界環(huán)境挑戰(zhàn)的、 具有自我意識的人工智能稱為“通用人工智能”、“強(qiáng)人工智能”或“類人智能”

一般來說，在我們認(rèn)為強(qiáng)人工智能的時代已經(jīng)來臨，只是尚未流行起來，但這時候，卻還有一些有意思的觀點，他們持反對的聲音，認(rèn)為人工不智能或者說是人工智障。

他們認(rèn)為當(dāng)我們在開車的時候，大腦在飛速的處理各種信息：交通信號、標(biāo)志物、路面的井蓋、積水；看到馬路中央有一只狗在過馬路時，我們會踩剎車；看到中央有一只鳥，我們會判斷鳥會快速飛走，不用減速；如果是塑料袋，我們可以直接壓過去；如果是大石頭，我們就需要避讓。這些都是我們通過經(jīng)驗的累積以及生活常識構(gòu)成的。但是，人工智能卻做不到這些。

目前人們所研究的人工智能是“狹義”人工智能。“真正的”人工智能需要能夠理解食物之間的因果關(guān)系，比如警方在路上設(shè)置的錐標(biāo)，哪怕是倒了，或是被壓扁了，也要能夠被識別出來。但目前的圖形識別能力，哪怕是把障礙物換個角度，計算機(jī)識別起來都會很困難。而“狹義”人工智能走的是機(jī)器學(xué)習(xí)路線，換句話說，計算機(jī)會把路上所有物體（包括夠、其他車輛、標(biāo)志物、行人、塑料袋、石頭等）都簡單的看做是障礙物，同時計算和預(yù)測這些障礙物的移動路線，判斷是否會和汽車的路線發(fā)生沖突，然后執(zhí)行相應(yīng)的動作。

那么問題來了……

當(dāng)計算機(jī)無法理解物體的時候，也就意味著不可能100%準(zhǔn)確預(yù)測物體的移動軌跡。比如，馬路中央的狗。你很難預(yù)測它下一秒的位置，即使它目前正在向前狂奔。如果馬路中央是一個孩子呢？同時，讓計算機(jī)識別路邊的交通指示牌也是一件十分困難的事情。當(dāng)指示牌有破損、遮擋物等等，都會影響計算機(jī)的識別。

所以，目前的人工智能都屬于“狹義”的人工智能，它的核心是基于大數(shù)據(jù)進(jìn)行的學(xué)習(xí)。但在瞬息萬變的現(xiàn)實世界里，由于計算機(jī)無法真正理解事物的相互關(guān)系，因此并不能處理出現(xiàn)的意外情況。

我們可以將無人駕駛分為五個級別：

輔助性自動駕駛（如自動剎車、保持車道、停靠輔助系統(tǒng)等）滿足一定條件下，汽車可以自動駕駛，但需要駕駛員進(jìn)行實時監(jiān)控（如特斯拉的自動駕駛技術(shù)）滿足一定條件下，汽車可以自動駕駛，駕駛員不需要實時監(jiān)控，但要隨時準(zhǔn)備好接管駕駛。滿足一定條件下，可實現(xiàn)無人看管的自動駕駛。完全實現(xiàn)無人看管的自動駕駛。

就目前來看，我們距離第五個級別的無人駕駛的距離還有非常遙遠(yuǎn)的一條道路要走，當(dāng)然這條道路的未來，并沒有人會知道是什么樣子的。

在我看來，隨著技術(shù)的發(fā)展，人工智能這條道路并非是走不下去的，只是這條道路比較困難，而且并不是說在人工智能完全達(dá)到強(qiáng)人工智能的時候才能造福人類，目前人工智能已經(jīng)用于我們身邊的多個領(lǐng)域，并且在不斷的幫助我們，我們可以通過人工智能不斷的幫助我們完善人工智能，達(dá)成一個不斷的循環(huán)，只是需要很多對數(shù)據(jù)科學(xué)領(lǐng)域感興趣的人，來不斷的完善它們。

希望你看完這篇文章能夠有所收獲，如果有一些想法，希望可以一起討論一下，謝謝。