京公网安备 11010802034615号
经营许可证编号:京B2-20210330
从大数据到人工智能 我们还有多远要走
从去年开始,从政府到企业,从分析机构到业界专家,几乎所有的企业和个人都将目光锁定到了人工智能上。如果说2016年是人工智能的新纪元,人们对于人工智能的探讨还是基于概念的探讨和前景的展望上,那么2017年则是人工智能如何落地的关键一年。
从广义上讲,人工智能的应用已经非常广泛,各大新闻客户端会根据你的阅读兴趣推送相关新闻、各大电商平台会根据你的购买习惯推送相关商品、几乎所有你浏览的网页所呈现的广告都与你的历史搜索相关……这些都可以称得上是人工智能。而且,与过去60年人工智能的发展主要集中在实验室里不同,新一轮的人工智能已经在诸多应用场景中发挥威力,应该说,新一轮的人工智能浪潮才刚刚开始。
从云计算到大数据,人工智能已经具备了相对坚实的基础。其中,大数据称得上是人工智能赖以开展的生产资料,而云计算则是人工智能发展的生产工具。不过,从当下人工智能的发展现状看,大部分的人工智能还停留在大数据分析阶段,距离真正的人工智能还有一定的距离。
人工智能正在告别新一轮概念炒作
如果说60年前人工智能概念的提出,多少有些科幻的成份,那么,今天人工智能概念的再次火热却带有强烈的现实意义。从谷歌AlphaGo在围棋领域战胜人类选手后,人工智能开启了新一轮的发展热潮。与以往人工智能凭借强大的算法(穷举)战胜人类不同,在围棋领域,人工智能展现出了机器学习的能力。
于是,2016年被业界称为人工智能的新纪元,几乎所有的IT互联网企业,以及那些还在推动互联网+、数字化转型的传统企业,也开始寻求借助人工智能实现自身的转型升级,以人工智能为代表的新技术正在成为新的生产力。
不过,在2016年,企业对于人工智能的关注依旧停留在概念层面,也就是说,企业很清楚人工智能领域可能蕴含的机会,以及人工智能的应用给传统产业可能带来的冲击。但如何推动人工智能的落地,将这些设想变成现实依旧是一个难题。
在这一过程中,企业发现,云计算、大数据这两大技术正在人工智能的发展过程中扮演越来越重要的角色。云计算提供计算能力,起到了生产工具的角色;大数据提供数据基础,起到了生产资料的角色。
从技术发展的逻辑讲,人工智能从云计算、大数据的角度切入,再合适不过;但从应用角度讲,如何通过云计算、大数据的应用,实现人工智能,仍旧还需要很长的路要走。应该说,人工智能与以往的技术概念炒作路线完全一致,也在经历从过度神化走向落地。
而从行业应用的角度讲,那些天生对计算能力和数据要求较高的行业正在开启人工智能应用的大门。正如高通全球副总裁、创投董事总经理沈劲所说,人工智能已经进入下半场,下半场意味着其发展速度会比我们想象地快的多,人工智能已经能够迅速变革各个行业。这缘于人工智能所拥有的三大推动力:数据、网络、计算能力,它们各自都在以指数级的速度发展。
而高盛首席经济学家Jan Hatzius也表示,未来人工智能技术将会全面驱动生产力的提高,如同电力对各行各业的影响,人工智能将会进入到农业、金融、医疗、零售、能源等诸多行业中,机会巨大。
从大数据到机器学习
人工智能发展渐入佳境
尽管人工智能的新时代已经开启,但目前人工智能的发展和运用,还主要集中在大数据技术层面:通过对海量数据的分析,得出相应的数据规律,从而指导人们根据数据分析结果进行决策的优化,释放数据价值。正如创新工场CEO李开复曾讲到的那样,人工智能最初被使用到的场景就是大数据积累得比较好的场景。
因此,很多从事大数据分析的企业开始给自己贴上人工智能的标签,严格来说,这样做不免有蹭热点的嫌疑,却也合乎逻辑。如果把新一轮的人工智能发展重新界定,大数据技术的深入应用可以算作是人工智能的1.0时代。
基于对数据的分析、洞察数据的秘密,这里的主体依然是人,而并非机器。但机器学习、深度学习的出现,则让主体逐渐变成了机器,开始体现人工智能的真正意义。从人对数据分析到机器通过数据来学习,这样一个变迁的意义可谓深远,称得上是人工智能的2.0时代。
但从目前人工智能的发展现状看,只有很少的企业能够进阶到以机器学习为代表的人工智能2.0阶段。与大数据分析相比,机器学习的出现,则是在大数据分析的基础上,对算法不断优化,让机器能够借助这些算法持续提升大数据分析的能力。这里的算法,就像是人类赋予机器的智慧和能力,从“授之以鱼”到“授之以渔”。
从技术角度看,云计算、大数据到机器学习,人工智能的发展尽管迅速,但依然处在线性发展阶段。真正高阶的人工智能,则是机器自身具备数据收集、整理、分析的能力,并自主对算法进行调整和优化,自主做出判断和决策。这样的人工智能才称得上是人工智能的3.0时代,也更接近人们理想中的人工智能。
而从应用角度看,李开复也给出了自己的判断:未来10~15年人工智能将按照以下三个阶段发展:首先,人工智能会在数据化程度高的行业发生;其次,随着感知、传感器和机器人的发展,人工智能会延展到实体世界;最终人工智能将穿透到个人场景。
人工智能下一个突破点:应用场景
不管是国际象棋,还是围棋或是德州扑克,人工智能在这类棋牌游戏中能否战胜人类,已经变得没有悬念。如果人工智能只能做到这些,这一新兴技术的魅力就会大打折扣。
事实也是如此,如今,人们对这类人机大战开始变得漠不关心,开始期望在几乎所有的工作和生活场景中应用这一新技术,就如同当年计算机、互联网出现之初一样。彼时,计算机的应用让人们进入无纸化的信息时代,而互联网的应用则让人们得以打破信息传输的边界,真正让世界变得更加互联互通。
从目前的态势看,人工智能所带来的革命性将远超计算机和互联网,因为它要做的是要代替,或者说部分代替人类的思考。比如,在医疗行业,医生的诊断能力很大程度上取决于这个医生个人的医疗水平、医疗经验。通过对病人各项指标的化验数据,那些经验丰富的医生可以做出更加准确的诊断,而那些年轻医生的准确性则要差很多。相比较而言,人工智能显然更具优势,因为它可以对所有相关病例数据进行分析,从而得出更加接近真相的诊断。
医疗显然是人工智能可以发光发亮的热门领域之一。人工智能类似的应用还可以推广到更多的场景中,比如金融、能源、交通,甚至是文艺创作等众多行业。人工智能给人们带来的,不仅是通过数据分析呈现其规律,帮助人们进行决策;而是规避人类被情绪、感情等因素的干扰,帮助人们做出更加合理的决策。
不过,相比较人工智能技术的演进,人工智能当下最重要的任务是如何普及到更多的应用场景中,并真正在这些场景中为人们所应用。人工智能需要不断获取新的数据、进行持续且深度的学习,“越用越灵”可以说是人工智能发展的关键。
而从目前市场应用的角度看,人工智能还只是在一些特殊的领域和特殊的地方试用而已,远远没有普及开来,也很难真正发挥其作用。从实验室到普及,人工智能显然还有一个相当长的路要走。
因此,现阶段人工智能的机会正更多集中在不同的应用场景上,而不只是实验室级别的应用。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在回归分析中,因子(即自变量)的筛选是构建高效、可靠回归模型的核心步骤——实际分析场景中,往往存在多个候选因子,其中部分 ...
2026-04-13在机器学习模型开发过程中,过拟合是制约模型泛化能力的核心痛点——模型过度学习训练数据中的噪声与偶然细节,导致在训练集上表 ...
2026-04-13在数据驱动商业升级的今天,商业数据分析已成为企业精细化运营、科学决策的核心手段,而一套规范、高效的商业数据分析总体流程, ...
2026-04-13主讲人简介 张冲,海归统计学硕士,CDA 认证数据分析师,前云南白药集团资深数据分析师,自媒体 Python 讲师,全网课程播放量破 ...
2026-04-13在数据可视化与业务分析中,同比分析是衡量业务发展趋势、识别周期波动的核心手段,其核心逻辑是将当前周期数据与上年同期数据进 ...
2026-04-13在机器学习模型的落地应用中,预测精度并非衡量模型可靠性的唯一标准,不确定性分析同样不可或缺。尤其是在医疗诊断、自动驾驶、 ...
2026-04-10数据本身是沉默的,唯有通过有效的呈现方式,才能让其背后的规律、趋势与价值被看见、被理解、被运用。统计制图(数据可视化)作 ...
2026-04-10在全球化深度发展的今天,跨文化传播已成为连接不同文明、促进多元共生的核心纽带,其研究核心围绕“信息传递、文化解读、意义建 ...
2026-04-09在数据可视化领域,折线图是展示时序数据、趋势变化的核心图表类型之一,其简洁的线条的能够清晰呈现数据的起伏规律。Python ECh ...
2026-04-09在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-04-09长短期记忆网络(LSTM)作为循环神经网络(RNN)的重要改进模型,凭借其独特的门控机制(遗忘门、输入门、输出门),有效解决了 ...
2026-04-08在数据分析全流程中,数据质量是决定分析结论可靠性的核心前提,而异常值作为数据集中的“异类”,往往会干扰统计检验、模型训练 ...
2026-04-08在数字经济飞速发展的今天,数据已渗透到各行各业的核心场景,成为解读趋势、优化决策、创造价值的核心载体。而数据分析,作为挖 ...
2026-04-08在数据分析全流程中,数据处理是基础,图形可视化是核心呈现手段——前者负责将杂乱无章的原始数据转化为干净、规范、可分析的格 ...
2026-04-07在数据分析与统计推断中,p值是衡量假设检验结果显著性的核心指标,其本质是在原假设(通常为“无效应”“无差异”)成立的前提 ...
2026-04-07在数字经济深度渗透的今天,数据已成为企业生存发展的核心资产,企业的竞争本质已转变为数据利用能力的竞争。然而,大量来自生产 ...
2026-04-07Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02