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，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。