[[265480]]

隨著技術的不斷發展，技術的種類越來越多，人們不可能掌握全部的技術，但是技術對于人們的選擇有了太多太多，這時候在選擇什么技術的時候，人們往往就會陷入迷茫，不知道應該選擇什么樣的技術，不清楚自己應該從什么技術下手，甚至說會懷疑技術的作用，認為有些技術沒有意義，不知道有什么用。今天我們探討一下數據科學領域內的技術存在的意義，分析一下大數據分析是否雞肋，在數據科學技術體系中，價值技術到底是什么，以及在人工智能領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？

大數據技術：世界將會是怎樣

大數據分析并不雞肋

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

該定律認為，同一面積芯片上可容納晶體管的數量，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，摩爾定律被無數次的被印證。而直到現在，計算機性能已經逼近極限的情況下，摩爾定律似乎已經失效了。

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

而網絡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，計算機領域內便產生了OTT式的技術革新，誕生了分布式計算和量子計算機技術，而這兩者的出現，也必將決定性的改變計算機資源供給端的情況。

分布式計算機技術，已經逐漸成為大數據領域底層IT架構的行業標準，分布式計算可以實現一個計算目標可以調配計算資源并予以支持，解決了大數據情境中運算量過大、超出單臺物理機運算承受能力極限的問題，并且同物理計算資源協同調配，為后續的云計算奠定了基礎。

而量子計算機技術將使單體計算能力擁有質的飛躍。但是在量子計算機核心技術尚未突破之時，人類面對呈現爆發式增長的數據束手無策….

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

但是從大數據技術的發展現狀來看，真正的難點還是在于底層工具的掌握，由于發展尚處于初級階段，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，只有將基礎工具發展和掌握成熟之后，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不出現、隨著摩爾定律的失效、數據量還在增加，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景。

從計算機由DOS系統到桌面系統，Python機器學習由源碼到算法庫，不一直都是這樣么。

機器生產釋放腦力，機器學習釋放腦力

數據革命的本質

大數據分析技術有價值、數據分析技術更有價值，那整個數據科學知識內容體系中，最有價值的到底是什么？

如果從發現技術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，那就是從技術層面而言（非工作是否好找的角度），數據科學中最有價值的技術模塊是哪個？

人工智能是數據養育的智能，其決策的核心是算法，人工智能的發展與十八世紀工業革命通過機器生產代替手工勞動從而釋放人類的勞動力類似，數據智能將通過參與決策的方式，釋放人類腦力。而機器學習就是提供人工智能決策的算法核心。

機器學習算法的核心用途是挖掘事物運行內在邏輯和規律，就是把數據作為接受外部信息形式，用數據還原外部事物的基本屬性和運行狀態，用機器學習算法對其規律進行挖掘，還原客觀規律。再應用規律輔助決策。

機器學習可以使得人工智能在人類基礎重復決策領域參與決策。

算法的核心方法論，是取法其上，僅得為中，數據分析核心價值要有技術核心價值這桿大旗；不管小數據還是大數據，都是重分析。而伴隨著Python的星期，催生出了進一步完善的基礎設施，Python依然成為了標準的工具。

而Python最核心的技能就可以說是利用眾多強大的算法庫進行算法建模分析

強人工智能、弱人工智能，還是人工智障

數據、算法、計算能力這三架馬車所推動的人工智能技術發展，是否已經遇到了瓶頸

2018年1月我國國家標準化管理委員會頒布的《人工智能標準化白皮書》對人工智能學科的基本思想和內容作出了解釋。認為人工智能應該是圍繞智能活動而構造的人工系統，是一項知識的工程，是機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，人工智能的發展階段可以分為三個階段，從20世紀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，建立的模型存在一定的局限性。第二階段是從20世紀80年代—90年代，專家系統得到快速發展，數學模型有重大突破，但由于專家系統在知識獲取等方面的不足，人工智能的發展又一次進入低谷期。第三階段是從21世紀初—至今，隨著大數據的積聚、理論算法的革新、計算能力的提升，人工智能在很多應用領域取得了突破性進展， 迎來了又一個繁榮時期。

根據人工智能的發展定義，以及國家頒布的《人工智能白皮書》，人工智能可以分為兩種，強人工智能和弱人工智能。

弱人工智能是并不能真正實現推理和解決問題的智能機器，這些機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，并取得了顯著進步，如語音識別、圖像處理和物體分割、機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。

強人工智能是真正能思維的智能機器，并且認為這樣的機器是有知覺的和 自我意識的，這類機器可分為類人與非類人兩大類。從一般意義來說，達到人類水平的、能夠自適應地應對外界環境挑戰的、 具有自我意識的人工智能稱為“通用人工智能”、“強人工智能”或“類人智能”

一般來說，在我們認為強人工智能的時代已經來臨，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，認為人工不智能或者說是人工智障。

他們認為當我們在開車的時候，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驗的累積以及生活常識構成的。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系，比如警方在路上設置的錐標，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，計算機識別起來都會很困難。而“狹義”人工智能走的是機器學習路線，換句話說，計算機會把路上所有物體（包括夠、其他車輛、標志物、行人、塑料袋、石頭等）都簡單的看做是障礙物，同時計算和預測這些障礙物的移動路線，判斷是否會和汽車的路線發生沖突，然后執行相應的動作。

那么問題來了……

當計算機無法理解物體的時候，也就意味著不可能100%準確預測物體的移動軌跡。比如，馬路中央的狗。你很難預測它下一秒的位置，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，讓計算機識別路邊的交通指示牌也是一件十分困難的事情。當指示牌有破損、遮擋物等等，都會影響計算機的識別。

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據進行的學習。但在瞬息萬變的現實世界里，由于計算機無法真正理解事物的相互關系，因此并不能處理出現的意外情況。

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、停靠輔助系統等）滿足一定條件下，汽車可以自動駕駛，但需要駕駛員進行實時監控（如特斯拉的自動駕駛技術）滿足一定條件下，汽車可以自動駕駛，駕駛員不需要實時監控，但要隨時準備好接管駕駛。滿足一定條件下，可實現無人看管的自動駕駛。完全實現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的一條道路要走，當然這條道路的未來，并沒有人會知道是什么樣子的。

在我看來，隨著技術的發展，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到強人工智能的時候才能造福人類，目前人工智能已經用于我們身邊的多個領域，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，達成一個不斷的循環，只是需要很多對數據科學領域感興趣的人，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。