很多人会认为，人工智能不过是大数据，输入一个问题，就找到数据库里的所有回答，比对分析后给出回答问题。但把人工智能和大数据混为一谈是非常自然的错误。

因为人工智能是一种计算形式，它允许机器执行认知功能，例如对输入起作用或作出反应，类似于人类的做法。而大数据是一种传统计算，它不会根据结果采取行动，而只是寻找结果。

早在上个世纪80年代，当时 AI 普遍的研究方向都在试图寻找捷径——直接模拟出行为，而不是试图通过模仿大脑的运作来实现。

人工智能深度学习之父 Geoffrey Hinton却致力于神经网络的研究，直到2006年，Geoffrey Hinton和他的研究生在Science发表了一篇开创性论文，提出了神经网络的一些新思想和新方法，并用“深度学习”来描述和包装这一新思路和新方法。自此，深度学习开始登场。

在2012年的国际图片分类竞赛ImageNet上， Geoffrey Hinton的两个博士生采用深度学习识别图像的准确率达到85%，领先第二名10%以上，而第二名至第四名之间的准确率差异微乎其微，他们均采用传统计算机图像识别方法进行分类。

可见，模拟人脑的深度学习神经网络和传统的计算程式有了本质上的区别。

但人工智能和大数据仍然能够很好地协同工作。这是因为人工智能需要数据来建立其智能。

我们想一想，其实人类的幼儿时期不也总是无法对外界输入做出正确的反应，因为幼儿接触的外部数据、外部环境太小，样本数量太少。随着年龄增加，人脑的神经网络学习了更多的案例，所以面对各种输入可以做出对应的结果。

但是面对我们没有怎么接触过的情况，同样会手足无措，这一点和人工智能是相同的。样本容量太小，人工神经网络也无法做出完全正确的反应。

其实两者的使用领域也有很大差别，大数据经常用来分析用户行为，例如淘宝用大数据来分析用户的购买行为，从而优化商品的放置位置。而人工智能更像是接替人类某一领域工作的工具，例如自动驾驶需要的是人工智能而非大数据。

相信随着硬件的不断提升，神经网络算法的不断优化，人工智能可以逐渐替代人类的脑力劳动。失业或是坐享其成？谁也说不准。

如果我们把人工智能看成一个嗷嗷待哺拥有无限潜力的婴儿，某一领域专业的海量的深度的数据就是喂养这个天才的奶粉。奶粉的数量决定了婴儿是否能长大，而奶粉的质量则决定了婴儿后续的智力发育水平。

与以前的众多数据分析技术相比，人工智能技术立足于神经网络，同时发展出多层神经网络，从而可以进行深度机器学习。与以外传统的算法相比，这一算法并无多余的假设前提（比如线性建模需要假设数据之间的线性关系），而是完全利用输入的数据自行模拟和构建相应的模型结构。这一算法特点决定了它是更为灵活的、且可以根据不同的训练数据而拥有自优化的能力。

但这一显著的优点带来的便是显著增加的运算量。在计算机运算能力取得突破以前，这样的算法几乎没有实际应用的价值。大概十几年前，我们尝试用神经网络运算一组并不海量的数据，整整等待三天都不一定会有结果。但今天的情况却大大不同了。高速并行运算、海量数据、更优化的算法共同促成了人工智能发展的突破。

这一突破，如果我们在三十年以后回头来看，将会是不弱于互联网对人类产生深远影响的另一项技术，它所释放的力量将再次彻底改变我们的生活。

人工智能主要有三个分支：
1.基于规则的人工智能；
2.无规则，计算机读取大量数据，根据数据的统计、概率分析等方法，
进行智能处理的人工智能；
3.基于神经元网络的一种深度学习。
基于规则的人工智能，在计算机内根据规定的语法结构录入规则，用
这些规则进行智能处理，缺乏灵活性，不适合实用化。因此，人工智能
实际上的主流分支是后两者。
而后两者都是通过“计算机读取大量数据，提升人工智能本身的能力
/精准度”。如今，大量数据产生之后，有低成本的存储器将其存储，
有高速的CPU对其进行处理，所以才有了人工智能后两个分支的理论
得以实践。由此，人工智能就能做出接近人类的处理或者判断，提升
精准度。同时，采用人工智能的服务作为高附加值服务，成为了获取
更多用户的主要因素，而不断增加的用户，产生更多的数据，使得人工
智能进一步优化。
大数据挖掘少不了人工智能技术
大数据分为“结构化数据”与“非结构化数据”。
“结构化数据”是指企业的客户信息、经营数据、销售数据、库存数据
等，存储于普通的数据库之中，专指可作为数据库进行管理的数据。
相反，“非结构化数据”是指不存储于数据库之中的，包括电子邮件、
文本文件、图像、视频等数据。
目前，非结构化数据激增，企业数据的80％左右都是非结构化数据。
随着社交媒体的兴起，非结构化数据更是迎来了爆发式增长。复杂、
海量的数据通常被称为大数据。
但是，这些大数据的分析并不简单。文本挖掘需要“自然语言处理”
技术，图像与视频解析需要“图像解析技术”。如今，“语音识别
技术”也不可或缺。这些都是传统意义上人工智能领域所研究的技术。