云計算、大數據與人工智能三者的關(guān)系

當今智能行業(yè)最為熱門(mén)的話(huà)題無(wú)非就是、與人工智能。它們之間好像互相有關(guān)系，一般談云計算的時(shí)候會(huì )提到大數據，談人工智能的時(shí)候會(huì )提大數據，談人工智能的時(shí)候會(huì )提云計算……它們相輔相成、不可分割。若非技術(shù)人員，可能會(huì )較難理解這三者間的相互關(guān)系，所以有必要解釋一下。

一、云計算最初是實(shí)現資源管理的靈活性

首先來(lái)說(shuō)云計算，云計算最初的目標是對資源的管理，管理的主要是計算資源，網(wǎng)絡(luò )資源，存儲資源三個(gè)方面。

1.1管就像配電腦

什么叫計算，網(wǎng)絡(luò )，存儲資源呢？就說(shuō)你要買(mǎi)臺筆記本電腦吧，你是不是要關(guān)心這臺電腦什么樣的CPU??？多大的內存??？這兩個(gè)我們稱(chēng)為計算資源。

這臺電腦要能上網(wǎng)吧，需要有個(gè)網(wǎng)口可以插網(wǎng)線(xiàn)，或者有無(wú)線(xiàn)網(wǎng)卡可以連接我們家的路由器，您家也需要到運營(yíng)商比如聯(lián)通，移動(dòng)，電信開(kāi)通一個(gè)網(wǎng)絡(luò )，比如100M的帶寬，然后會(huì )有師傅弄一根網(wǎng)線(xiàn)到您家來(lái)，師傅可能會(huì )幫您將您的路由器和他們公司的網(wǎng)絡(luò )連接配置好，這樣您家的所有的電腦，手機，平板就都可以通過(guò)您的路由器上網(wǎng)了。這就是網(wǎng)絡(luò )。

您可能還會(huì )問(wèn)硬盤(pán)多大??？原來(lái)硬盤(pán)都很小，10G之類(lèi)的，后來(lái)500G，1T，2T的硬盤(pán)也不新鮮了。(1T是1000G)，這就是存儲。

對于一臺電腦是這個(gè)樣子的，對于一個(gè)數據中心也是同樣的。想象你有一個(gè)非常非常大的機房，里面堆了很多的服務(wù)器，這些服務(wù)器也是有CPU，內存，硬盤(pán)的，也是通過(guò)類(lèi)似路由器的設備上網(wǎng)的。這個(gè)時(shí)候的一個(gè)問(wèn)題就是，運營(yíng)數據中心的人是怎么把這些設備統一的管理起來(lái)的呢？

1.2靈活就是想啥時(shí)要都有，想要多少都行

管理的目標就是要達到兩個(gè)方面的靈活性。哪兩個(gè)方面呢？比如有個(gè)人需要一臺很小很小的電腦，只有一個(gè)CPU，1G內存，10G的硬盤(pán)，一兆的帶寬，你能給他嗎？像這種這么小規格的電腦，現在隨便一個(gè)筆記本電腦都比這個(gè)配置強了，家里隨便拉一個(gè)寬帶都要100M。然而如果去一個(gè)云計算的平臺上，他要想要這個(gè)資源的時(shí)候，只要一點(diǎn)就有了。

所以說(shuō)它就能達到兩個(gè)方面靈活性。

第一個(gè)方面就是想什么時(shí)候要就什么時(shí)候要，比如需要的時(shí)候一點(diǎn)就出來(lái)了，這個(gè)叫做時(shí)間靈活性。第二個(gè)方面就是想要多少呢就有多少，比如需要一個(gè)很小很小的電腦，可以滿(mǎn)足，比如需要一個(gè)特別大的空間，以云盤(pán)為例，似乎云盤(pán)給每個(gè)人分配的空間動(dòng)不動(dòng)就就很大很大，隨時(shí)上傳隨時(shí)有空間，永遠用不完，這個(gè)叫做空間靈活性。

空間靈活性和時(shí)間靈活性，也即我們常說(shuō)的云計算的彈性。

為了解決這個(gè)彈性的問(wèn)題，經(jīng)歷了漫長(cháng)時(shí)間的發(fā)展。

1.3物理設備不靈活

首先第一個(gè)階段就是物理機，或者說(shuō)物理設備時(shí)期。這個(gè)時(shí)期相當于客戶(hù)需要一臺電腦，我們就買(mǎi)一臺放在數據中心里。物理設備當然是越來(lái)越牛，例如服務(wù)器，內存動(dòng)不動(dòng)就是百G內存，例如網(wǎng)絡(luò )設備，一個(gè)端口的帶寬就能有幾十G甚至上百G，例如存儲，在數據中心至少是PB級別的(一個(gè)P是1000個(gè)T，一個(gè)T是1000個(gè)G)。

然而物理設備不能做到很好的靈活性。首先它不能夠達到想什么時(shí)候要就什么時(shí)候要、比如買(mǎi)臺服務(wù)器，哪怕買(mǎi)個(gè)電腦，都有采購的時(shí)間。突然用戶(hù)告訴某個(gè)云廠(chǎng)商，說(shuō)想要開(kāi)臺電腦，如果使用物理服務(wù)器，當時(shí)去采購啊就很難，如果說(shuō)供應商啊關(guān)系一般，可能采購一個(gè)月，供應商關(guān)系好的話(huà)也需要一個(gè)星期。用戶(hù)等了一個(gè)星期后，這時(shí)候電腦才到位，用戶(hù)還要登錄上去開(kāi)始慢慢部署自己的應用，時(shí)間靈活性非常差。第二是空間靈活性也不行，例如上述的用戶(hù)，要一個(gè)很小很小的電腦，現在哪還有這么小型號的電腦啊。不能為了滿(mǎn)足用戶(hù)只要一個(gè)G的內存是80G硬盤(pán)的，就去買(mǎi)一個(gè)這么小的機器。但是如果買(mǎi)一個(gè)大的呢，因為電腦大，就向用戶(hù)多收錢(qián)，用戶(hù)說(shuō)他只用這么小的一點(diǎn)，如果讓用戶(hù)多付錢(qián)就很冤。

1.4虛擬化靈活多了

有人就想辦法了。第一個(gè)辦法就是虛擬化。用戶(hù)不是只要一個(gè)很小的電腦么？數據中心的物理設備都很強大，我可以從物理的CPU，內存，硬盤(pán)中虛擬出一小塊來(lái)給客戶(hù)，同時(shí)也可以虛擬出一小塊來(lái)給其他客戶(hù)，每個(gè)客戶(hù)都只能看到自己虛的那一小塊，其實(shí)每個(gè)客戶(hù)用的是整個(gè)大的設備上其中的一小塊。虛擬化的技術(shù)能使得不同的客戶(hù)的電腦看起來(lái)是隔離的，我看著(zhù)好像這塊盤(pán)就是我的，你看這呢這塊盤(pán)就是你的，實(shí)際情況可能我這個(gè)10G和您這個(gè)10G是落在同樣一個(gè)很大很大的這個(gè)存儲上的。

而且如果事先物理設備都準備好，虛擬化軟件虛擬出一個(gè)電腦是非?？斓?，基本上幾分鐘就能解決。所以在任何一個(gè)云上要創(chuàng )建一臺電腦，一點(diǎn)幾分鐘就出來(lái)了，就是這個(gè)道理。

這個(gè)空間靈活性和時(shí)間靈活性就基本解決了。

1.5虛擬世界的賺錢(qián)與情懷

在虛擬化階段，最牛的公司是Vmware，是實(shí)現虛擬化技術(shù)比較早的一家公司，可以實(shí)現計算，網(wǎng)絡(luò )，存儲的虛擬化，這家公司很牛，性能也做得非常好，然后虛擬化軟件賣(mài)的也非常好，賺了好多的錢(qián)，后來(lái)讓EMC(世界五百強，存儲廠(chǎng)商第一品牌)給收購了。

但是這個(gè)世界上還是有很多有情懷的人的，尤其是程序員里面，有情懷的人喜歡做一件什么事情呢？開(kāi)源。這個(gè)世界上很多軟件都是有閉源就有開(kāi)源，源就是源代碼。就是說(shuō)某個(gè)軟件做的好，所有人都愛(ài)用，這個(gè)軟件的代碼呢，我封閉起來(lái)只有我公司知道，其他人不知道，如果其他人想用這個(gè)軟件，就要付我錢(qián)，這就叫閉源。但是世界上總有一些大?？床粦T錢(qián)都讓一家賺了去。大牛們覺(jué)得，這個(gè)技術(shù)你會(huì )我也會(huì )，你能開(kāi)發(fā)出來(lái)，我也能，我開(kāi)發(fā)出來(lái)就是不收錢(qián)，把代碼拿出來(lái)分享給大家，全世界誰(shuí)用都可以，所有的人都可以享受到好處，這個(gè)叫做開(kāi)源。

比如最近蒂姆·伯納斯·李就是個(gè)非常有情懷的人，2017年，他因“發(fā)明萬(wàn)維網(wǎng)、第一個(gè)瀏覽器和使萬(wàn)維網(wǎng)得以擴展的基本協(xié)議和算法”而獲得2016年度的圖靈獎。圖靈獎就是計算機界的諾貝爾獎。然而他最令人敬佩的是，他將萬(wàn)維網(wǎng)，也就是我們常見(jiàn)的www的技術(shù)無(wú)償貢獻給全世界免費使用。我們現在在網(wǎng)上的所有行為都應該感謝他的功勞，如果他將這個(gè)技術(shù)拿來(lái)收錢(qián)，應該和比爾蓋茨差不多有錢(qián)。

例如在閉源的世界里有windows，大家用windows都得給微軟付錢(qián)，開(kāi)源的世界里面就出現了Linux。比爾蓋茨靠windows，Office這些閉源的軟件賺了很多錢(qián)，稱(chēng)為世界首富，就有大牛開(kāi)發(fā)了另外一種操作系統Linux。很多人可能沒(méi)有聽(tīng)說(shuō)過(guò)Linux，很多后臺的服務(wù)器上跑的程序都是Linux上的，比如大家享受雙十一，支撐雙十一搶購的系統，無(wú)論是淘寶，京東，考拉，都是跑在Linux上的。

再如有apple就有安卓。apple市值很高，但是蘋(píng)果系統的代碼我們是看不到的。于是就有大牛寫(xiě)了安卓手機操作系統。所以大家可以看到幾乎所有的其他手機廠(chǎng)商，里面都裝安卓系統，因為蘋(píng)果系統不開(kāi)源，而安卓系統大家都可以用。

在虛擬化軟件也一樣，有了Vmware，這個(gè)軟件非常非常的貴。那就有大牛寫(xiě)了兩個(gè)開(kāi)源的虛擬化軟件，一個(gè)叫做Xen，一個(gè)叫做KVM，如果不做技術(shù)的，可以不用管這兩個(gè)名字，但是后面還是會(huì )提到。

1.6虛擬化的半自動(dòng)和云計算的全自動(dòng)

虛擬化軟件似乎解決了靈活性問(wèn)題，其實(shí)不全對。因為虛擬化軟件一般創(chuàng )建一臺虛擬的電腦，是需要人工指定這臺虛擬電腦放在哪臺物理機上的，可能還需要比較復雜的人工配置，所以使用Vmware的虛擬化軟件，需要考一個(gè)很牛的ssl/' target='_blank'>證書(shū)，能拿到這個(gè)證書(shū)的人，薪資是相當的高，也可見(jiàn)復雜程度。所以?xún)H僅憑虛擬化軟件所能管理的物理機的集群規模都不是特別的大，一般在十幾臺，幾十臺，最多百臺這么一個(gè)規模。這一方面會(huì )影響時(shí)間靈活性，雖然虛擬出一臺電腦的時(shí)間很短，但是隨著(zhù)集群規模的擴大，人工配置的過(guò)程越來(lái)越復雜，越來(lái)越耗時(shí)。另一方面也影響空間靈活性，當用戶(hù)數量多的時(shí)候，這點(diǎn)集群規模，還遠達不到想要多少要多少的程度，很可能這點(diǎn)資源很快就用完了，還得去采購。所以隨著(zhù)集群的規模越來(lái)越大，基本都是千臺起步，動(dòng)輒上萬(wàn)臺，甚至幾十上百萬(wàn)臺，如果去查一下BAT，包括網(wǎng)易，包括谷歌，亞馬遜，服務(wù)器數目都大的嚇人。這么多機器要靠人去選一個(gè)位置放這臺虛擬化的電腦并做相應的配置，幾乎是不可能的事情，還是需要機器去做這個(gè)事情。

人們發(fā)明了各種各樣的算法來(lái)做這個(gè)事情，算法的名字叫做調度(Scheduler)。通俗一點(diǎn)的說(shuō)，就是有一個(gè)調度中心，幾千臺機器都在一個(gè)池子里面，無(wú)論用戶(hù)需要多少CPU，內存，硬盤(pán)的虛擬電腦，調度中心會(huì )自動(dòng)在大池子里面找一個(gè)能夠滿(mǎn)足用戶(hù)需求的地方，把虛擬電腦啟動(dòng)起來(lái)做好配置，用戶(hù)就直接能用了。這個(gè)階段，我們稱(chēng)為池化，或者云化，到了這個(gè)階段，才可以稱(chēng)為云計算，在這之前都只能叫虛擬化。

1.7云計算的私有與公有

云計算大致分兩種，一個(gè)是私有云，一個(gè)是公有云，還有人把私有云和公有云連接起來(lái)稱(chēng)為混合云，我們暫且不說(shuō)這個(gè)。私有云就是把虛擬化和云化的這套軟件部署在別人的數據中心里面，使用私有云的用戶(hù)往往很有錢(qián)，自己買(mǎi)地建機房，自己買(mǎi)服務(wù)器，然后讓云廠(chǎng)商部署在自己這里，Vmware后來(lái)除了虛擬化，也推出了云計算的產(chǎn)品，并且在私有云市場(chǎng)賺的盆滿(mǎn)缽滿(mǎn)。所謂公有云就是虛擬化和云化軟件部署在云廠(chǎng)商自己數據中心里面的，用戶(hù)不需要很大的投入，只要注冊一個(gè)賬號，就能在一個(gè)網(wǎng)頁(yè)上點(diǎn)一下創(chuàng )建一臺虛擬電腦，例如AWS也即亞馬遜的公有云，例如國內的阿里云，騰訊云，網(wǎng)易云等。

亞馬遜呢為什么要做公有云呢？我們知道亞馬遜原來(lái)是國外比較大的一個(gè)電商，它做電商的時(shí)候也肯定會(huì )遇到類(lèi)似雙11的場(chǎng)景，在某一個(gè)時(shí)刻大家都沖上來(lái)買(mǎi)東西。當大家都沖上買(mǎi)東西的時(shí)候，就特別需要云的時(shí)間靈活性和空間靈活性。因為它不能時(shí)刻準備好所有的資源，那樣太浪費了。但也不能什么都不準備，看著(zhù)雙十一這么多用戶(hù)想買(mǎi)東西登不上去。所以需要雙十一的時(shí)候，創(chuàng )建一大批虛擬電腦來(lái)支撐電商應用，過(guò)了雙十一再把這些資源都釋放掉去干別的。所以亞馬遜是需要一個(gè)云平臺的。

然而商用的虛擬化軟件實(shí)在是太貴了，亞馬遜總不能把自己在電商賺的錢(qián)全部給了虛擬化廠(chǎng)商吧。于是亞馬遜基于開(kāi)源的虛擬化技術(shù)，如上所述的Xen或者KVM，開(kāi)發(fā)了一套自己的云化軟件。沒(méi)想到亞馬遜后來(lái)電商越做越牛，云平臺也越做越牛。而且由于他的云平臺需要支撐自己的電商應用，而傳統的云計算廠(chǎng)商多為IT廠(chǎng)商出身，幾乎沒(méi)有自己的應用，因而亞馬遜的云平臺對應用更加的友好，迅速發(fā)展成為云計算的第一品牌，賺了很多錢(qián)。在亞馬遜公布其云計算平臺財報之前，人們都猜測，亞馬遜電商賺錢(qián)，云也賺錢(qián)嗎？后來(lái)一公布財報，發(fā)現不是一般的賺錢(qián)，僅僅去年，亞馬遜AWS年營(yíng)收達122億美元，運營(yíng)利潤31億美元。

1.8云計算的賺錢(qián)與情懷

公有云的第一名亞馬遜過(guò)得很爽，第二名Rackspace過(guò)的就一般了。沒(méi)辦法，這就是互聯(lián)網(wǎng)行業(yè)的殘酷性，多是贏(yíng)者通吃的模式。所以第二名如果不是云計算行業(yè)的，很多人可能都沒(méi)聽(tīng)過(guò)了。第二名就想，我干不過(guò)老大怎么辦呢？開(kāi)源吧。如上所述，亞馬遜雖然使用了開(kāi)源的虛擬化技術(shù)，但是云化的代碼是閉源的，很多想做又做不了云化平臺的公司，只能眼巴巴的看著(zhù)亞馬遜掙大錢(qián)。Rackspace把源代碼一公開(kāi)，整個(gè)行業(yè)就可以一起把這個(gè)平臺越做越好。

于是Rackspace和美國航空航天局合作創(chuàng )辦了開(kāi)源軟件OpenStack，如圖所示OpenStack的架構圖，不是云計算行業(yè)的不用弄懂這個(gè)圖，但是能夠看到三個(gè)關(guān)鍵字，Compute計算，Networking網(wǎng)絡(luò )，Storage存儲。還是一個(gè)計算，網(wǎng)絡(luò )，存儲的云化管理平臺。

當然第二名的技術(shù)也是非常棒的，有了OpenStack之后，果真像Rackspace想象的一樣，所有想做云的大企業(yè)都瘋了，你能想象到的所有如雷貫耳的大型IT企業(yè)，IBM，惠普，戴爾，華為，聯(lián)想等等，都瘋了。原來(lái)云平臺大家都想做，看著(zhù)亞馬遜和Vmware賺了這么多錢(qián)，眼巴巴看著(zhù)沒(méi)辦法，想自己做一個(gè)好像難度還挺大?，F在好了，有了這樣一個(gè)開(kāi)源的云平臺OpenStack，所有的IT廠(chǎng)商都加入到這個(gè)社區中來(lái)，對這個(gè)云平臺進(jìn)行貢獻，包裝成自己的產(chǎn)品，連同自己的硬件設備一起賣(mài)。有的做了私有云，有的做了公有云，OpenStack已經(jīng)成為開(kāi)源云平臺的事實(shí)標準。

1.9IaaS,資源層面的靈活性

隨著(zhù)OpenStack的技術(shù)越來(lái)越成熟，可以管理的規模也越來(lái)越大，并且可以有多個(gè)OpenStack集群部署多套，比如北京部署一套，杭州部署兩套，廣州部署一套，然后進(jìn)行統一的管理。這樣整個(gè)規模就更大了。在這個(gè)規模下，對于普通用戶(hù)的感知來(lái)講，基本能夠做到想什么時(shí)候要就什么什么藥，想要多少就要多少。還是拿云盤(pán)舉例子，每個(gè)用戶(hù)云盤(pán)都分配了5T甚至更大的空間，如果有1億人，那加起來(lái)空間多大啊。其實(shí)背后的機制是這樣的，分配你的空間，你可能只用了其中很少一點(diǎn)，比如說(shuō)它分配給你了5個(gè)T，這么大的空間僅僅是你看到的，而不是真的就給你了，你其實(shí)只用了50個(gè)G，則真實(shí)給你的就是50個(gè)G，隨著(zhù)你文件的不斷上傳，分給你的空間會(huì )越來(lái)越多。當大家都上傳，云平臺發(fā)現快滿(mǎn)了的時(shí)候(例如用了70%)，會(huì )采購更多的服務(wù)器，擴充背后的資源，這個(gè)對用戶(hù)是透明的，看不到的，從感覺(jué)上來(lái)講，就實(shí)現了云計算的彈性。其實(shí)有點(diǎn)像銀行，給儲戶(hù)的感覺(jué)是什么時(shí)候取錢(qián)都有，只要不同時(shí)擠兌，銀行就不會(huì )垮。

這里做一個(gè)簡(jiǎn)單的總結，到了這個(gè)階段，云計算基本上實(shí)現了時(shí)間靈活性和空間靈活性，實(shí)現了計算，網(wǎng)絡(luò )，存儲資源的彈性。計算，網(wǎng)絡(luò )，存儲我們常稱(chēng)為基礎設施Infranstracture,因而這個(gè)階段的彈性稱(chēng)為資源層面的彈性，管理資源的云平臺，我們稱(chēng)為基礎設施服務(wù)，就是我們常聽(tīng)到的IaaS，InfranstractureAsAService。

二、云計算不光管資源，也要管應用

有了IaaS，實(shí)現了資源層面的彈性就夠了嗎？顯然不是。還有應用層面的彈性。這里舉個(gè)例子，比如說(shuō)實(shí)現一個(gè)電商的應用，平時(shí)十臺機器就夠了，雙十一需要一百臺。你可能覺(jué)得很好辦啊，有了IaaS，新創(chuàng )建九十臺機器就可以了啊。但是90臺機器創(chuàng )建出來(lái)是空的啊，電商應用并沒(méi)有放上去啊，只能你公司的運維人員一臺一臺的弄，還是需要很長(cháng)時(shí)間才能安裝好的。雖然資源層面實(shí)現了彈性，但是沒(méi)有應用層的彈性，依然靈活性是不夠的。

有沒(méi)有方法解決這個(gè)問(wèn)題呢？于是人們在IaaS平臺之上又加了一層，用于管理資源以上的應用彈性的問(wèn)題，這一層通常稱(chēng)為PaaS（PlatformAsAService）。這一層往往比較難理解，其實(shí)大致分兩部分，一部分我稱(chēng)為你自己的應用自動(dòng)安裝，一部分我稱(chēng)為通用的應用不用安裝。

我們先來(lái)說(shuō)第一部分，自己的應用自動(dòng)安裝。比如電商應用是你自己開(kāi)發(fā)的，除了你自己，其他人是不知道怎么安裝的，比如電商應用，安裝的時(shí)候需要配置支付寶或者微信的賬號，才能別人在你的電商上買(mǎi)東西的時(shí)候，付的錢(qián)是打到你的賬戶(hù)里面的，除了你，誰(shuí)也不知道，所以安裝的過(guò)程平臺幫不了忙，但是能夠幫你做的自動(dòng)化，你需要做一些工作，將自己的配置信息融入到自動(dòng)化的安裝過(guò)程中方可。比如上面的例子，雙十一新創(chuàng )建出來(lái)的90臺機器是空的，如果能夠提供一個(gè)工具，能夠自動(dòng)在這新的90臺機器上將電商應用安裝好，就能夠實(shí)現應用層面的真正彈性。例如Puppet,Chef,Ansible,CloudFoundary都可以干這件事情，最新的容器技術(shù)Docker能更好的干這件事情，不做技術(shù)的可以不用管這些詞。

第二部分，通用的應用不用安裝。所謂通用的應用，一般指一些復雜性比較高，但是大家都在用的，例如數據庫。幾乎所有的應用都會(huì )用數據庫，但是數據庫軟件是標準的，雖然安裝和維護比較復雜，但是無(wú)論誰(shuí)安裝都是一樣。這樣的應用可以變成標準的PaaS層的應用放在云平臺的界面上。當用戶(hù)需要一個(gè)數據庫的時(shí)候，一點(diǎn)就出來(lái)了，用戶(hù)就可以直接用了。有人問(wèn)，既然誰(shuí)安裝都一個(gè)樣，那我自己來(lái)好了，不需要花錢(qián)在云平臺上買(mǎi)。當然不是，數據庫是一個(gè)非常難的東西，光Oracle這家公司，靠數據庫就能賺這么多錢(qián)。買(mǎi)Oracle也是要花很多很多錢(qián)的。然而大多數云平臺會(huì )提供Mysql這樣的開(kāi)源數據庫，又是開(kāi)源，錢(qián)不需要花這么多了，但是維護這個(gè)數據庫，卻需要專(zhuān)門(mén)招一個(gè)很大的團隊，如果這個(gè)數據庫能夠優(yōu)化到能夠支撐雙十一，也不是一年兩年能夠搞定的。比如您是一個(gè)做單車(chē)的，當然沒(méi)必要招一個(gè)非常大的數據庫團隊來(lái)干這件事情，成本太高了，應該交給云平臺來(lái)做這件事情，專(zhuān)業(yè)的事情專(zhuān)業(yè)的人來(lái)自，云平臺專(zhuān)門(mén)養了幾百人維護這套系統，您只要專(zhuān)注于您的單車(chē)應用就可以了。

要么是自動(dòng)部署，要么是不用部署，總的來(lái)說(shuō)就是應用層你也要少操心，這就是PaaS層的重要作用。

雖說(shuō)腳本的方式能夠解決自己的應用的部署問(wèn)題，然而不同的環(huán)境千差萬(wàn)別，一個(gè)腳本往往在一個(gè)環(huán)境上運行正確，到另一個(gè)環(huán)境就不正確了。

而容器是能更好的解決這個(gè)問(wèn)題的。

容器是Container，Container另一個(gè)意思是集裝箱，其實(shí)容器的思想就是要變成軟件交付的集裝箱。集裝箱的特點(diǎn)，一是封裝，二是標準。

在沒(méi)有集裝箱的時(shí)代，假設將貨物從A運到B，中間要經(jīng)過(guò)三個(gè)碼頭、換三次船。每次都要將貨物卸下船來(lái)，擺的七零八落，然后搬上船重新整齊擺好。因此在沒(méi)有集裝箱的時(shí)候，每次換船，船員們都要在岸上待幾天才能走。

有了集裝箱以后，所有的貨物都打包在一起了，并且集裝箱的尺寸全部一致，所以每次換船的時(shí)候，一個(gè)箱子整體搬過(guò)去就行了，小時(shí)級別就能完成，船員再也不用上岸長(cháng)時(shí)間耽擱了。

這是集裝箱“封裝”、“標準”兩大特點(diǎn)在生活中的應用。

那么容器如何對應用打包呢？還是要學(xué)習集裝箱，首先要有個(gè)封閉的環(huán)境，將貨物封裝起來(lái)，讓貨物之間互不干擾，互相隔離，這樣裝貨卸貨才方便。好在Ubuntu中的LXC技術(shù)早就能做到這一點(diǎn)。

封閉的環(huán)境主要使用了兩種技術(shù)，一種是看起來(lái)是隔離的技術(shù)，稱(chēng)為Namespace，也即每個(gè)Namespace中的應用看到的是不同的IP地址、用戶(hù)空間、程號等。另一種是用起來(lái)是隔離的技術(shù)，稱(chēng)為Cgroups，也即明明整臺機器有很多的CPU、內存，而一個(gè)應用只能用其中的一部分。

所謂的鏡像，就是將你焊好集裝箱的那一刻，將集裝箱的狀態(tài)保存下來(lái)，就像孫悟空說(shuō)：“定”，集裝箱里面就定在了那一刻，然后將這一刻的狀態(tài)保存成一系列文件。這些文件的格式是標準的，誰(shuí)看到這些文件都能還原當時(shí)定住的那個(gè)時(shí)刻。將鏡像還原成運行時(shí)的過(guò)程（就是讀取鏡像文件，還原那個(gè)時(shí)刻的過(guò)程）就是容器運行的過(guò)程。

有了容器，使得PaaS層對于用戶(hù)自身應用的自動(dòng)部署變得快速而優(yōu)雅。

三、大數據擁抱云計算

在PaaS層中一個(gè)復雜的通用應用就是大數據平臺。大數據是如何一步一步融入云計算的呢？

3.1數據不大也包含智慧

一開(kāi)始這個(gè)大數據并不大，你想象原來(lái)才有多少數據？現在大家都去看電子書(shū)，上網(wǎng)看新聞了，在我們80后小時(shí)候，信息量沒(méi)有那么大，也就看看書(shū)，看看報，一個(gè)星期的報紙加起來(lái)才有多少字啊，如果你不在一個(gè)大城市，一個(gè)普通的學(xué)校的圖書(shū)館加起來(lái)也沒(méi)幾個(gè)書(shū)架，是后來(lái)隨著(zhù)信息化的到來(lái)，信息才會(huì )越來(lái)越多。

首先我們來(lái)看一下大數據里面的數據，就分三種類(lèi)型，一種叫結構化的數據，一種叫非結構化的數據，還有一種叫半結構化的數據。什么叫結構化的數據呢？叫有固定格式和有限長(cháng)度的數據。例如填的表格就是結構化的數據，國籍：中華人民共和國，民族：漢，性別：男，這都叫結構化數據?，F在越來(lái)越多的就是非結構化的數據，就是不定長(cháng)，無(wú)固定格式的數據，例如網(wǎng)頁(yè)，有時(shí)候非常長(cháng)，有時(shí)候幾句話(huà)就沒(méi)了，例如語(yǔ)音，視頻都是非結構化的數據。半結構化數據是一些xml或者html的格式的，不從事技術(shù)的可能不了解，但也沒(méi)有關(guān)系。

數據怎么樣才能對人有用呢？其實(shí)數據本身不是有用的，必須要經(jīng)過(guò)一定的處理。例如你每天跑步帶個(gè)手環(huán)收集的也是數據，網(wǎng)上這么多網(wǎng)頁(yè)也是數據，我們稱(chēng)為Data，數據本身沒(méi)有什么用處，但是數據里面包含一個(gè)很重要的東西，叫做信息Information，數據十分雜亂，經(jīng)過(guò)梳理和清洗，才能夠稱(chēng)為信息。信息會(huì )包含很多規律，我們需要從信息中將規律總結出來(lái)，稱(chēng)為知識knowledge，知識改變命運。信息是很多的，但是有人看到了信息相當于白看，但是有人就從信息中看到了電商的未來(lái)，有人看到了直播的未來(lái)，所以人家就牛了，你如果沒(méi)有從信息中提取出知識，天天看朋友圈，也只能在互聯(lián)網(wǎng)滾滾大潮中做個(gè)看客。有了知識，然后利用這些知識去應用于實(shí)戰，有的人會(huì )做得非常好，這個(gè)東西叫做智慧intelligence。有知識并不一定有智慧，例如好多學(xué)者很有知識，已經(jīng)發(fā)生的事情可以從各個(gè)角度分析的頭頭是道，但一到實(shí)干就歇菜，并不能轉化成為智慧。而很多的創(chuàng )業(yè)家之所以偉大，就是通過(guò)獲得的知識應用于實(shí)踐，最后做了很大的生意。

所以數據的應用分這四個(gè)步驟：數據，信息，知識，智慧。這是很多商家都想要的，你看我收集了這么多的數據，能不能基于這些數據來(lái)幫我做下一步的決策，改善我的產(chǎn)品，例如讓用戶(hù)看視頻的時(shí)候旁邊彈出廣告，正好是他想買(mǎi)的東西，再如讓用戶(hù)聽(tīng)音樂(lè )的時(shí)候，另外推薦一些他非常想聽(tīng)的其他音樂(lè )。用戶(hù)在我的應用或者網(wǎng)站上隨便點(diǎn)點(diǎn)鼠標，輸入文字對我來(lái)說(shuō)都是數據，我就是要將其中某些東西提取出來(lái)，指導實(shí)踐，形成智慧，讓用戶(hù)陷入到我的應用里面不可自拔，上了我的網(wǎng)就不想離開(kāi)，手不停的點(diǎn)，不停的買(mǎi)，很多人說(shuō)雙十一我都想斷網(wǎng)了，我老婆在上面不斷的買(mǎi)買(mǎi)買(mǎi)，買(mǎi)了A又推薦B，老婆大人說(shuō)，“哎呀，B也是我喜歡的啊，老公我要買(mǎi)”。你說(shuō)這個(gè)程序怎么這么牛，這么有智慧，比我還了解我老婆，這件事情是怎么做到的呢？

3.2數據如何升華為智慧

數據的處理分幾個(gè)步驟，完成了才最后會(huì )有智慧。

第一個(gè)步驟叫數據的收集。首先得有數據，數據的收集有兩個(gè)方式，第一個(gè)方式是拿，專(zhuān)業(yè)點(diǎn)的說(shuō)法叫抓取或者爬取，例如搜索引擎就是這么做的，它把網(wǎng)上的所有的信息都下載到它的數據中心，然后你一搜才能搜出來(lái)。比如你去搜索的時(shí)候，結果會(huì )是一個(gè)列表，這個(gè)列表為什么會(huì )在搜索引擎的公司里面呢，就是因為他把這個(gè)數據啊都拿下來(lái)了，但是你一點(diǎn)鏈接，點(diǎn)出來(lái)這個(gè)網(wǎng)站就不在搜索引擎它們公司了。比如說(shuō)新浪有個(gè)新聞，你拿百度搜出來(lái)，你不點(diǎn)的時(shí)候，那一頁(yè)在百度數據中心，一點(diǎn)出來(lái)的網(wǎng)頁(yè)就是在新浪的數據中心了。另外一個(gè)方式就是推送，有很多終端可以幫我收集數據，比如說(shuō)小米手環(huán)，可以將你每天跑步的數據，心跳的數據，睡眠的數據都上傳到數據中心里面。

第二個(gè)步驟是數據的傳輸。一般會(huì )通過(guò)隊列方式進(jìn)行，因為數據量實(shí)在是太大了，數據必須經(jīng)過(guò)處理才會(huì )有用，可是系統處理不過(guò)來(lái)，只好排好隊，慢慢的處理。

第三個(gè)步驟是數據的存儲?，F在數據就是金錢(qián)，掌握了數據就相當于掌握了錢(qián)。要不然網(wǎng)站怎么知道你想買(mǎi)什么呢？就是因為它有你歷史的交易的數據，這個(gè)信息可不能給別人，十分寶貴，所以需要存儲下來(lái)。

第四個(gè)步驟是數據的處理和分析。上面存儲的數據是原始數據，原始數據多是雜亂無(wú)章的，有很多垃圾數據在里面，因而需要清洗和過(guò)濾，得到一些高質(zhì)量的數據。對于高質(zhì)量的數據，就可以進(jìn)行分析，從而對數據進(jìn)行分類(lèi)，或者發(fā)現數據之間的相互關(guān)系，得到知識。比如盛傳的沃爾瑪超市的啤酒和尿布的故事，就是通過(guò)對人們的購買(mǎi)數據進(jìn)行分析，發(fā)現了男人一般買(mǎi)尿布的時(shí)候，會(huì )同時(shí)購買(mǎi)啤酒，這樣就發(fā)現了啤酒和尿布之間的相互關(guān)系，獲得知識，然后應用到實(shí)踐中，將啤酒和尿布的柜臺弄的很近，就獲得了智慧。

第五個(gè)步驟就是對于數據的檢索和挖掘。檢索就是搜索，所謂外事不決問(wèn)google，內事不決問(wèn)百度。內外兩大搜索引擎都是講分析后的數據放入搜索引擎，從而人們想尋找信息的時(shí)候，一搜就有了。另外就是挖掘，僅僅搜索出來(lái)已經(jīng)不能滿(mǎn)足人們的要求了，還需要從信息中挖掘出相互的關(guān)系。比如財經(jīng)搜索，當搜索某個(gè)公司股票的時(shí)候，該公司的高管是不是也應該被挖掘出來(lái)呢？如果僅僅搜索出這個(gè)公司的股票發(fā)現漲的特別好，于是你就去買(mǎi)了，其實(shí)其高管發(fā)了一個(gè)聲明，對股票十分不利，第二天就跌了，這不坑害廣大股民么？所以通過(guò)各種算法挖掘數據中的關(guān)系，形成知識庫，十分重要。

3.3大數據時(shí)代，眾人拾柴火焰高

當數據量很小的時(shí)候，很少的幾臺機器就能解決。慢慢的當數據量越來(lái)越大，最牛的服務(wù)器都解決不了問(wèn)題的時(shí)候，就想怎么辦呢？要聚合多臺機器的力量，大家齊心協(xié)力一起把這個(gè)事搞定，眾人拾柴火焰高。

對于數據的收集，對于IoT來(lái)講，外面部署這成千上萬(wàn)的檢測設備，將大量的溫度，適度，監控，電力等等數據統統收集上來(lái)，對于互聯(lián)網(wǎng)網(wǎng)頁(yè)的搜索引擎來(lái)講，需要將整個(gè)互聯(lián)網(wǎng)所有的網(wǎng)頁(yè)都下載下來(lái)，這顯然一臺機器做不到，需要多臺機器組成網(wǎng)絡(luò )爬蟲(chóng)系統，每臺機器下載一部分，同時(shí)工作，才能在有限的時(shí)間內，將海量的網(wǎng)頁(yè)下載完畢。

對于數據的傳輸，一個(gè)內存里面的隊列肯定會(huì )被大量的數據擠爆掉，于是就產(chǎn)生了基于硬盤(pán)的分布式隊列，這樣隊列可以多臺機器同時(shí)傳輸，隨你數據量多大，只要我的隊列足夠多，管道足夠粗，就能夠撐得住。

對于數據的存儲，一臺機器的文件系統肯定是放不下了，所以需要一個(gè)很大的分布式文件系統來(lái)做這件事情，把多臺機器的硬盤(pán)打成一塊大的文件系統。

再如數據的分析，可能需要對大量的數據做分解，統計，匯總，一臺機器肯定搞不定，處理到猴年馬月也分析不完，于是就有分布式計算的方法，將大量的數據分成小份，每臺機器處理一小份，多臺機器并行處理，很快就能算完。例如著(zhù)名的Terasort對1個(gè)TB的數據排序，相當于1000G，如果單機處理，怎么也要幾個(gè)小時(shí)，但是并行處理209秒就完成了。

所以說(shuō)大數據平臺，什么叫做大數據，說(shuō)白了就是一臺機器干不完，大家一起干。隨著(zhù)數據量越來(lái)越大，很多不大的公司都需要處理相當多的數據，這些小公司沒(méi)有這么多機器可怎么辦呢？

3.4大數據需要云計算，云計算需要大數據

說(shuō)到這里，大家想起云計算了吧。當想要干這些活的時(shí)候，需要好多好多的機器一塊做，真的是想什么時(shí)候要，想要多少就要多少。例如大數據分析公司的財務(wù)情況，可能一周分析一次，如果要把這一百臺機器或者一千臺機器都在那放著(zhù)，一周用一次對吧，非常浪費。那能不能需要計算的時(shí)候，把這一千臺機器拿出來(lái)，然后不算的時(shí)候，這一千臺機器可以去干別的事情。誰(shuí)能做這個(gè)事兒呢？只有云計算，可以為大數據的運算提供資源層的靈活性。而云計算也會(huì )部署大數據放到它的PaaS平臺上，作為一個(gè)非常非常重要的通用應用。因為大數據平臺能夠使得多臺機器一起干一個(gè)事兒，這個(gè)東西不是一般人能開(kāi)發(fā)出來(lái)的，也不是一般人玩得轉的，怎么也得雇個(gè)幾十上百號人才能把這個(gè)玩起來(lái)，所以說(shuō)就像數據庫一樣，其實(shí)還是需要有一幫專(zhuān)業(yè)的人來(lái)玩這個(gè)東西?，F在公有云上基本上都會(huì )有大數據的解決方案了，一個(gè)小公司我需要大數據平臺的時(shí)候，不需要采購一千臺機器，只要到公有云上一點(diǎn)，這一千臺機器都出來(lái)了，并且上面已經(jīng)部署好了的大數據平臺，只要把數據放進(jìn)去算就可以了。

云計算需要大數據，大數據需要云計算，兩個(gè)人就這樣結合了。

四、人工智能擁抱大數據

4.1機器什么時(shí)候才能懂人心

雖說(shuō)有了大數據，人的欲望總是這個(gè)不能夠滿(mǎn)足。雖說(shuō)在大數據平臺里面有搜索引擎這個(gè)東西，想要什么東西我一搜就出來(lái)了。但是也存在這樣的情況，我想要的東西不會(huì )搜，表達不出來(lái)，搜索出來(lái)的又不是我想要的。例如音樂(lè )軟件里面推薦一首歌，這首歌我沒(méi)聽(tīng)過(guò)，當然不知道名字，也沒(méi)法搜，但是軟件推薦給我，我的確喜歡，這就是搜索做不到的事情。當人們使用這種應用的時(shí)候，會(huì )發(fā)現機器知道我想要什么，而不是說(shuō)當我想要的時(shí)候，去機器里面搜索。這個(gè)機器真像我的朋友一樣懂我，這就有點(diǎn)人工智能的意思了。

人們很早就在想這個(gè)事情了。最早的時(shí)候，人們想象，如果要是有一堵墻，墻后面是個(gè)機器，我給它說(shuō)話(huà)，它就給我回應，我如果感覺(jué)不出它那邊是人還是機器，那它就真的是一個(gè)人工智能的東西了。

4.2讓機器學(xué)會(huì )推理

怎么才能做到這一點(diǎn)呢？人們就想：我首先要告訴計算機人類(lèi)的推理的能力。你看人重要的是什么呀，人和動(dòng)物的區別在什么呀，就是能推理。我要是把我這個(gè)推理的能力啊告訴機器，機器就能根據你的提問(wèn)，推理出相應的回答，真能這樣多好。推理其實(shí)人們慢慢的讓機器能夠做到一些了，例如證明數學(xué)公式。這是一個(gè)非常讓人驚喜的一個(gè)過(guò)程，機器竟然能夠證明數學(xué)公式。但是慢慢發(fā)現其實(shí)這個(gè)結果，也沒(méi)有那么令人驚喜，因為大家發(fā)現了一個(gè)問(wèn)題，數學(xué)公式非常嚴謹，推理過(guò)程也非常嚴謹，而且數學(xué)公式很容易拿機器來(lái)進(jìn)行表達，程序也相對容易表達。然而人類(lèi)的語(yǔ)言就沒(méi)這么簡(jiǎn)單了，比如今天晚上，你和你女朋友約會(huì )，你女朋友說(shuō)：如果你早來(lái)，我沒(méi)來(lái)，你等著(zhù)，如果我早來(lái)，你沒(méi)來(lái)，你等著(zhù)。這個(gè)機器就比比較難理解了，但是人都懂，所以你和女朋友約會(huì )，你是不敢遲到的。

4.3教給機器知識

所以?xún)H僅告訴機器嚴格的推理是不夠的，還要告訴機器一些知識。但是知識這個(gè)事兒，一般人可能就做不來(lái)了，可能專(zhuān)家可以，比如語(yǔ)言領(lǐng)域的專(zhuān)家，或者財經(jīng)領(lǐng)域的專(zhuān)家。語(yǔ)言領(lǐng)域和財經(jīng)領(lǐng)域知識能不能表示成像數學(xué)公式一樣稍微嚴格點(diǎn)呢？例如語(yǔ)言專(zhuān)家可能會(huì )總結出主謂賓定狀補這些語(yǔ)法規則，主語(yǔ)后面一定是謂語(yǔ)，謂語(yǔ)后面一定是賓語(yǔ)，將這些總結出來(lái)，并嚴格表達出來(lái)不久行了嗎？后來(lái)發(fā)現這個(gè)不行，太難總結了，語(yǔ)言表達千變萬(wàn)化。就拿主謂賓的例子，很多時(shí)候在口語(yǔ)里面就省略了謂語(yǔ)，別人問(wèn)：你誰(shuí)??？我回答：我劉超。但是你不能規定在語(yǔ)音語(yǔ)義識別的時(shí)候，要求對著(zhù)機器說(shuō)標準的書(shū)面語(yǔ)，這樣還是不夠智能，就像羅永浩在一次演講中說(shuō)的那樣，每次對著(zhù)手機，用書(shū)面語(yǔ)說(shuō)：請幫我呼叫某某某，這是一件很尷尬的事情。

人工智能這個(gè)階段叫做專(zhuān)家系統。專(zhuān)家系統不易成功，一方面是知識比較難總結，另一方面總結出來(lái)的知識難以教給計算機。因為你自己還迷迷糊糊，似乎覺(jué)得有規律，就是說(shuō)不出來(lái)，就怎么能夠通過(guò)編程教給計算機呢？

4.4模擬大腦的工作方式

于是人類(lèi)開(kāi)始從機器的世界，反思人類(lèi)的世界是怎么工作的。

人類(lèi)的腦子里面不是存儲著(zhù)大量的規則，也不是記錄著(zhù)大量的統計數據，而是通過(guò)神經(jīng)元的觸發(fā)實(shí)現的，每個(gè)神經(jīng)元有從其他神經(jīng)元的輸入，當接收到輸入的時(shí)候，會(huì )產(chǎn)生一個(gè)輸出來(lái)刺激其他的神經(jīng)元，于是大量的神經(jīng)元相互反應，最終形成各種輸出的結果。例如當人們看到美女瞳孔放大，絕不是大腦根據身材比例進(jìn)行規則判斷，也不是將人生中看過(guò)的所有的美女都統計一遍，而是神經(jīng)元從視網(wǎng)膜觸發(fā)到大腦再回到瞳孔。在這個(gè)過(guò)程中，其實(shí)很難總結出每個(gè)神經(jīng)元對最終的結果起到了哪些作用，反正就是起作用了。

于是人們開(kāi)始用一個(gè)數學(xué)單元模擬神經(jīng)元

這個(gè)神經(jīng)元有輸入，有輸出，輸入和輸出之間通過(guò)一個(gè)公式來(lái)表示，輸入根據重要程度不同(權重)，影響著(zhù)輸出。

于是將n個(gè)神經(jīng)元通過(guò)像一張神經(jīng)網(wǎng)絡(luò )一樣連接在一起，n這個(gè)數字可以很大很大，所有的神經(jīng)元可以分成很多列，每一列很多個(gè)排列起來(lái)，每個(gè)神經(jīng)元的對于輸入的權重可以都不相同，從而每個(gè)神經(jīng)元的公式也不相同。當人們從這張網(wǎng)絡(luò )中輸入一個(gè)東西的時(shí)候，希望輸出一個(gè)對人類(lèi)來(lái)講正確的結果。例如上面的例子，輸入一個(gè)寫(xiě)著(zhù)2的圖片，輸出的列表里面第二個(gè)數字最大，其實(shí)從機器來(lái)講，它既不知道輸入的這個(gè)圖片寫(xiě)的是2，也不知道輸出的這一系列數字的意義，沒(méi)關(guān)系，人知道意義就可以了。正如對于神經(jīng)元來(lái)說(shuō)，他們既不知道視網(wǎng)膜看到的是美女，也不知道瞳孔放大是為了看的清楚，反正看到美女，瞳孔放大了，就可以了。

對于任何一張神經(jīng)網(wǎng)絡(luò )，誰(shuí)也不敢保證輸入是2，輸出一定是第二個(gè)數字最大，要保證這個(gè)結果，需要訓練和學(xué)習。畢竟看到美女而瞳孔放大也是人類(lèi)很多年進(jìn)化的結果。學(xué)習的過(guò)程就是，輸入大量的圖片，如果結果不是想要的結果，則進(jìn)行調整。如何調整呢，就是每個(gè)神經(jīng)元的每個(gè)權重都向目標進(jìn)行微調，由于神經(jīng)元和權重實(shí)在是太多了，所以整張網(wǎng)絡(luò )產(chǎn)生的結果很難表現出非此即彼的結果，而是向著(zhù)結果微微的進(jìn)步，最終能夠達到目標結果。當然這些調整的策略還是非常有技巧的，需要算法的高手來(lái)仔細的調整。正如人類(lèi)見(jiàn)到美女，瞳孔一開(kāi)始沒(méi)有放大到能看清楚，于是美女跟別人跑了，下次學(xué)習的結果是瞳孔放大一點(diǎn)點(diǎn)，而不是放大鼻孔。

4.5沒(méi)道理但做得到

聽(tīng)起來(lái)也沒(méi)有那么有道理，但是的確能做到，就是這么任性。

神經(jīng)網(wǎng)絡(luò )的普遍性定理是這樣說(shuō)的，假設某個(gè)人給你某種復雜奇特的函數，f(x)：

不管這個(gè)函數是什么樣的，總會(huì )確保有個(gè)神經(jīng)網(wǎng)絡(luò )能夠對任何可能的輸入x，其值f(x)（或者某個(gè)能夠準確的近似）是神經(jīng)網(wǎng)絡(luò )的輸出。

如果在函數代表著(zhù)規律，也意味著(zhù)這個(gè)規律無(wú)論多么奇妙，多么不能理解，都是能通過(guò)大量的神經(jīng)元，通過(guò)大量權重的調整，表示出來(lái)的。

4.6人工智能的經(jīng)濟學(xué)解釋

這讓我想到了經(jīng)濟學(xué)，于是比較容易理解了。

我們把每個(gè)神經(jīng)元當成社會(huì )中從事經(jīng)濟活動(dòng)的個(gè)體。于是神經(jīng)網(wǎng)絡(luò )相當于整個(gè)經(jīng)濟社會(huì )，每個(gè)神經(jīng)元對于社會(huì )的輸入，都有權重的調整，做出相應的輸出，比如工資漲了，菜價(jià)也漲了，股票跌了，我應該怎么辦，怎么花自己的錢(qián)。這里面沒(méi)有規律么？肯定有，但是具體什么規律呢？卻很難說(shuō)清楚。

基于專(zhuān)家系統的經(jīng)濟屬于計劃經(jīng)濟，整個(gè)經(jīng)濟規律的表示不希望通過(guò)每個(gè)經(jīng)濟個(gè)體的獨立決策表現出來(lái)，而是希望通過(guò)專(zhuān)家的高屋建瓴和遠見(jiàn)卓識總結出來(lái)。專(zhuān)家永遠不可能知道哪個(gè)城市的哪個(gè)街道缺少一個(gè)賣(mài)甜豆腐腦的。于是專(zhuān)家說(shuō)應該產(chǎn)多少鋼鐵，產(chǎn)多少饅頭，往往距離人民生活的真正需求有較大的差距，就算整個(gè)計劃書(shū)寫(xiě)個(gè)幾百頁(yè)，也無(wú)法表達隱藏在人民生活中的小規律。

基于統計的宏觀(guān)調控就靠譜的多了，每年統計局都會(huì )統計整個(gè)社會(huì )的就業(yè)率，通脹率，GDP等等指標，這些指標往往代表著(zhù)很多的內在規律，雖然不能夠精確表達，但是相對靠譜。然而基于統計的規律總結表達相對比較粗糙，比如經(jīng)濟學(xué)家看到這些統計數據可以總結出長(cháng)期來(lái)看房?jì)r(jià)是漲還是跌，股票長(cháng)期來(lái)看是漲還是跌，如果經(jīng)濟總體上揚，房?jì)r(jià)和股票應該都是漲的。但是基于統計數據，無(wú)法總結出股票，物價(jià)的微小波動(dòng)規律。

基于神經(jīng)網(wǎng)絡(luò )的微觀(guān)經(jīng)濟學(xué)才是對整個(gè)經(jīng)濟規律最最準確的表達，每個(gè)人對于從社會(huì )中的輸入，進(jìn)行各自的調整，并且調整同樣會(huì )作為輸入反饋到社會(huì )中。想象一下股市行情細微的波動(dòng)曲線(xiàn)，正是每個(gè)獨立的個(gè)體各自不斷交易的結果，沒(méi)有統一的規律可循。而每個(gè)人根據整個(gè)社會(huì )的輸入進(jìn)行獨立決策，當某些因素經(jīng)過(guò)多次訓練，也會(huì )形成宏觀(guān)上的統計性的規律，這也就是宏觀(guān)經(jīng)濟學(xué)所能看到的。例如每次貨幣大量發(fā)行，最后房?jì)r(jià)都會(huì )上漲，多次訓練后，人們也就都學(xué)會(huì )了。

4.7人工智能需要大數據

然而神經(jīng)網(wǎng)絡(luò )包含這么多的節點(diǎn)，每個(gè)節點(diǎn)包含非常多的參數，整個(gè)參數量實(shí)在是太大了，需要的計算量實(shí)在太大，但是沒(méi)有關(guān)系啊，我們有大數據平臺，可以匯聚多臺機器的力量一起來(lái)計算，才能在有限的時(shí)間內得到想要的結果。

人工智能可以做的事情非常多，例如可以鑒別垃圾郵件，鑒別黃色暴力文字和圖片等。這也是經(jīng)歷了三個(gè)階段的。第一個(gè)階段依賴(lài)于關(guān)鍵詞黑白名單和過(guò)濾技術(shù)，包含哪些詞就是黃色或者暴力的文字。隨著(zhù)這個(gè)網(wǎng)絡(luò )語(yǔ)言越來(lái)越多，詞也不斷的變化，不斷的更新這個(gè)詞庫就有點(diǎn)顧不過(guò)來(lái)。第二個(gè)階段時(shí)，基于一些新的算法，比如說(shuō)貝葉斯過(guò)濾等，你不用管貝葉斯算法是什么，但是這個(gè)名字你應該聽(tīng)過(guò)，這個(gè)一個(gè)基于概率的算法。第三個(gè)階段就是基于大數據和人工智能，進(jìn)行更加精準的用戶(hù)畫(huà)像和文本理解和圖像理解。

由于人工智能算法多是依賴(lài)于大量的數據的，這些數據往往需要面向某個(gè)特定的領(lǐng)域(例如電商，郵箱)進(jìn)行長(cháng)期的積累，如果沒(méi)有數據，就算有人工智能算法也白搭，所以人工智能程序很少像前面的IaaS和PaaS一樣，將人工智能程序給某個(gè)客戶(hù)安裝一套讓客戶(hù)去用，因為給某個(gè)客戶(hù)單獨安裝一套，客戶(hù)沒(méi)有相關(guān)的數據做訓練，結果往往是很差的。但是云計算廠(chǎng)商往往是積累了大量數據的，于是就在云計算廠(chǎng)商里面安裝一套，暴露一個(gè)服務(wù)接口，比如您想鑒別一個(gè)文本是不是涉及黃色和暴力，直接用這個(gè)在線(xiàn)服務(wù)就可以了。這種形勢的服務(wù)，在云計算里面稱(chēng)為軟件即服務(wù)，SaaS(SoftwareASAService)

于是工智能程序作為SaaS平臺進(jìn)入了云計算。

終于云計算的三兄弟湊齊了，分別是IaaS，PaaS和SaaS，所以一般在一個(gè)云計算平臺上，云，大數據，人工智能都能找得到。對一個(gè)大數據公司，積累了大量的數據，也會(huì )使用一些人工智能的算法提供一些服務(wù)。對于一個(gè)人工智能公司，也不可能沒(méi)有大數據平臺支撐。所以云計算，大數據，人工智能就這樣整合起來(lái)，完成了相遇，相識，相知。