一、“数据”概述
虽然我对人工智能的具体情况尚不了解，但大致知道现阶段的人工智能需要以大数据为基础，而《智能时代》第一章即详细介绍了数据的相关问题。
首先，“在计算机出现之前，一般书籍上的文字内容并不被看成数据，”而今天，不止书籍上的文字内容，连我们的活动，我们每天的言谈举止，喜爱偏好等，都已被看成是某种数据。
在人类社会早期，我们通过观察现象，总结数据，再从数据中提取出有用的信息，并在信息的基础上形成知识（知识具有系统性），从而指导我们的行为。我们使用数据的标准流程如下：
而在过去数据的作用之所以不被重视，“这里面有两个原因，首先是由于过去数据量不足，积累大量的数据所需要的时间太长，以至于在较短的时间里它的作用不明显。其次，数据和所想获得的信息之间的联系通常是间接的，它要通过不同数据之间的相关性才能体现出来。”而这种相关性也有待人们的发掘，吴军老师举了王进喜照片与日本投标之间的关联、谷歌用户对某节目的搜索量和该节目收视率之间的关联以及搜索趋势和流感疫情之间的关联等来说明相关性的重要。
而关于第一个原因，“在互联网出现之前，获得大量的具有代表性的数据其实并非一件容易事，在误差允许的范围内做些统计当然没有问题，但只有在很少的情况下能够单纯依靠数据来解决复杂的问题。因此在20世纪90年代之前，整个社会对数据并不是很看重。”
数据的相关性还要透过建立合适的数学模型来更好的加以利用，“要建立数学模型就要解决两个问题，首先是采用什么样的模型，其次是模型的参数是多少。”“……如果一开始模型选得不好，那么以后修修补补就很困难。因此，在过去，无论在理论上还是工程上，大家都把主要的精力放在寻找模型上。”
“有了模型之后，第二步就是要找到模型的参数，以便让模型至少和以前观察到的数据相吻合。这一点在过去的被重视程度远不如找模型。但是今天他又有了一个比较时髦而高深的词——机器学习。”（程按：既输入数据，不断调整模型，这和今天机器学习的方法类似）
“回到数学模型上，其实只要数据量足够，就可以用若干个简单的模型取代一个复杂的模型。这种方法被称为数据驱动方法，因为它是先有大量的数据，而不是预设的模型，然后用很多简单的模型去契合数据（Fit Data）。虽然这种数据驱动方法在数据量不足时找到的一组模型可能和真实的模型存在一定的偏差，但是在误差允许的范围内，单从结果上看和精确的模型是等效的，这在数学上是有根据的。从原理上讲，这类似于前面提到的切比雪夫大数定律。
当然，数据驱动方法要想成功，除了数据量大之外，还要有一个前提，那就是样本必须非常具有代表性，这在任何统计学教科书里的一句话，但是在现实生活中要做到是非常难的。……”
二、大数据和机器智能
“在2000年以后，由于互联网特别是后来移动互联网的出现，数据量不仅剧增，而且开始相互关联，出现了大数据的概念，在2000 年以后，由于互联网特别是后来移动互联网的出现，科学家和工程师们发现，采用大数据的方法能够使计算机的智能水平产生飞跃，这样在很多领域计算机将获得比人类智能更高的智能。可以说我们正在经历一场由大数据带来的技术革命，其最典型的特征就是计算机智能水平的提高，因此我们不妨把这场革命称为智能革命。当计算机的智能水平赶上甚至超过人类时，我们的社会就要发生天翻地覆的变化，这才是大数据的可怕之处。
那么为什么大数据会最终导致这样的结果，大数据和机器智能是什么关系呢？要说清楚这一一点，首先要说明什么是机器智能。”
“1946年，第一台电子计算机ENIAC诞生，这使得人类重新开始考虑机器能否有智能的问题。”
“真正科学地定义什么是机器智能的还是电子计算机的奠基人阿兰·图灵博士。1950年，图灵在《思想》杂志上发表了一篇题为《计算的机器和智能》的论文。在论文中，图灵既没有讲计算机怎样才能获得智能，也没有提出什么解决复杂问题的智能方法，而只是提出了一种验证机器有无智能的判别方法。”既让一个裁判坐在墓前和幕后的“人”交流，幕后是一台机器和一个人，如果裁判无法判断出与自己交流的是人还是机器，那么就说明这台机器拥有了和人同等的智能。
“这种方法被后人称为图灵测试（Turing Test）。计算机科学家们认为，如果计算机实现了下面几件事情中的一件，就可以认为它有图灵所说的那种智能:
1语音识别
2机器翻译
3文本的自动摘要或者写作
4战胜人类的国际象棋冠军
5自动回答问题
今天，计算机已经做到了上述这几件事情，有些时候还超额完成了任务，比如在下棋方面，不仅战胜了国际象棋的世界冠军，而且还战胜了围棋的世界冠军，后者的难度比前者高出6～8个数量级。当然，人类走到这一步并非一帆风顺，而是先走了十几年的弯路。”
鸟飞派:人工智能10
“据记载，1956年的夏天，香农和一群年轻的学者在达特茅斯学院召开了一次头脑风暴式的研讨会。……事实上，这是一次头脑风暴式的讨论会。这10位年轻的学者讨论的是当时计算机科学尚未解决，甚至尚未开展研究的问题，包括人工智能、自然语言处理和神经网络等。人工智能这个说法便是在这次会议上提出的。”
“人工智能这个名词严格地讲在今天有两个定义，第一个是泛指机器智能，也就是任何可以让计算机通过图灵测试的方法，包括我们在本书中要经常讲的数据驱动方法。第二个是狭义上的概念，即20世纪五六十年代特定的研究机器智能的方法。今天，几乎所有书名含有“人工智能”字样的教科书（包括全球销量最大的由斯图亚特·罗素和诺威格编写的《人工智能:一种现代的方法》一书）依然用主要的篇幅介绍那些“好的老式的人工智能”（Good Old
Fashioned）。后来那些利用其他方法产生机器智能的学者为了划清自己和传统方法的界限，特地强调自己不是用人工智能的方法。因此，学术界将机器智能分为传统人工智能的方法和现代其他的方法（比如数据驱动、知识发现或者机器学习）。当然，计算机领域之外的人在谈到人工智能时，常常是泛指任何机器智能，而并不局限于传统的方法。因此为了便于区分，我们在本书中尽可能地使用机器智能表示广义上的概念，而在使用人工智能表达时，通常是指传统的人工智能方法，甚至我们有时会强调为人工智能10。
那么传统的人工智能方法是什么呢？简单地讲，就是首先了解人类是如何产生智能的，然后让计算机按照人的思路去做。今天几乎所有的科学家都不坚持“机器要像人一样思考才能获得智能”，但是很多的门外汉在谈到人工智能时依然想象着“机器在像我们那样思考”，这让他们既兴奋又担心。事实上，当我们回到图灵博士描述机器智能的原点时就能发现，机器智能最重要的是能够解决人脑所能解决的问题，而不在于是否需要采用和人一样的方法。
为什么早期科学家们的想法会和今天的门外汉一样天真呢？这个道理很简单，因为这是根据我们的直觉最容易想到的方法，在人类发明的历史上，很多领域早期的尝试都是模仿人或者动物的行为。比如人类在几千年之前就梦想着飞行，于是就开始模仿鸟，在东方和西方都有类似的记录，将鸟的羽毛做成翅膀绑在人的胳膊上往下跳，当然实验的结果都可想而知。后来人们把这样的方法论称作“鸟飞派”，也就是看看鸟是怎样飞的，就能模仿鸟造出飞机，而不需要了解空气动力学。事实上我们知道，怀特兄弟发明飞机靠的是空气动力学而不是仿生学。在这里，我们不要笑话前辈来自直觉的天真想法，这是人类认识的普遍规律。
在人工智能刚被提出来的时候，这个研究课题在全世界都非常热门，大家仿佛觉得用不了多长时间就可以让计算机变得比人聪明了。遗憾的是，经过十几年的研究，科学家们发现人工智能远不是那么回事，除了做出了几个简单的“玩具”，比如让机器人像猴子一样摘香蕉，解决不了什么实际问题。到了20世纪60年代末，计算机科学的其他分支都发展得非常迅速，但是人工智能研究却开展不下去了。因此，美国计算机学界开始反思人工智能的发展。虽然一些人认为机器之所以智能水平有限，是因为它还不够快、容量不够大，但是，也有一些有识之士认为，科学家们走错了路，照着那条路走下去，计算机再快也解决不了智能问题。”
明斯基在《语义信息处理》引用了巴希勒使用过的一个例子: The pen was
in the box和The box was in the pen，来说明目前人工人工智能的局限性。
“这两句话会得到相同的语法分析树，而仅仅根据这两句话本身，甚至通篇文章，是无法判定pen在哪一句话中应该作为围栏，在哪一句话中应该是钢笔的意思。事实上人对这两句话的理解并非来自语法分析和语意本身，而是来自他们的常识或者说关于世界的知识（world knowledge），这个问题是传统的人工智能方法解决不了的。因此，明斯基给出了他的结论:‘目前’（指1968年）的方法无法让计算机真正有类似于人的智能。由于明斯基在计算机科学界具有崇高的声望，他的这篇论文导致美国政府削减了几乎全部人工智能研究的经费，在之后大约20年左右的时间里，全世界人工智能在学术界的研究是处于低谷的。”
另辟蹊径:统计＋数据
“到了20世纪70年代，人类开始尝试机器智能的另一条发展道路，即采用数据驱动和超级计算的方法，而这个尝试始于工业界而非大学。
在那个年代，IBM在全世界计算机乃至整个IT产业可以说是处于独孤求败的地位。……这时，IBM考虑的不能再是如何占有更大的市场份额，而是如何让计算机变得更聪明。
1972年，康奈尔大学的教授弗雷德·贾里尼克（Fred Jelinek，1932-2010）到IBM做学术休假，正好这时IBM想开发“聪明的计算机”，贾里尼克就“临时”负责起这个项目。至于什么是聪明的计算机，当时大家的共识是它要么能够听懂人的话，要么能将一种语言翻译成另一种语言，要么能够赢得了国际象棋的世界冠军。贾里尼克根据自己的特长和IBM的条件，选择了第一个任务，即计算机自动识别人的语音。”
贾里尼克认为语音识别是一个智能问题，而是一个通信问题，既人发出语音是一个大脑编码的过程，编码完成，经过传播，传入听者的耳朵，听者接受并理解则是一个解码的过程，而对于语音识别问题也可以按此处理，他“用当时已经颇为成熟的数字通信的各种技术来实现语音识别，而彻底抛开了人工智能的那一套方法（指传统的方法，让计算机模拟人）”
“贾里尼克和他的同事在研究语音识别时，无意中开创了一种采用统计的方法解决智能问题的途径，因为这种方法需要使用大量的数据，因此又被称为数据驱动方法。这种方法最大的好处是，随着数据量的积累，系统会变得越来越好，相比之下过去人工智能的方法很难受益于数据量的提升。”
“在语音识别之后，欧洲和美国的科学家开始考虑能否用数据驱动方法解决其他智能问题。贾里尼克的同事彼得·布朗（Peter Brown）在20世纪80年代，将这种数据驱动方法用于机器翻译。但是由于缺乏数据，最初的翻译结果并不令人满意，虽然一些学者认可这种方法，但是其他学者，尤其是早期从事这项工作的学者认为，解决机器翻译这样智能的问题，光靠基于数据的统计是不够的。从20世纪80年代初到90年代中期大约十多年的时间里，在计算机界大家一直有个争议，那就是数据驱动方法是否适用于各种领域，语音识别是否只是一个特例。简单地讲，当时无论是做语音识别、机器翻译、图像识别，还是自然语言理解的学者，分成了界限很明确的两派，一派坚持采用传统的人工智能方法解决问题，简单来讲就是模仿人，另一派在倡导数据驱动方法。这两派在不同的领域力量不一样，在语音识别和自然语言理解领域，提倡数据驱动的一派比较快地占了上风；而在图像识别和机器翻译方面，在较长时间里，数据驱动这一派处于下风。这里面主要的原因是，在图像识别和机器翻译领域，过去的数据量非常少，而这种数据的积累非常困难。图像识别就不用讲了，在互联网出现之前，没有一个实验室有上百万张。在机器翻译领域，所需要的数据除了一般的文本数据，还需要大量的双语（甚至是多语种）对照的数据，而在互联网出现之前，除了《圣经》和少量联合国文件，再也找不到类似的数据了。”但随着互联网的兴起，数据的获取变得容易起来，2005年谷歌公司打败全世界所有机器翻译研究团队所用的方法依然是数据驱动方法，而之所以能赢，则是因为“用了比其他研究所多几千倍甚至上万倍的数据。”
“如今在很多与“智能”有关的研究领域，比如图像识别和自然语言理解，如果所采用的方法无法利用数据最的优势，会被认为是落伍的。
数据驱动方法从20 世纪70年代开始起步，在八九十年代得到缓慢但稳步的发展。进入21世纪后，由于互联网的出现，使得可用的数据量剧增，数据驱动方法的优势越来越明显，最终完成了从量变到质变的飞跃。如今很多需要类似人类智能才能做的事情，计算机已经可以胜任了，这得益于数据量的增加。
全世界各个领域数据不断向外扩展，渐渐形成了另外一个特点，那就是很多数据开始出现交叉，各个维度的数据从点和线渐渐连成了网，或者说，数据之间的关联性极大地增强，在这样的背景下，就出现了大数据。”
“在有大数据之前，计算机并不擅长解决需要人类智能来解决的问题， 但是今天这些问题换个思路就可以解决了，其核心就是变智能问题为数据问题。由此，全世界开始了新的一一轮技术革命智能革命。”
尽管过往数年，计算机能做的事情越来越来，但给人的感觉仍然是“快却不够聪明”，但当我们拥有足够多的数据之后，便可以化智能问题为数据问题，机器不再需要像人一样思考才能解决问题，只要输入足够的数据，配合合适的算法（模型），机器便可以做出最优的判断。深蓝即使战胜了卡斯帕罗，“但在这看似聪明的表象背后，其实是大量的数据、并不算复杂的算法和超强计算能力的结合——深蓝从来没有，也不需要像人一样思考。”
“计算机下棋和回答问题，体现出大数据对机器智能的决定作用。我们在后面会看到很多各种各样的机器人，比如 Google自动驾驶汽车、能够诊断癌症或者为报纸写文章的计算机，它们不需要像科幻里的机器人那样长着人形，但是它们都在某个方面具有超过人类的智能。在这些机器人的背后，是数据中心强大的服务器集群，而从方法上讲，它们获得智能的方法不是和我们人一样靠推理，而更多的是利用大数据，从数据中学习获得信息和知识。如今，这一场由大数据引发的改变世界的革命已经悄然发生，我们在后面的几章会更深入地介绍它。这次技术革命的特点是机器的智能化，因此我们称之为智能革命也毫不为过。”1、《人机平台》，作者是安德鲁•麦卡菲和埃里克•布莱恩约弗森；
2、《智能时代》，作者是杰夫·霍金斯；
3、《智能革命》，作者是李彦宏；
4、《未来简史》，作者是尤瓦尔·赫拉利；
5、《腾讯传》，作者是吴晓波；
6、《互联网 :国家战略行动路线图》，作者是马化腾；
7、《众创时代》，作者是吴霁虹·桑德森；
8、《我的互联网方法论》，作者是周鸿祎；
9、《科技想要什么》，作者是凯文·凯利；
10、《浪潮之巅》，作者是吴军。
开阔思维的书籍有：
1、《智能革命：迎接人工智能时代的社会、经济与文化变革》
中信出版集团于2017年4月20出版的一本前沿新著。作者是百度CEO李彦宏等。本书内容涵盖了人工智能发展的主要领域，刻画了人工智能未来发展的场景和商业模式，对我国各行各业应对智能化转型提供了很好的指引和借鉴。
2、《人工智能》
“人工智能”被写入2017年政府工作报告，智能革命时代先行者李开复解读AI如何重塑个人、商业与社会的未来图谱。2017年5月文化发展出版社出版图书。
3、《理想国》
《理想国》是古希腊哲学家柏拉图（公元前427-公元前347年）创作的哲学对话体著作。全书主要论述了柏拉图心中理想国的构建、治理和正义，主题是关于国家的管理。
4、《资本论》
《资本论》（全称《资本论：政治经济学批判》）是德国思想家卡尔·海因里希·马克思创作的政治经济学著作，分为三卷出版。
5、《爱弥儿》
《爱弥儿》是法国思想家让-雅克·卢梭创作的教育学著作，首次出版于1762年。该书是一本夹叙夹议的教育小说，书中以富家孤儿爱弥儿为主人公，论述了男子的教育改革，批判英国旧教育的荒谬腐朽，并提出新教育的原则和理想。
《博弈圣经》人工智能的定义:人们把理性看成智能、把智能看成（0、1、2）三维数码，把三维数码看成逻辑，人工智能，也就是理性的三维数码逻辑（+-×÷）的精确运算。（从中找到“中心化”的粒子基因常数）机械思维的局限性：否认不确定性和不可知性。信息时代，这种局限性逐渐显现。不确定性是这个世界的重要特征，很多事情难以用确定的公式或规则表示，但并非无规律可循，可用概率论来描述。香农在概率论基础上建立了信息论。把信息和世界的不确定性（无序状态）联系到一起。
克劳修斯提出“熵”的概念，即一个系统完全达到恒温时，就无法做功，此时熵最大。
香农把熵和信息量联系了起来：要想消除系统的不确定性，就要引入信息。
信息论是一种全新的方法论，与机械思维建立在确定性基础上截然不同，是建立在不确定性基础上。
信息时代的方法论： 谁掌握了信息，谁就能够获取财富 ，如同工业时代谁掌握了资本谁就能获取财富。
互信息：信息的相关性。
香农第一定律（信源编码定律）：对信源发出的所有信息设计一种编码，那么编码的平均长度一定大于该信源的信息熵，同时一定存在一种编码方式，使得编码的平均长度无限接近于它的信息熵。
香农第二定律：信息的传播速率不可能超过信道的容量。描述了通信领域最跟的规律，是自然界本身的固有规律，能解释很多商业行为。如人脉是人与人交往的带宽，人脉不够，发出的信息和获得的信息都有限，生意很难做大。
最大熵原理：当我们对未知的事件寻找概率模型时，这个模型应当满足我们所有已经看到的数据，但是对未知的情况不要做任何主观假设。
智能问题从根本上讲是消除不确定性的问题。
交叉熵：库尔贝克等人提出。它可以反映两个信息源之间的一致性或两种概率模型之间的一致性。两个数据源完全一致，交叉熵为零，相差很大，交叉熵也很大。
大数据的科学基础是信息论，其本质是利用信息消除不确定性。
现有产业+大数据（机器智能）=新产业
并非每一家公司都要从事新技术产品本身的制造，更多时候它们是利用新技术改造原有产业。
智能革命和未来社会
正面：
大数据和机器智能使我们生活的环境更加安全。可以让我们整体的社会环境乃至文明程度有质的飞跃。
工业革命前，人类使用的产品和服务有细微差别（个性化），但效率低；工业革命后，人类使用的产品和服务无差别（标准化），个性化消失；智能时代，机器智能足以提供各种个性化服务，同时成本和标准化服务相当（个性化又回来了）。
负面：
人们将生活在一个没有隐私的环境。将来可能很麻烦，不仅仅是在淘宝上总被送假货，买机票总比别人贵20%那么简单，可能涉及我们的健康和医疗，可能没有医院会接收我们住院；
人们会被一些超级权利在无形中控制；
很多人因为没有掌握未来生存技能而失业；
财富更加集中在少数人手里。
智能革命将比过去历次技术革命来得更深刻，对社会带来的冲击可能是空前的。
历史上有影响力可以和正在进行的智能革命相比的，只有
19世纪末始于英国的工业革命、
20世纪末始于美国和德国的第二次工业革命、
“二战”后以摩尔定律为标准的信息革命。
从工业革命到黄金时代：
工业革命带来三个结果：人类过得好了，人类活得长了，人类有自信和尊严了。
工业革命之前的几千年时间里，劳动力的数量和能提供给生产所使用的动力是不足的，商品是供不应求的。工业革命后，情况大不同。马克思说“资产阶级在它不到100年的阶级统治中所创造的生产力，比过去一切时代创造的全部生产力还要多，还要大。”
1800年-2000年间，南欧、西欧、北欧人均GDP水平增长了近20倍（从1000美元增加到20000美元）。中国在1979年-2014年间，人均GDP考虑购买力涨不止10倍，不考虑购买力涨40倍。
中国用35年时间走完了欧洲200多年走完的路，从农耕时代到早期工业时代、大工业时代和后工业时代（信息时代），并与世界同步进入后信息时代。
新技术在出现的初期，受益者是非常少的，他们通常只是那些掌握新技术或者使用新技术、从事新行业的人。18世纪末到19世纪上半叶是英国贫富分化严重、社会矛盾重重的半个多世纪。也正是那个年代，英国出现了空前绝后的工人运动，催生出马克思主义。
英国人花了大约两代人的时间消化工业革命带来的负面影响。如何解决工业革命的副作用？资本输出→开拓全球殖民地→推行自由贸易。
工业革命对社会的影响分三个阶段：
一，发明家和工厂主受益，普通民众不受益；
二，全体英国民众受益，世界范围内大家不受益，两个阶段差半个多世纪；
三，整个世界受益。
第二次工业革命，此模式重复出现。
从第二次工业革命到镀金时代
第二次工业革命的核心是电的使用。刚开始一段时间美国贫富分化程度达到北美殖民以来最高点，且比今天严重的多。发生了美国历史上不多见的工人激进运动，南方传统经济被北方大工业彻底碾碎，直到今天，南部经济依然落后北方。
美国已没有那么多殖民地待开发，好在有天然的地理优势，有广袤的中西部处女地待开发。从1870年到19世纪20年代（镀金时代，柯立芝繁荣），经过半个世纪的努力，美国才基本实现全面繁荣。德国为了输出产能，不得不发动第一次世界大战，战败后问题没有得到解决，导致民粹主义泛滥，最终劳工阶层把纳粹推上台。
“在人类历史上最富有的75人中，有1/5出生在1830-1840年的美国，包括钢铁大王卡内基、石油大王洛克菲勒等。”——《异类》马尔科姆格拉德维尔
依然没消化完的信息革命
过去30年里，美国和中国两个国家贡献了全球超过一半的GDP增长，除去这两个国家，世界大部分地区情况并不美妙。它们自有的旧的经济结构落伍，新的经济结构虽能享受信息革命的产品，确享受不到经济增长。
全世界范围看，消化掉信息革命的冲击波或许还需更长时间，然而现在大数据和机器智能革命已经来敲门。
从目前发展来看，智能革命对社会的冲击有可能超过过去几次技术革命。
首先，信息革命本身带来的影响还没有消化完。
其次，今天的世界和200年前已经不同，消化掉技术革命的影响要比工业革命时难得多。
最后，智能革命所要替代的是人类最值得自豪的部分——大脑。
当全社会各行各业的从业人数都因机器智能而减少时，全世界几十亿劳动力怎么办？是否能有良好的解决办法？坦率地讲，谁也没有。
即便没有好的方法，我们也要在观念上接受这样的事实，即越来越多的事情， 人类将做不过机器 。我们今后的决定，应该根据这个前提来做，只有面对现实，才能最终建设一个让所有积极向上的人都具有成就感和幸福感的社会。
虽然我们不知道如何在短期内创造出能消化几十亿劳动力的产业，但是我们很清楚如何让自己在智能革命中受益，而不是被抛弃。答案很简单，争当2%的人，而不是自豪地宣称自己是98%的人。
Google的AlphaGo，其实并不知道自己在下棋。但是，制造智能机器的人就不同了，他们可能只占人口的不到2%甚至更少，却在某种程度上控制着世界。
在销售商品的时代，我们认为越便宜越合算；到了提供服务的时代，我们发现忽然有了很多免费的服务，我们为此欢呼，但不久我们发现， 看似免费的东西才是最贵的，因为我们在获得这些服务的同时交出了自己的自由 。而只有当我们在失去自由，利益受损时，才会体会到自由的可贵。
在智能革命到来之际，作为人和企业无疑应该拥抱它，让自己成为那2%的受益者；作为国家，则需要未雨绸缪，争取不要像过去那样每一次重大的技术革命都伴随半个多世纪的动荡。
这将是一个让我们振奋的时代，也是一个给我们带来空前挑战的时代。
《智能时代》（[美国] 吴军）电子书网盘下载免费在线阅读
资源链接：
8162
书名：智能时代
作者：[美国] 吴军
豆瓣评分：84
出版社：中信出版集团
出版年份：2016-8
页数：374
内容简介：
大数据和机器智能的出现，对我们的技术发展、商业和社会都会产生重大的影响。作者吴军在《智能时代：大数据与智能革命重新定义未来》中指出，首先，我们在过去认为非常难以解决的问题，会因为大数据和机器智能的使用而迎刃而解，比如解决癌症个性化治疗的难题。同时，大数据和机器智能还会彻底改变未来的商业模式，很多传统的行业都将采用智能技术实现升级换代，同时改变原有的商业模式。大数据和机器智能对于未来社会的影响是全方位的。
作者简介：
吴军，博士，与2002年加入谷歌公司，2010年加盟腾讯公司，出任负责搜索和搜索广告的副总裁。2012-2014年回到谷歌，领导计算机自动问答项目。2014年，他在硅谷创办了丰元资本风险投资公司。他在美国两家风险投资基金（中国世纪基金和ZPark风险基金）分别担任董事和顾问，也是约翰霍普金斯大学工商学院董事会董事，以及该校国际事务委员会的顾问。
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）