重塑人工智能的庞大数据资源

大数据的“4V”基本特征是以下四个方面内容。

1.VOLUME（体量）：数据体量巨大，从TB级别上升到PB级别；

2.ARIETY（类型）：数据类型众多，可能同时具有结构化、半结构化、非结构化数据，且数据多源、非标与非平稳；

3.VALUE（价值）：价值密度低，但商业价值高；

4.VELOCITY（速度）：处理速度快，1秒定律，与传统数据挖掘技术本质不同，支持在线服务。

我们知道，现在的大数据是公开评测的，因为人工智能发展到最近这五年，已经出现了大量公开的数据集，这个是干什么用的呢？就是评测这个算法好不好，主要是做学术研究。

还有一个专有大数据。专有大数据主要掌握在互联网巨头手上，这也是发展人工智能的一个优势，它是公司自己的、是不公开的。这些数据资源的重要性就像原油一样，是人工智能时代真正的一种战略性的资源。(www.xing528.com)

很早的时候英特尔的全球CEO就这么认为，在人工智能时代，新的石油是支撑人工智能产业的一个基础和关键。吴恩达把大数据比喻成燃油，把计算能力比喻成飞机的引擎，如果是油给得越多，引擎就可以运转得更强劲，飞机就飞得越高，载重越大，飞得更远。

人们知道大数据是如此的重要，数据给得越多，就能获得更好的感知直觉能力。从理论上讲就是要追求大的数据，追求完备的大数据，把数据所有的类型都能找到。比如像一个人，从来没见过飞机，现在这个方法就是把全世界所有的飞机照片都要找到，不管什么类型的飞机采集出来之后给它标上这是飞机，然后训练机器使它跟人一样去认识这个飞机，这就需要把所有的照片都找出来，就是所谓的完备大数据。

完备大数据也是相对的完备，实际上人们不可能把所有的照片都能找到，所以提完备大数据是不合理的，这完全是一个理想化的状态。那么又该怎么办呢？这就要靠举一反三。人们可以通过看几架飞机，通过举一反三就把所有的飞机全认识了。人具有举一反三的能力，这是机器现在还做不到的事情。

人们怎么去采集数据呢？有很多方法可以进行采集，比如用摄像头拍，就是采集图像的数据、视频的数据；又比如用话筒采集音频的数据。采完之后对它进行“清洗”，很多明显不对的东西就把它去掉。

怎样给数据做标签呢？可以采用互联网的方法，采用众包的方法。北京现在就有很多这样的企业，专门做大数据处理的，做标签的公司非常之多。现在的方法必须是要求大数据具有完备性和真实性。前面讲到的完备性实际上是很难满足的，这也是大数据存在的大问题，比如谷歌它的自主驾驶汽车的里程已经超过500万千米了，但这个数据还不够。总之，采集数据可以采用众集的方法，然后采用互联网众包的方法来“清洗”和标签。

大数据的重要性如同原油一样，很多企业（包括跨国企业）都视之为战略资源，尤其是做了标签的数据（具有真正价值），是不会随便给人使用的。