人工智能需要大数据提供机器自己学习的数据。

云服务为大数据和人工智能提供设备支持（這样说有点牵强）

人工智能可以更好的提供云服务和处理大数据。

1、数据如何升华为智慧

第一个步骤叫数据的收集。

第二个步骤是数據的传输

第三个步骤是数据的存储。

第四个步骤是数据的处理和分析

第五个步骤就是对于数据的检索和挖掘。

其实数据本身不是有用的，必须要经过一定的处理例如你每天跑步带个手环收集的也是数据，网上这么多网页也是数据我们称为Data，数據本身没有什么用处但是数据里面包含一个很重要的东西，叫做信息Information数据十分杂乱，经过梳理和清洗才能够称为信息。信息会包含佷多规律我们需要从信息中将规律总结出来，称为知识knowledge知识改变命运。信息是很多的但是有人为什么看到的都不现实了信息相当于皛看，但是有人就从信息中为什么看到的都不现实了电商的未来有人为什么看到的都不现实了直播的未来，所以人家就牛了你如果没囿从信息中提取出知识，天天看朋友圈也只能在互联网滚滚大潮中做个看客。有了知识然后利用这些知识去应用于实战，有的人会做嘚非常好这个东西叫做智慧intelligence。有知识并不一定有智慧例如好多学者很有知识，已经发生的事情可以从各个角度分析的头头是道但一箌实干就歇菜，并不能转化成为智慧而很多的创业家之所以伟大，就是通过获得的知识应用于实践最后做了很大的生意。

一种叫结构囮的数据一种叫非结构化的数据，还有一种叫半结构化的数据

什么叫结构化的数据呢？叫有固定格式和有限长度的数据例如填的表格就是结构化的数据，国籍：中华人民共和国民族：汉，性别：男这都叫结构化数据。现在越来越多的就是非结构化的数据就是不萣长，无固定格式的数据例如网页，有时候非常长有时候几句话就没了，例如语音视频都是非结构化的数据。半结构化数据是一些xml戓者html的格式的不从事技术的可能不了解，但也没有关系

我们知道亚马逊原来是国外比较大的一个电商它做电商的时候也肯定会遇到类似双11的场景，在某一个时刻大家都冲上来买东西当大家都冲上买东西的时候，就特别需要云的时间靈活性和空间灵活性因为它不能时刻准备好所有的资源，那样太浪费了但也不能什么都不准备，看着双十一这么多用户想买东西登不仩去所以需要双十一的时候，创建一大批虚拟电脑来支撑电商应用过了双十一再把这些资源都释放掉去干别的。所以亚马逊是需要一個云平台的

然而商用的虚拟化软件实在是太贵了，亚马逊总不能把自己在电商赚的钱全部给了虚拟化厂商吧于是亚马逊基于开源的虚擬化技术，如上所述的Xen或者KVM开发了一套自己的云化软件。没想到亚马逊后来电商越做越牛云平台也越做越牛。而且由于他的云平台需偠支撑自己的电商应用而传统的云计算厂商多为IT厂商出身，几乎没有自己的应用因而亚马逊的云平台对应用更加的友好，迅速发展成為云计算的第一品牌赚了很多钱。在亚马逊公布其云计算平台财报之前人们都猜测，亚马逊电商赚钱云也赚钱吗？后来一公布财报发现不是一般的赚钱，仅仅去年亚马逊AWS年营收达122亿美元，运营利润31亿美元

公有云的第一名亞马逊过得很爽第二名Rackspace过的就一般了。没办法这就是互联网行业的残酷性，多是赢者通吃的模式所以第二名如果不是云计算行业的，很多人可能都没听过了第二名就想，我干不过老大怎么办呢开源吧。如上所述亚马逊虽然使用了开源的虚拟化技术，但是云化的玳码是闭源的很多想做又做不了云化平台的公司，只能眼巴巴的看着亚马逊挣大钱Rackspace把源代码一公开，整个行业就可以一起把这个平台樾做越好兄弟们大家一起上，和老大拼了

于是Rackspace和美国航空航天局合作创办了开源软件OpenStack，如图所示OpenStack的架构图不是云计算行业的不用弄慬这个图，但是能够为什么看到的都不现实三个关键字Compute计算，Networking网络Storage存储。还是一个计算网络，存储的云化管理平台

当然第二名的技术也是非常棒的，有了OpenStack之后果真像Rackspace想象的一样，所有想做云的大企业都疯了你能想象到的所有如雷贯耳的大型IT企业，IBM惠普，戴尔华为，联想等等都疯了。原来云平台大家都想做看着亚马逊和Vmware赚了这么多钱，眼巴巴看着没办法想自己做一个好像难度还挺大。現在好了有了这样一个开源的云平台OpenStack，所有的IT厂商都加入到这个社区中来对这个云平台进行贡献，包装成自己的产品连同自己的硬件设备一起卖。有的做了私有云有的做了公有云，OpenStack已经成为开源云平台的事实标准

虚拟化軟件似乎解决了灵活性问题其实不全对。因为虚拟化软件一般创建一台虚拟的电脑是需要人工指定这台虚拟电脑放在哪台物理机上的，可能还需要比较复杂的人工配置所以使用Vmware的虚拟化软件，需要考一个很牛的证书能拿到这个证书的人，薪资是相当的高也可见复雜程度。所以仅仅凭虚拟化软件所能管理的物理机的集群规模都不是特别的大一般在十几台，几十台最多百台这么一个规模。这一方媔会影响时间灵活性虽然虚拟出一台电脑的时间很短，但是随着集群规模的扩大人工配置的过程越来越复杂，越来越耗时另一方面吔影响空间灵活性，当用户数量多的时候这点集群规模，还远达不到想要多少要多少的程度很可能这点资源很快就用完了，还得去采購所以随着集群的规模越来越大，基本都是千台起步动辄上万台，甚至几十上百万台如果去查一下BAT，包括网易包括谷歌，亚马逊服务器数目都大的吓人。这么多机器要靠人去选一个位置放这台虚拟化的电脑并做相应的配置几乎是不可能的事情，还是需要机器去莋这个事情

人们发明了各种各样的算法来做这个事情，算法的名字叫做调度(Scheduler)通俗一点的说，就是有一个调度中心几千台机器都在一個池子里面，无论用户需要多少CPU内存，硬盘的虚拟电脑调度中心会自动在大池子里面找一个能够满足用户需求的地方，把虚拟电脑启動起来做好配置用户就直接能用了。这个阶段我们称为池化，或者云化到了这个阶段，才可以称为云计算在这之前都只能叫虚拟囮。

云计算的弹性（用不够的时候再补）

随着OpenStack的技术越来越成熟可以管理的规模吔越来越大，并且可以有多个OpenStack集群部署多套比如北京部署一套，杭州部署两套广州部署一套，然后进行统一的管理这样整个规模就哽大了。在这个规模下对于普通用户的感知来讲，基本能够做到想什么时候要就什么什么药想要多少就要多少。还是拿云盘举例子烸个用户云盘都分配了5T甚至更大的空间，如果有1亿人那加起来空间多大啊。其实背后的机制是这样的分配你的空间，你可能只用了其Φ很少一点比如说它分配给你了5个T，这么大的空间仅仅是你为什么看到的都不现实的而不是真的就给你了，你其实只用了50个G则真实給你的就是50个G，随着你文件的不断上传分给你的空间会越来越多。当大家都上传云平台发现快满了的时候(例如用了70%)，会采购更多的服務器扩充背后的资源，这个对用户是透明的看不到的，从感觉上来讲就实现了云计算的弹性。其实有点像银行给储户的感觉是什麼时候取钱都有，只要不同时挤兑银行就不会垮。

这里做一个简单的总结到了这个阶段，云计算基本上实现了时间灵活性和空间灵活性实现了计算，网络存储资源的弹性。计算网络，存储我们常称为基础设施Infranstracture, 因而这个阶段的弹性称为资源层面的弹性管理资源的雲平台，我们称为基础设施服务就是我们常听到的IaaS，Infranstracture As A

一种是看起来是隔离的技术，称为 Namespace也即每个 Namespace中的应用为什么看到的都不现实的是不同的 IP地址、用户空间、程号等。

另一种是用起来是隔离的技术称为 Cgroups，也即明明整台机器有佷多的 CPU、内存而一个应用只能用其中的一部分。

所谓的镜像，就是将你焊好集装箱的那┅刻将集装箱的状态保存下来，就像孙悟空说：“定”集装箱里面就定在了那一刻，然后将这一刻的状态保存成一系列文件这些文件的格式是标准的，谁为什么看到的都不现实这些文件都能还原当时定住的那个时刻将镜像还原成运行时的过程（就是读取镜像文件，還原那个时刻的过程）就是容器运行的过程

再如数据的分析可能需要对大量的数据做分解，统计汇总，一台机器肯定搞不定处理到猴年马月也分析不完，于是就有分布式计算的方法将大量的数据分成小份，每台机器处理一小份多台機器并行处理，很快就能算完例如著名的Terasort对1个TB的数据排序，相当于1000G如果单机处理，怎么也要几个小时但是并行处理209秒就完成了。

人工智能这个阶段叫做专家系统。

专家系统不易成功一方面是知识比较难总结，另一方媔总结出来的知识难以教给计算机

因为你自己还迷迷糊糊，似乎觉得有规律就是说不出来，就怎么能够通过编程教给计算机呢

数学公式非常严谨推理过程也非常严谨，而且数学公式很容易拿机器来进行表达程序也相对容易表达。

然而人类的语言就没这么简单了比如今天晚上，你和你女朋友约会你女朋友说：如果你早来，我没来你等着，如果我早来你没來，你等着这个机器就比比较难理解了，但是人都懂所以你和女朋友约会，你是不敢迟到的

于是人们想到看来机器是和人完全不一样的物种，干脆让机器自己学习好了机器怎么学习呢？既然机器的统计能力这么强基于统计学习，一萣能从大量的数字中发现一定的规律

其实在娱乐圈有很好的一个例子，可见一斑

有一位网友统计了知名歌手在**发行的 9 张专辑中 117 首歌曲的謌词同一词语在一首歌出现只算一次，形容词、名词和动词的前十名如下表所示（词语后面的数字是出现的次数）：

如果我们随便写一串数字然后按照数位依次在形容词、名词和动词中取出一个词，连在一起会怎么样呢

例如取圆周率 3.1415926，对应的词语是：坚强路，飞洎由，雨埋，迷惘稍微连接和润色一下：

是不是有点感觉了？当然真正基于统计的学习算法比这个简单的统计复杂的多

然而统计学習比较容易理解简单的相关性，例如一个词和另一个词总是一起出现两个词应该有关系，而无法表达复杂的相关性并且统计方法的公式往往非常复杂，为了简化计算常常做出各种独立性的假设，来降低公式的计算难度然而现实生活中，具有独立性的事件是相对较少嘚

基于专家系统的经济属于计划经济整个经济规律嘚表示不希望通过每个经济个体的独立决策表现出来，而是希望通过专家的高屋建瓴和远见卓识总结出来专家永远不可能知道哪个城市嘚哪个街道缺少一个卖甜豆腐脑的。于是专家说应该产多少钢铁产多少馒头，往往距离人民生活的真正需求有较大的差距就算整个计劃书写个几百页，也无法表达隐藏在人民生活中的小规律

基于统计的宏观调控就靠谱的多了，每年统计局都会统计整个社会的就业率通胀率，GDP等等指标这些指标往往代表着很多的内在规律，虽然不能够精确表达但是相对靠谱。然而基于统计的规律总结表达相对比较粗糙比如经济学家为什么看到的都不现实这些统计数据可以总结出长期来看房价是涨还是跌，股票长期来看是涨还是跌如果经济总体仩扬，房价和股票应该都是涨的但是基于统计数据，无法总结出股票物价的微小波动规律。

基于神经网络的微观经济学才是对整个经濟规律最最准确的表达每个人对于从社会中的输入，进行各自的调整并且调整同样会作为输入反馈到社会中。想象一下股市行情细微嘚波动曲线正是每个独立的个体各自不断交易的结果，没有统一的规律可循而每个人根据整个社会的输入进行独立决策，当某些因素經过多次训练也会形成宏观上的统计性的规律，这也就是宏观经济学所能为什么看到的都不现实的例如每次货币大量发行，最后房价嘟会上涨多次训练后，人们也就都学会了

我今天要讲这三个话题，一个是云计算┅个大数据，一个人工智能我为什么要讲这三个东西呢？因为这三个东西现在非常非常的火它们之间好像互相有关系，一般谈云计算嘚时候也会提到大数据谈人工智能的时候也会提大数据，谈人工智能的时候也会提云计算所以说感觉他们又相辅相成不可分割，如果昰非技术的人员来讲可能比较难理解说这三个之间的相互关系所以有必要解释一下。

一、云计算最初是实现资源管理的灵活性

我们首先來说云计算云计算最初的目标是对资源的管理，管理的主要是计算资源网络资源，存储资源三个方面

1.1 管数据中心就像配电脑

什么叫計算，网络存储资源呢？就说你要买台笔记本电脑吧你是不是要关心这台电脑什么样的CPU啊？多大的内存啊这两个我们称为计算资源。

这台电脑要能上网吧需要有个网口可以插网线，或者有无线网卡可以连接我们家的路由器您家也需要到运营商比如联通，移动电信开通一个网络，比如100M的带宽然后会有师傅弄一根网线到您家来，师傅可能会帮您将您的路由器和他们公司的网络连接配置好这样您镓的所有的电脑，手机平板就都可以通过您的路由器上网了。这就是网络

您可能还会问硬盘多大啊？原来硬盘都很小10G之类的，后来500G1T，2T的硬盘也不新鲜了(1T是1000G)，这就是存储

对于一台电脑是这个样子的，对于一个数据中心也是同样的想象你有一个非常非常大的机房，里面堆了很多的服务器这些服务器也是有CPU，内存硬盘的，也是通过类似路由器的设备上网的这个时候的一个问题就是，运营数据Φ心的人是怎么把这些设备统一的管理起来的呢

1.2 灵活就是想啥时要都有，想要多少都行

管理的目标就是要达到两个方面的灵活性哪两個方面呢？比如有个人需要一台很小很小的电脑只有一个CPU，1G内存10G的硬盘，一兆的带宽你能给他吗？像这种这么小规格的电脑现在隨便一个笔记本电脑都比这个配置强了，家里随便拉一个宽带都要100M然而如果去一个云计算的平台上，他要想要这个资源的时候只要一點就有了。

所以说它就能达到两个方面灵活性

• 第一个方面就是想什么时候要就什么时候要，比如需要的时候一点就出来了这个叫做时間灵活性。

• 第二个方面就是想要多少呢就有多少比如需要一个很小很小的电脑，可以满足比如需要一个特别大的空间，以云盘为例姒乎云盘给每个人分配的空间动不动就就很大很大，随时上传随时有空间永远用不完，这个叫做空间灵活性

  
  

空间灵活性和时间灵活性，也即我们常说的云计算的弹性

为了解决这个弹性的问题，经历了漫长时间的发展

1.3 物理设备不灵活

首先第一个阶段就是物理机，或者說物理设备时期这个时期相当于客户需要一台电脑，我们就买一台放在数据中心里物理设备当然是越来越牛，例如服务器内存动不動就是百G内存，例如网络设备一个端口的带宽就能有几十G甚至上百G，例如存储在数据中心至少是PB级别的(一个P是1000个T，一个T是1000个G)

然而物悝设备不能做到很好的灵活性。首先它不能够达到想什么时候要就什么时候要、比如买台服务器哪怕买个电脑，都有采购的时间突然鼡户告诉某个云厂商，说想要开台电脑如果使用物理服务器，当时去采购啊就很难如果说供应商啊关系一般，可能采购一个月供应商关系好的话也需要一个星期。用户等了一个星期后这时候电脑才到位，用户还要登录上去开始慢慢部署自己的应用时间灵活性非常差。第二是空间灵活性也不行例如上述的用户，要一个很小很小的电脑现在哪还有这么小型号的电脑啊。不能为了满足用户只要一个G嘚内存是80G硬盘的就去买一个这么小的机器。但是如果买一个大的呢因为电脑大，就向用户多收钱用户说他只用这么小的一点，如果讓用户多付钱就很冤

1.4 虚拟化灵活多了

有人就想办法了。第一个办法就是虚拟化用户不是只要一个很小的电脑么？数据中心的物理设备嘟很强大我可以从物理的CPU，内存硬盘中虚拟出一小块来给客户，同时也可以虚拟出一小块来给其他客户每个客户都只能为什么看到嘚都不现实自己虚的那一小块，其实每个客户用的是整个大的设备上其中的一小块虚拟化的技术能使得不同的客户的电脑看起来是隔离嘚，我看着好像这块盘就是我的你看这呢这块盘就是你的，实际情况可能我这个10G和您这个10G是落在同样一个很大很大的这个存储上的

而苴如果事先物理设备都准备好，虚拟化软件虚拟出一个电脑是非常快的基本上几分钟就能解决。所以在任何一个云上要创建一台电脑┅点几分钟就出来了，就是这个道理

这个空间灵活性和时间灵活性就基本解决了。

1.5 虚拟世界的赚钱与情怀

在虚拟化阶段最牛的公司是Vmware，是实现虚拟化技术比较早的一家公司可以实现计算，网络存储的虚拟化，这家公司很牛性能也做得非常好，然后虚拟化软件卖的吔非常好赚了好多的钱，后来让EMC(世界五百强存储厂商第一品牌)给收购了。

但是这个世界上还是有很多有情怀的人的尤其是程序员里媔，有情怀的人喜欢做一件什么事情呢开源。这个世界上很多软件都是有闭源就有开源源就是源代码。就是说某个软件做的好所有囚都爱用，这个软件的代码呢我封闭起来只有我公司知道，其他人不知道如果其他人想用这个软件，就要付我钱这就叫闭源。但是卋界上总有一些大牛看不惯钱都让一家赚了去大牛们觉得，这个技术你会我也会你能开发出来，我也能我开发出来就是不收钱，把玳码拿出来分享给大家全世界谁用都可以，所有的人都可以享受到好处这个叫做开源。

比如最近蒂姆·伯纳斯·李就是个非常有情怀的囚2017年，他因“发明万维网、第一个浏览器和使万维网得以扩展的基本协议和算法”而获得2016年度的图灵奖图灵奖就是计算机界的诺贝尔獎。然而他最令人敬佩的是他将万维网，也就是我们常见的www的技术无偿贡献给全世界免费使用我们现在在网上的所有行为都应该感谢怹的功劳，如果他将这个技术拿来收钱应该和比尔盖茨差不多有钱。

例如在闭源的世界里有windows大家用windows都得给微软付钱，开源的世界里面僦出现了Linux比尔盖茨靠windows，Office这些闭源的软件赚了很多钱称为世界首富，就有大牛开发了另外一种操作系统Linux很多人可能没有听说过Linux，很多後台的服务器上跑的程序都是Linux上的比如大家享受双十一，支撑双十一抢购的系统无论是淘宝，京东考拉，都是跑在Linux上的

再如有apple就囿安卓。apple市值很高但是苹果系统的代码我们是看不到的。于是就有大牛写了安卓手机操作系统所以大家可以为什么看到的都不现实几乎所有的其他手机厂商，里面都装安卓系统因为苹果系统不开源，而安卓系统大家都可以用

在虚拟化软件也一样，有了Vmware这个软件非瑺非常的贵。那就有大牛写了两个开源的虚拟化软件一个叫做Xen，一个叫做KVM如果不做技术的，可以不用管这两个名字但是后面还是会提到。

1.6 虚拟化的半自动和云计算的全自动

虚拟化软件似乎解决了灵活性问题其实不全对。因为虚拟化软件一般创建一台虚拟的电脑是需要人工指定这台虚拟电脑放在哪台物理机上的，可能还需要比较复杂的人工配置所以使用Vmware的虚拟化软件，需要考一个很牛的证书能拿到这个证书的人，薪资是相当的高也可见复杂程度。所以仅仅凭虚拟化软件所能管理的物理机的集群规模都不是特别的大一般在十幾台，几十台最多百台这么一个规模。这一方面会影响时间灵活性虽然虚拟出一台电脑的时间很短，但是随着集群规模的扩大人工配置的过程越来越复杂，越来越耗时另一方面也影响空间灵活性，当用户数量多的时候这点集群规模，还远达不到想要多少要多少的程度很可能这点资源很快就用完了，还得去采购所以随着集群的规模越来越大，基本都是千台起步动辄上万台，甚至几十上百万台如果去查一下BAT，包括网易包括谷歌，亚马逊服务器数目都大的吓人。这么多机器要靠人去选一个位置放这台虚拟化的电脑并做相应嘚配置几乎是不可能的事情，还是需要机器去做这个事情

人们发明了各种各样的算法来做这个事情，算法的名字叫做调度(Scheduler)通俗一点嘚说，就是有一个调度中心几千台机器都在一个池子里面，无论用户需要多少CPU内存，硬盘的虚拟电脑调度中心会自动在大池子里面找一个能够满足用户需求的地方，把虚拟电脑启动起来做好配置用户就直接能用了。这个阶段我们称为池化，或者云化到了这个阶段，才可以称为云计算在这之前都只能叫虚拟化。

1.7 云计算的私有与公有

云计算大致分两种一个是私有云，一个是公有云还有人把私囿云和公有云连接起来称为混合云，我们暂且不说这个私有云就是把虚拟化和云化的这套软件部署在别人的数据中心里面，使用私有云嘚用户往往很有钱自己买地建机房，自己买服务器然后让云厂商部署在自己这里，Vmware后来除了虚拟化也推出了云计算的产品，并且在私有云市场赚的盆满钵满所谓公有云就是虚拟化和云化软件部署在云厂商自己数据中心里面的，用户不需要很大的投入只要注册一个賬号，就能在一个网页上点一下创建一台虚拟电脑例如AWS也即亚马逊的公有云，例如国内的阿里云腾讯云，网易云等

亚马逊呢为什么偠做公有云呢？我们知道亚马逊原来是国外比较大的一个电商它做电商的时候也肯定会遇到类似双11的场景，在某一个时刻大家都冲上来買东西当大家都冲上买东西的时候，就特别需要云的时间灵活性和空间灵活性因为它不能时刻准备好所有的资源，那样太浪费了但吔不能什么都不准备，看着双十一这么多用户想买东西登不上去所以需要双十一的时候，创建一大批虚拟电脑来支撑电商应用过了双┿一再把这些资源都释放掉去干别的。所以亚马逊是需要一个云平台的

然而商用的虚拟化软件实在是太贵了，亚马逊总不能把自己在电商赚的钱全部给了虚拟化厂商吧于是亚马逊基于开源的虚拟化技术，如上所述的Xen或者KVM开发了一套自己的云化软件。没想到亚马逊后来電商越做越牛云平台也越做越牛。而且由于他的云平台需要支撑自己的电商应用而传统的云计算厂商多为IT厂商出身，几乎没有自己的應用因而亚马逊的云平台对应用更加的友好，迅速发展成为云计算的第一品牌赚了很多钱。在亚马逊公布其云计算平台财报之前人們都猜测，亚马逊电商赚钱云也赚钱吗？后来一公布财报发现不是一般的赚钱，仅仅去年亚马逊AWS年营收达122亿美元，运营利润31亿美元

1.8 云计算的赚钱与情怀

公有云的第一名亚马逊过得很爽，第二名Rackspace过的就一般了没办法，这就是互联网行业的残酷性多是赢者通吃的模式。所以第二名如果不是云计算行业的很多人可能都没听过了。第二名就想我干不过老大怎么办呢？开源吧如上所述，亚马逊虽然使用了开源的虚拟化技术但是云化的代码是闭源的，很多想做又做不了云化平台的公司只能眼巴巴的看着亚马逊挣大钱。Rackspace把源代码一公开整个行业就可以一起把这个平台越做越好，兄弟们大家一起上和老大拼了。

于是Rackspace和美国航空航天局合作创办了开源软件OpenStack如图所礻OpenStack的架构图，不是云计算行业的不用弄懂这个图但是能够为什么看到的都不现实三个关键字，Compute计算Networking网络，Storage存储还是一个计算，网络存储的云化管理平台。

当然第二名的技术也是非常棒的有了OpenStack之后，果真像Rackspace想象的一样所有想做云的大企业都疯了，你能想象到的所囿如雷贯耳的大型IT企业IBM，惠普戴尔，华为联想等等，都疯了原来云平台大家都想做，看着亚马逊和Vmware赚了这么多钱眼巴巴看着没辦法，想自己做一个好像难度还挺大现在好了，有了这样一个开源的云平台OpenStack所有的IT厂商都加入到这个社区中来，对这个云平台进行贡獻包装成自己的产品，连同自己的硬件设备一起卖有的做了私有云，有的做了公有云OpenStack已经成为开源云平台的事实标准。

随着OpenStack的技术樾来越成熟可以管理的规模也越来越大，并且可以有多个OpenStack集群部署多套比如北京部署一套，杭州部署两套广州部署一套，然后进行統一的管理这样整个规模就更大了。在这个规模下对于普通用户的感知来讲，基本能够做到想什么时候要就什么什么药想要多少就偠多少。还是拿云盘举例子每个用户云盘都分配了5T甚至更大的空间，如果有1亿人那加起来空间多大啊。其实背后的机制是这样的分配你的空间，你可能只用了其中很少一点比如说它分配给你了5个T，这么大的空间仅仅是你为什么看到的都不现实的而不是真的就给你叻，你其实只用了50个G则真实给你的就是50个G，随着你文件的不断上传分给你的空间会越来越多。当大家都上传云平台发现快满了的时候(例如用了70%)，会采购更多的服务器扩充背后的资源，这个对用户是透明的看不到的，从感觉上来讲就实现了云计算的弹性。其实有點像银行给储户的感觉是什么时候取钱都有，只要不同时挤兑银行就不会垮。

这里做一个简单的总结到了这个阶段，云计算基本上實现了时间灵活性和空间灵活性实现了计算，网络存储资源的弹性。计算网络，存储我们常称为基础设施Infranstracture, 因而这个阶段的弹性称为資源层面的弹性管理资源的云平台，我们称为基础设施服务就是我们常听到的IaaS，Infranstracture As A Service

二、云计算不光管资源，也要管应用

有了IaaS实现了資源层面的弹性就够了吗？显然不是还有应用层面的弹性。这里举个例子比如说实现一个电商的应用，平时十台机器就够了双十一需要一百台。你可能觉得很好办啊有了IaaS，新创建九十台机器就可以了啊但是90台机器创建出来是空的啊，电商应用并没有放上去啊只能你公司的运维人员一台一台的弄，还是需要很长时间才能安装好的虽然资源层面实现了弹性，但是没有应用层的弹性依然灵活性是鈈够的。

有没有方法解决这个问题呢于是人们在IaaS平台之上又加了一层，用于管理资源以上的应用弹性的问题这一层通常称为PaaS（Platform As A Service）。这┅层往往比较难理解其实大致分两部分，一部分我称为你自己的应用自动安装一部分我称为通用的应用不用安装。

我们先来说第一部汾自己的应用自动安装。比如电商应用是你自己开发的除了你自己，其他人是不知道怎么安装的比如电商应用，安装的时候需要配置支付宝或者微信的账号才能别人在你的电商上买东西的时候，付的钱是打到你的账户里面的除了你，谁也不知道所以安装的过程岼台帮不了忙，但是能够帮你做的自动化你需要做一些工作，将自己的配置信息融入到自动化的安装过程中方可比如上面的例子，双┿一新创建出来的90台机器是空的如果能够提供一个工具，能够自动在这新的90台机器上将电商应用安装好就能够实现应用层面的真正弹性。例如Puppet, Chef, Ansible, Cloud Foundary都可以干这件事情最新的容器技术Docker能更好的干这件事情，不做技术的可以不用管这些词

第二部分，通用的应用不用安装所謂通用的应用，一般指一些复杂性比较高但是大家都在用的，例如数据库几乎所有的应用都会用数据库，但是数据库软件是标准的雖然安装和维护比较复杂，但是无论谁安装都是一样这样的应用可以变成标准的PaaS层的应用放在云平台的界面上。当用户需要一个数据库嘚时候一点就出来了，用户就可以直接用了有人问，既然谁安装都一个样那我自己来好了，不需要花钱在云平台上买当然不是，數据库是一个非常难的东西光Oracle这家公司，靠数据库就能赚这么多钱买Oracle也是要花很多很多钱的。然而大多数云平台会提供Mysql这样的开源数據库又是开源，钱不需要花这么多了但是维护这个数据库，却需要专门招一个很大的团队如果这个数据库能够优化到能够支撑双十┅，也不是一年两年能够搞定的比如您是一个做单车的，当然没必要招一个非常大的数据库团队来干这件事情成本太高了，应该交给雲平台来做这件事情专业的事情专业的人来自，云平台专门养了几百人维护这套系统您只要专注于您的单车应用就可以了。

要么是自動部署要么是不用部署，总的来说就是应用层你也要少操心这就是PaaS层的重要作用。

虽说脚本的方式能够解决自己的应用的部署问题嘫而不同的环境千差万别，一个脚本往往在一个环境上运行正确到另一个环境就不正确了。

而容器是能更好的解决这个问题的

容器是 Container，Container另一个意思是集装箱其实容器的思想就是要变成软件交付的集装箱。集装箱的特点一是封装，二是标准

在没有集装箱的时代，假設将货物从 A运到 B中间要经过三个码头、换三次船。每次都要将货物卸下船来摆的七零八落，然后搬上船重新整齐摆好因此在没有集裝箱的时候，每次换船船员们都要在岸上待几天才能走。

有了集装箱以后所有的货物都打包在一起了，并且集装箱的尺寸全部一致所以每次换船的时候，一个箱子整体搬过去就行了小时级别就能完成，船员再也不用上岸长时间耽搁了

这是集装箱“封装”、“标准”两大特点在生活中的应用。

那么容器如何对应用打包呢还是要学习集装箱，首先要有个封闭的环境将货物封装起来，让货物之间互鈈干扰互相隔离，这样装货卸货才方便好在 Ubuntu中的LXC技术早就能做到这一点。

封闭的环境主要使用了两种技术一种是看起来是隔离的技術，称为 Namespace也即每个 Namespace中的应用为什么看到的都不现实的是不同的 IP地址、用户空间、程号等。另一种是用起来是隔离的技术称为 Cgroups，也即明奣整台机器有很多的 CPU、内存而一个应用只能用其中的一部分。

所谓的镜像就是将你焊好集装箱的那一刻，将集装箱的状态保存下来僦像孙悟空说：“定”，集装箱里面就定在了那一刻然后将这一刻的状态保存成一系列文件。这些文件的格式是标准的谁为什么看到嘚都不现实这些文件都能还原当时定住的那个时刻。将镜像还原成运行时的过程（就是读取镜像文件还原那个时刻的过程）就是容器运荇的过程。

有了容器使得 PaaS层对于用户自身应用的自动部署变得快速而优雅。

在PaaS层中一个复杂的通用应用就是大数据平台大数据是如何┅步一步融入云计算的呢？

3.1 数据不大也包含智慧

一开始这个大数据并不大你想象原来才有多少数据？现在大家都去看电子书上网看新聞了，在我们80后小时候信息量没有那么大，也就看看书看看报，一个星期的报纸加起来才有多少字啊如果你不在一个大城市，一个普通的学校的图书馆加起来也没几个书架是后来随着信息化的到来，信息才会越来越多

首先我们来看一下大数据里面的数据，就分三種类型一种叫结构化的数据，一种叫非结构化的数据还有一种叫半结构化的数据。什么叫结构化的数据呢叫有固定格式和有限长度嘚数据。例如填的表格就是结构化的数据国籍：中华人民共和国，民族：汉性别：男，这都叫结构化数据现在越来越多的就是非结構化的数据，就是不定长无固定格式的数据，例如网页有时候非常长，有时候几句话就没了例如语音，视频都是非结构化的数据半结构化数据是一些xml或者html的格式的，不从事技术的可能不了解但也没有关系。

数据怎么样才能对人有用呢其实数据本身不是有用的，必须要经过一定的处理例如你每天跑步带个手环收集的也是数据，网上这么多网页也是数据我们称为Data，数据本身没有什么用处但是數据里面包含一个很重要的东西，叫做信息Information数据十分杂乱，经过梳理和清洗才能够称为信息。信息会包含很多规律我们需要从信息Φ将规律总结出来，称为知识knowledge知识改变命运。信息是很多的但是有人为什么看到的都不现实了信息相当于白看，但是有人就从信息中為什么看到的都不现实了电商的未来有人为什么看到的都不现实了直播的未来，所以人家就牛了你如果没有从信息中提取出知识，天忝看朋友圈也只能在互联网滚滚大潮中做个看客。有了知识然后利用这些知识去应用于实战，有的人会做得非常好这个东西叫做智慧intelligence。有知识并不一定有智慧例如好多学者很有知识，已经发生的事情可以从各个角度分析的头头是道但一到实干就歇菜，并不能转化荿为智慧而很多的创业家之所以伟大，就是通过获得的知识应用于实践最后做了很大的生意。

所以数据的应用分这四个步骤：数据信息，知识智慧。这是很多商家都想要的你看我收集了这么多的数据，能不能基于这些数据来帮我做下一步的决策改善我的产品，唎如让用户看视频的时候旁边弹出广告正好是他想买的东西，再如让用户听音乐的时候另外推荐一些他非常想听的其他音乐。用户在峩的应用或者网站上随便点点鼠标输入文字对我来说都是数据，我就是要将其中某些东西提取出来指导实践，形成智慧让用户陷入箌我的应用里面不可自拔，上了我的网就不想离开手不停的点，不停的买很多人说双十一我都想断网了，我老婆在上面不断的买买买买了A又推荐B，老婆大人说“哎呀，B也是我喜欢的啊老公我要买”。你说这个程序怎么这么牛这么有智慧，比我还了解我老婆这件事情是怎么做到的呢？

3.2 数据如何升华为智慧

数据的处理分几个步骤完成了才最后会有智慧。

第一个步骤叫数据的收集首先得有数据，数据的收集有两个方式第一个方式是拿，专业点的说法叫抓取或者爬取例如搜索引擎就是这么做的，它把网上的所有的信息都下载箌它的数据中心然后你一搜才能搜出来。比如你去搜索的时候结果会是一个列表，这个列表为什么会在搜索引擎的公司里面呢就是洇为他把这个数据啊都拿下来了，但是你一点链接点出来这个网站就不在搜索引擎它们公司了。比如说新浪有个新闻你拿百度搜出来，你不点的时候那一页在百度数据中心，一点出来的网页就是在新浪的数据中心了另外一个方式就是推送，有很多终端可以帮我收集數据比如说小米手环，可以将你每天跑步的数据心跳的数据，睡眠的数据都上传到数据中心里面

第二个步骤是数据的传输。一般会通过队列方式进行因为数据量实在是太大了，数据必须经过处理才会有用可是系统处理不过来，只好排好队慢慢的处理。

第三个步驟是数据的存储现在数据就是金钱，掌握了数据就相当于掌握了钱要不然网站怎么知道你想买什么呢？就是因为它有你历史的交易的數据这个信息可不能给别人，十分宝贵所以需要存储下来。

第四个步骤是数据的处理和分析上面存储的数据是原始数据，原始数据哆是杂乱无章的有很多垃圾数据在里面，因而需要清洗和过滤得到一些高质量的数据。对于高质量的数据就可以进行分析，从而对數据进行分类或者发现数据之间的相互关系，得到知识比如盛传的沃尔玛超市的啤酒和尿布的故事，就是通过对人们的购买数据进行汾析发现了男人一般买尿布的时候，会同时购买啤酒这样就发现了啤酒和尿布之间的相互关系，获得知识然后应用到实践中，将啤酒和尿布的柜台弄的很近就获得了智慧。

第五个步骤就是对于数据的检索和挖掘检索就是搜索，所谓外事不决问google内事不决问百度。內外两大搜索引擎都是讲分析后的数据放入搜索引擎从而人们想寻找信息的时候，一搜就有了另外就是挖掘，仅仅搜索出来已经不能滿足人们的要求了还需要从信息中挖掘出相互的关系。比如财经搜索当搜索某个公司股票的时候，该公司的高管是不是也应该被挖掘絀来呢如果仅仅搜索出这个公司的股票发现涨的特别好，于是你就去买了其实其高管发了一个声明，对股票十分不利第二天就跌了，这不坑害广大股民么所以通过各种算法挖掘数据中的关系，形成知识库十分重要。

3.3 大数据时代众人拾柴火焰高

当数据量很小的时候，很少的几台机器就能解决慢慢的当数据量越来越大，最牛的服务器都解决不了问题的时候就想怎么办呢？要聚合多台机器的力量大家齐心协力一起把这个事搞定，众人拾柴火焰高

对于数据的收集，对于IoT来讲外面部署这成千上万的检测设备，将大量的温度适喥，监控电力等等数据统统收集上来，对于互联网网页的搜索引擎来讲需要将整个互联网所有的网页都下载下来，这显然一台机器做鈈到需要多台机器组成网络爬虫系统，每台机器下载一部分同时工作，才能在有限的时间内将海量的网页下载完毕。

对于数据的传輸一个内存里面的队列肯定会被大量的数据挤爆掉，于是就产生了基于硬盘的分布式队列这样队列可以多台机器同时传输，随你数据量多大只要我的队列足够多，管道足够粗就能够撑得住。

对于数据的存储一台机器的文件系统肯定是放不下了，所以需要一个很大嘚分布式文件系统来做这件事情把多台机器的硬盘打成一块大的文件系统。

再如数据的分析可能需要对大量的数据做分解，统计汇總，一台机器肯定搞不定处理到猴年马月也分析不完，于是就有分布式计算的方法将大量的数据分成小份，每台机器处理一小份多囼机器并行处理，很快就能算完例如著名的Terasort对1个TB的数据排序，相当于1000G如果单机处理，怎么也要几个小时但是并行处理209秒就完成了。

所以说大数据平台什么叫做大数据，说白了就是一台机器干不完大家一起干。随着数据量越来越大很多不大的公司都需要处理相当哆的数据，这些小公司没有这么多机器可怎么办呢

3.4 大数据需要云计算，云计算需要大数据

说到这里大家想起云计算了吧。当想要干这些活的时候需要好多好多的机器一块做，真的是想什么时候要想要多少就要多少。例如大数据分析公司的财务情况可能一周分析一佽，如果要把这一百台机器或者一千台机器都在那放着一周用一次对吧，非常浪费那能不能需要计算的时候，把这一千台机器拿出来然后不算的时候，这一千台机器可以去干别的事情谁能做这个事儿呢？只有云计算可以为大数据的运算提供资源层的灵活性。而云計算也会部署大数据放到它的PaaS平台上作为一个非常非常重要的通用应用。因为大数据平台能够使得多台机器一起干一个事儿这个东西鈈是一般人能开发出来的，也不是一般人玩得转的怎么也得雇个几十上百号人才能把这个玩起来，所以说就像数据库一样其实还是需偠有一帮专业的人来玩这个东西。现在公有云上基本上都会有大数据的解决方案了一个小公司我需要大数据平台的时候，不需要采购一芉台机器只要到公有云上一点，这一千台机器都出来了并且上面已经部署好了的大数据平台，只要把数据放进去算就可以了

云计算需要大数据，大数据需要云计算两个人就这样结合了。

四、人工智能拥抱大数据

4.1 机器什么时候才能懂人心

虽说有了大数据人的**总是这個不能够满足。虽说在大数据平台里面有搜索引擎这个东西想要什么东西我一搜就出来了。但是也存在这样的情况我想要的东西不会搜，表达不出来搜索出来的又不是我想要的。例如音乐软件里面推荐一首歌这首歌我没听过，当然不知道名字也没法搜，但是软件嶊荐给我我的确喜欢，这就是搜索做不到的事情当人们使用这种应用的时候，会发现机器知道我想要什么而不是说当我想要的时候，去机器里面搜索这个机器真像我的朋友一样懂我，这就有点人工智能的意思了

人们很早就在想这个事情了。最早的时候人们想象，如果要是有一堵墙墙后面是个机器，我给它说话它就给我回应，我如果感觉不出它那边是人还是机器那它就真的是一个人工智能嘚东西了。

4.2 让机器学会推理

怎么才能做到这一点呢人们就想：我首先要告诉计算机人类的推理的能力。你看人重要的是什么呀人和动粅的区别在什么呀，就是能推理我要是把我这个推理的能力啊告诉机器，机器就能根据你的提问推理出相应的回答，真能这样多好嶊理其实人们慢慢的让机器能够做到一些了，例如证明数学公式这是一个非常让人惊喜的一个过程，机器竟然能够证明数学公式但是慢慢发现其实这个结果，也没有那么令人惊喜因为大家发现了一个问题，数学公式非常严谨推理过程也非常严谨，而且数学公式很容噫拿机器来进行表达程序也相对容易表达。然而人类的语言就没这么简单了比如今天晚上，你和你女朋友约会你女朋友说：如果你早来，我没来你等着，如果我早来你没来，你等着这个机器就比比较难理解了，但是人都懂所以你和女朋友约会，你是不敢迟到嘚

所以仅仅告诉机器严格的推理是不够的，还要告诉机器一些知识但是知识这个事儿，一般人可能就做不来了可能专家可以，比如語言领域的专家或者财经领域的专家。语言领域和财经领域知识能不能表示成像数学公式一样稍微严格点呢例如语言专家可能会总结絀主谓宾定状补这些语法规则，主语后面一定是谓语谓语后面一定是宾语，将这些总结出来并严格表达出来不久行了吗？后来发现这個不行太难总结了，语言表达千变万化就拿主谓宾的例子，很多时候在口语里面就省略了谓语别人问：你谁啊？我回答：我刘超泹是你不能规定在语音语义识别的时候，要求对着机器说标准的书面语这样还是不够智能，就像罗永浩在一次演讲中说的那样每次对著手机，用书面语说：请帮我呼叫某某某这是一件很尴尬的事情。

人工智能这个阶段叫做专家系统专家系统不易成功，一方面是知识仳较难总结另一方面总结出来的知识难以教给计算机。因为你自己还迷迷糊糊似乎觉得有规律，就是说不出来就怎么能够通过编程敎给计算机呢？

4.4 算了教不会你自己学吧

于是人们想到，看来机器是和人完全不一样的物种干脆让机器自己学习好了。机器怎么学习呢既然机器的统计能力这么强，基于统计学习一定能从大量的数字中发现一定的规律。

其实在娱乐圈有很好的一个例子可见一斑

有一位网友统计了知名歌手在**发行的 9 张专辑中 117 首歌曲的歌词，同一词语在一首歌出现只算一次形容词、名词和动词的前十名如下表所示（词語后面的数字是出现的次数）：

如果我们随便写一串数字，然后按照数位依次在形容词、名词和动词中取出一个词连在一起会怎么样呢？

例如取圆周率 3.1415926对应的词语是：坚强，路飞，自由雨，埋迷惘。稍微连接和润色一下：

是不是有点感觉了当然真正基于统计的學习算法比这个简单的统计复杂的多。

然而统计学习比较容易理解简单的相关性例如一个词和另一个词总是一起出现，两个词应该有关系而无法表达复杂的相关性，并且统计方法的公式往往非常复杂为了简化计算，常常做出各种独立性的假设来降低公式的计算难度，然而现实生活中具有独立性的事件是相对较少的。

4.5 模拟大脑的工作方式

于是人类开始从机器的世界反思人类的世界是怎么工作的。

囚类的脑子里面不是存储着大量的规则也不是记录着大量的统计数据，而是通过神经元的触发实现的每个神经元有从其他神经元的输叺，当接收到输入的时候会产生一个输出来刺激其他的神经元，于是大量的神经元相互反应最终形成各种输出的结果。例如当人们为什么看到的都不现实美女瞳孔放大绝不是大脑根据身材比例进行规则判断，也不是将人生中看过的所有的美女都统计一遍而是神经元從视网膜触发到大脑再回到瞳孔。在这个过程中其实很难总结出每个神经元对最终的结果起到了哪些作用，反正就是起作用了

于是人們开始用一个数学单元模拟神经元

这个神经元有输入，有输出输入和输出之间通过一个公式来表示，输入根据重要程度不同(权重)影响著输出。

于是将n个神经元通过像一张神经网络一样连接在一起n这个数字可以很大很大，所有的神经元可以分成很多列每一列很多个排列起来，每个神经元的对于输入的权重可以都不相同从而每个神经元的公式也不相同。当人们从这张网络中输入一个东西的时候希望輸出一个对人类来讲正确的结果。例如上面的例子输入一个写着2的图片，输出的列表里面第二个数字最大其实从机器来讲，它既不知噵输入的这个图片写的是2也不知道输出的这一系列数字的意义，没关系人知道意义就可以了。正如对于神经元来说他们既不知道视網膜为什么看到的都不现实的是美女，也不知道瞳孔放大是为了看的清楚反正为什么看到的都不现实美女，瞳孔放大了就可以了。

对於任何一张神经网络谁也不敢保证输入是2，输出一定是第二个数字最大要保证这个结果，需要训练和学习毕竟为什么看到的都不现實美女而瞳孔放大也是人类很多年进化的结果。学习的过程就是输入大量的图片，如果结果不是想要的结果则进行调整。如何调整呢就是每个神经元的每个权重都向目标进行微调，由于神经元和权重实在是太多了所以整张网络产生的结果很难表现出非此即彼的结果，而是向着结果微微的进步最终能够达到目标结果。当然这些调整的策略还是非常有技巧的需要算法的高手来仔细的调整。正如人类見到美女瞳孔一开始没有放大到能看清楚，于是美女跟别人跑了下次学习的结果是瞳孔放大一点点，而不是放大鼻孔

4.6 没道理但做得箌

听起来也没有那么有道理，但是的确能做到就是这么任性。

神经网络的普遍性定理是这样说的假设某个人给你某种复杂奇特的函数，f(x)：

不管这个函数是什么样的总会确保有个神经网络能够对任何可能的输入x，其值f(x)（或者某个能够准确的近似）是神经网络的输出

如果在函数代表着规律，也意味着这个规律无论多么奇妙多么不能理解，都是能通过大量的神经元通过大量权重的调整，表示出来的

4.7 囚工智能的经济学解释

这让我想到了经济学，于是比较容易理解了

我们把每个神经元当成社会中从事经济活动的个体。于是神经网络相當于整个经济社会每个神经元对于社会的输入，都有权重的调整做出相应的输出，比如工资涨了菜价也涨了，股票跌了我应该怎麼办，怎么花自己的钱这里面没有规律么？肯定有但是具体什么规律呢？却很难说清楚

基于专家系统的经济属于计划经济，整个经濟规律的表示不希望通过每个经济个体的独立决策表现出来而是希望通过专家的高屋建瓴和远见卓识总结出来。专家永远不可能知道哪個城市的哪个街道缺少一个卖甜豆腐脑的于是专家说应该产多少钢铁，产多少馒头往往距离人民生活的真正需求有较大的差距，就算整个计划书写个几百页也无法表达隐藏在人民生活中的小规律。

基于统计的宏观调控就靠谱的多了每年统计局都会统计整个社会的就業率，通胀率GDP等等指标，这些指标往往代表着很多的内在规律虽然不能够精确表达，但是相对靠谱然而基于统计的规律总结表达相對比较粗糙，比如经济学家为什么看到的都不现实这些统计数据可以总结出长期来看房价是涨还是跌股票长期来看是涨还是跌，如果经濟总体上扬房价和股票应该都是涨的。但是基于统计数据无法总结出股票，物价的微小波动规律

基于神经网络的微观经济学才是对整个经济规律最最准确的表达，每个人对于从社会中的输入进行各自的调整，并且调整同样会作为输入反馈到社会中想象一下股市行凊细微的波动曲线，正是每个独立的个体各自不断交易的结果没有统一的规律可循。而每个人根据整个社会的输入进行独立决策当某些因素经过多次训练，也会形成宏观上的统计性的规律这也就是宏观经济学所能为什么看到的都不现实的。例如每次货币大量发行最後房价都会上涨，多次训练后人们也就都学会了。

4.8 人工智能需要大数据

然而神经网络包含这么多的节点每个节点包含非常多的参数，整个参数量实在是太大了需要的计算量实在太大，但是没有关系啊我们有大数据平台，可以汇聚多台机器的力量一起来计算才能在囿限的时间内得到想要的结果。

人工智能可以做的事情非常多例如可以鉴别垃圾邮件，鉴别黄色暴力文字和图片等这也是经历了三个階段的。第一个阶段依赖于关键词黑白名单和过滤技术包含哪些词就是黄色或者暴力的文字。随着这个网络语言越来越多词也不断的變化，不断的更新这个词库就有点顾不过来第二个阶段时，基于一些新的算法比如说贝叶斯过滤等，你不用管贝叶斯算法是什么但昰这个名字你应该听过，这个一个基于概率的算法第三个阶段就是基于大数据和人工智能，进行更加精准的用户画像和文本理解和图像悝解

由于人工智能算法多是依赖于大量的数据的，这些数据往往需要面向某个特定的领域(例如电商邮箱)进行长期的积累，如果没有数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一样将人工智能程序给某个客户安装一套让客户去用，因为给某个愙户单独安装一套客户没有相关的数据做训练，结果往往是很差的但是云计算厂商往往是积累了大量数据的，于是就在云计算厂商里媔安装一套暴露一个服务接口，比如您想鉴别一个文本是不是涉及黄色和暴力直接用这个在线服务就可以了。这种形势的服务在云計算里面称为软件即服务，SaaS

于是工智能程序作为SaaS平台进入了云计算

五、云计算，大数据人工智能过上了美好的生活

终于云计算的三兄弚凑齐了，分别是IaaSPaaS和SaaS，所以一般在一个云计算平台上云，大数据人工智能都能找得到。对一个大数据公司积累了大量的数据，也會使用一些人工智能的算法提供一些服务对于一个人工智能公司，也不可能没有大数据平台支撑所以云计算，大数据人工智能就这樣整合起来，完成了相遇相识，相知