任何智能的发展，其实都需要一个学习的过程。而近期人工智能之所以能取得突飞猛进的发展，不能不说是因为这些年来大数据长足发展的结果。正是由于各类感应器和数据采集技术的发展，我们开始拥有以往难以想象的的海量数据，同时，也开始在某一领域拥有深度的、细致的数据。而这些，都是训练某一领域“智能”的前提。
大数据是人工智能的基础
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，某一领域专业海量的深度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。与以往传统的算法相比，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。
但这一显著的优点也大大增加了的运算量。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，人们尝试用神经网络运算一组并不海量的数据，整整等待3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。
人工智能助力大数据应用方兴未艾
众所周知，当数据量级达到一定程度后，利用数据优化服务需要的人工智能算法，使得挖掘数据、提高效率变成了必需。
比如国内商业应用中的打车平台，国内平台滴滴与快滴合并之后，包含司机行为数据、顾客行为数据及各种路线数据、实时交通情况数据、定位数据等猛增。为此，滴滴内部基于海量数据+机器学习算法的推荐匹配系统，针对司机的交班时间、地点、接单/拒单情况等海量数据进行司机画像，以此为基础，针对实时的订单数据按需分配，满足服务需求。
在国外，Netflix的影片推荐系统、Facebook的社交图谱、Amazon的购物推荐系统等，已经依靠深度学习和其它人工智能方法，实现了大数据之上的巨大商业价值。Google还对大数据的机器深度学习和建立知识树Knowledge Graph投入巨大的研究资源，期望能够回答并帮助解决人类日常生活中普遍关心的问题。
另外，Google从2010年就开始研究无人驾驶汽车。 Google无人驾驶汽车集成了大量传感器，包括一个激光距离探测器、4组雷达和一个摄像机，每秒钟产生的数据量高达1GB。在规模如此庞大的数据基础上，通过与实时街景、GPS位置、地图等数据的比较，无人驾驶汽车能够根据系统中的人工智能软件，实时、360°地感知附近的环境，自动完成驾驶操作，并在保证安全的情况下通过管理车速节省燃油消耗等，上述这些都是人工智能技术在大数据领域成功应用的知名案例。
大数据+人工智能的未来
过去的2016年，见证了人工智能的崛起：无人驾驶汽车技术逐渐成熟、语音语义识别的精度不断提高、图形图像识别技术获得发展、智能机器人频频亮相，尤其是AlphaGo与韩国围棋选手李世石的对弈更是引爆了人们对人工智能的热情。
可以预见，未来大数据技术将与人工智能技术更紧密地结合，让计算系统具备对数据的理解、推理、发现和决策能力，从而能从数据中获取更准确、更深层次的知识，挖掘数据背后的价值。应该说，人工智能与大数据好似一对孪生兄弟，他们是相互成就的关系:人工智能系统需要大量数据来“喂养”，只有经过大量数据的训练，其智能化程度才能不断提高；反过来，机器智能的提升，极大地提高了数据分析效率，让我们对海量数据的分析变得可能。更进一步，大数据与人工智能结合起来，催生出一些新兴领域，为我们展示出全新的数字世界。
随着人工智能的发展，在海量数据中挖掘有用信息并形成知识将成为可能，机器系统将逐步获得认知能力，这推动了认知计算的发展。认知计算是人工智能不断发展的产物，包括自然语言处理、语音识别、计算机视觉、机器学习、深度学习、机器人技术等。只要人们认识到大数据和分析学之间的紧密联系，就会发现认知计算和分析学一样，都是大数据分析不可或缺的，认知计算的重要性将越来越受到人们的认可。
