如果说人工智能是一辆飞奔的豪华跑车，那么数据就是提供强劲动力的燃料，这种能源不仅要充沛，还要确保质量。否则，就会产生瑕疵影响跑车的速度和行进轨道，甚至会引发ai的“风险”。
别大意 你的ai也许会变傻（图片来自houseofbots）
要想在人工智能时代分一杯羹，绝非易事。ai的基础是大数据，这些资源通常掌握在巨头手中，这也是为什么你会看到，这个领域的头条总是被微软、谷歌、ibm、苹果、亚马逊、facebook这些公司抢去。
数据显示，如果大数据被充分利用，全球企业将额外获得1.6万亿美元的数字红利。当然，前提是要对海量信息进行分析，无论是深度学习还是神经网络，最终都要转换为产品或服务惠及用户。数字经济、分享经济、工业4.0...背后都少不了大数据和云计算的支持。
然而，就像柴油注入汽油车会出问题，也不是任何数据对人工智能都有积极作用，不少案例已经可以证明这一点。例如，有些聊天机器人在网络上学习了负面评论，就会变得“尖酸刻薄”甚至引发了种族歧视问题。可见，数据的开源性固然重要，但如何找到有质量的数据对ai发展有着决定性的影响，尤其是在受到高度监管的行业。
如今，人工智能涉及的领域非常广泛，工业、航天、商业都有应用，并且已经深入人们的生活，打开手机中的cortana或者siri，这就是ai的产物。要知道，在几十年前，这种超前的技术是不受认可的，教授相关课程的学校也是寥寥无几。究其原因，主要就是数据的积累和应用。高容量存储设备丰富了数据量的留存，随着数据的不断增加，人们开始在其中发现某种规律，引发了分析的需求。
分析让大量的数据有了价值，机器开始懂得用户想要什么，可以预测未来的天气和球赛的比分，这种人工智能与场景的结合，要实现的就是改变生活方式和解放生产力。具体来说，很多过去只有人能做的事情，现在更多的情况下能够通过机器实现，典型的例子包括语音助手、无人驾驶汽车。更重要的是，当硬件性能逐渐提升、计算资源越来越强大时，成本却越来越低廉。
互联网时代的快节奏让数据也跑在快车道上，松懈不得。以城市交通治理为例，每天在城市道路上都在发生着堵车或者事故，如果做不到对数据的实时分析就难以立刻找到有效的疏通办法，而在上下班高峰期时的交通堵塞往往因为某一个信号灯故障就会引发。
要知道，ai的思考方式与人类有着本质区别。举个例子，计算机在进行视觉训练时，如果用1万把椅子的照片让其学习，人的固有思维会先记住椅子外观的关键组成部分，比如椅背和椅子腿。而对于机器学习来说，它们或许会找到一些新的特征，并对这些特征进行归纳来识别出一把新的椅子。这一过程中，需要有海量、不同的椅子照片供给计算机去学习。
数据分析所用的map-reduce算法可将数据分解为多个部分，利用hadoop集群对每一部分的数据进行分析，之后将效果汇总经过多轮计算筛选出结果。解析过程中，对每轮结果的优化又会引入spark这种快速通用的计算引擎。如果强调实时数据处理，也会用到storm等计算框架。
不过，如果数据本身是有瑕疵的，那么不管是有意还是无意，人工智能系统都会基于这样的数据进行训练，带来的后果可想而知。举个例子，一个信用卡审核系统要是用有偏差的数据构建解决方案，就会对某一类的申请人给初带有偏见性的结论。往坏处想，这或许就是马斯克眼中“ai毁灭人类”的开端。
数据影响着模型的训练质量，而数据本身的传输也经受着安全考验，数据传输是导致网络威胁的诱因，而传统的流量检测对监控和警报有效，惯用方法是映射接入点或创建测试点，包括在内外网之间建立安全层，但这种方式所带来的经济成本却难以忽视。同时，黑客也可以定位路由器、交换机等数据中心网络设备的位置，从而在获取控制权后进行跨网攻击。
由此来看，人们需要借助数据在多重的维度当中，既包括在云端，也包括在云边缘得到相应的解答，这是很难做到的。同时，人们还要做到公正和多样性，当然现在只能用一组系统处理一个数据，但是人们还没办法在多种情景下进行部署。ai并不是万能的，如果稍有不慎，ai或许就会偏离航道。
调查区域：企业小调查(点击预览可查看效果)(7282766)