人工智能是指計算機系統具備的能力，該能力可以履行原本只有依靠人類智慧才能完成的復雜任務。硬件體系能力的不足加上發展道路上曾經出現偏差，以及算法的缺陷，使得人工智能技術的發展在上世紀80—90年代曾經一度低迷。近年來，成本低廉的大規模并行計算、大數據、深度學習算法、人腦芯片4大催化劑的齊備，導致人工智能的發展出現了向上的拐點。

　　我們都知道，所謂大數據，就是大量的信息，利用普通的加減乘除啥的肯定會把電腦給跑廢掉，不過這里的電腦不是我們用的普通的電腦，他們通常都有數據處理中心，就是高配的商業服務器。但即便高配，如果只是用簡單的算法來處理，也很浪費時間。

　　所以這里就需要神經網絡算法、機器學習等技術處理手段，軟件和硬件結合起來對數據庫中的數據進行處理，而使用的這些算法、機器學習等分析技術就屬于人工智能。

　　其實人工智能是很多技術的總稱，包括機器人、語言識別、圖像識別、自然語言處理和專家系統等，因為人工智能尚在發展階段，所以也沒有非常精準的定義，在行業內，人工智能與大數據密不可分，可以將很多大數據的應用(云計算平臺等)歸結為人工智能。

　　據有關企業統計，到2025年全球數據總量將達到163ZB。這意味著，2025年數據總量將比2016全球產生的數據總量增長10倍多。其中屬于數據分析的數據總量相比2016年將增加50倍，達到5.2ZB(十萬億億字節);屬于認知系統的數據總量將達到100倍之多。爆炸性增長的數據推動著新技術的萌發、壯大為深度學習的方法訓練計算機視覺技術提供了豐厚的數據土壤。

　　大數據主要包括采集與預處理、存儲與管理、分析與加工、可視化計算及數據安全等，具備數據規模不斷擴大、種類繁多、產生速度快、處理能力要求高、時效性強、可靠性要求嚴格、價值大但密度較低等特點，為人工智能提供豐富的數據積累和訓練資源。以人臉識別所用的訓練圖像數量為例，百度訓練人臉識別系統需要2億幅人臉畫像。

　　人工智能領域富集了海量數據，傳統的數據處理技術難以滿足高強度、高頻次的處理需求。AI芯片的出現，大大提升了的大規模處理大數據的效率。目前，出現了GPU、NPU、FPGA和各種各樣的AI-PU專用芯片。傳統的雙核CPU即使在訓練簡單的神經網絡培訓中，需要花幾天甚至幾周時間而AI芯片能提約70倍的升運算速度。

　　在計算力指數級增長及高價值數據的驅動下，以人工智能為核心的智能化正不斷延伸其技術應用廣度、拓展技術突破深度，并不斷增強技術落地(商業變現)的速度，例如，在新零售領域，大數據與人工智能技術的結合，可以提升人臉識別的準確率，商家可以更好地預測每月的銷售情況;在交通領域，大數據和人工智能技術的結合，基于大量的交通數據開發的智能交通流量預測、智能交通疏導等人工智能應用可以實現對整體交通網絡進行智能控制;在健康領域，大數據和人工智能技術的結合，能夠提供醫療影像分析、輔助診療、醫療機器人等更便捷、更智能的醫療服務。同時在技術層面，大數據技術已經基本成熟，并且推動人工智能技術以驚人的速度進步;產業層面，智能安防、自動駕駛、醫療影像等都在加速落地。

　　隨著人工智能的快速應用及普及，大數據不斷累積，深度學習及強化學習等算法不斷優化，大數據技術將與人工智能技術更緊密地結合，具備對數據的理解、分析、發現和決策能力，從而能從數據中獲取更準確、更深層次的知識，挖掘數據背后的價值，催生出新業態、新模式。