云计算+大数据+AI+物联网

今天跟大家讲讲云计算、大数据和人工智能。这三个词现在非常火，并且它们之间好像互相有关系。终于有人把云计算、大数据和人工智能讲明白了！

一般谈云计算的时候会提到大数据、谈人工智能的时候会提大数据、谈人工智能的时候会提云计算……感觉三者之间相辅相成又不可分割。但如果是非技术的人员，就可能比较难理解这三者之间的相互关系，所以有必要解释一下。

云计算

有了 IaaS，实现了资源层面的弹性就够了吗然不是，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 90 台机器创建出来是空的，电商应用并没有放上去，只能让公司的运维人员一台一台的弄，需要很长时间才能安装好的。

虽然资源层面实现了弹性，但没有应用层的弹性，依然灵活性是不够的。有没有方法解决这个问题呢/p>

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）。

这一层往往比较难理解，大致分两部分：一部分笔者称为“你自己的应用自动安装”，一部分笔者称为“通用的应用不用安装”。

像电商应用，安装时需要配置支付宝或者微信的账号，才能使别人在你的电商上买东西时，付的钱是打到你的账户里面的，除了你，谁也不知道。

所以安装的过程平台帮不了忙，但能够帮你做得自动化，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，双十一新创建出来的 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。

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时，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，数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 也是要花很多钱的。

然而大多数云平台会提供 MySQL 这样的开源数据库，又是开源，钱不需要花这么多了。

但维护这个数据库，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十一，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，应该交给云平台来做这件事情。

专业的事情专业的人来做，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。

要么是自动部署，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。

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。

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，所以每次换船时，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。

对于数据的存储：一台机器的文件系统肯定是放不下的，所以需要一个很大的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。

所以说什么叫做大数据白了就是一台机器干不完，大家一起干。

可是随着数据量越来越大，很多不大的公司都需要处理相当多的数据，这些小公司没有这么多机器可怎么办呢/p>

云计算与大数据

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。当想要干这些活时，需要很多的机器一块做，真的是想什么时候要就什么时候要，想要多少就要多少。

例如大数据分析公司的财务情况，可能一周分析一次，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；不算的时候，让这一千台机器去干别的事情/p>

谁能做这个事儿呢有云计算，可以为大数据的运算提供资源层的灵活性。

而云计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，这个东西不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，还是需要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。

一个小公司需要大数据平台的时候，不需要采购一千台机器，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，二者就这样结合了。

人工智能

机器什么时候才能懂人心/strong>

虽说有了大数据，人的欲望却不能够满足。虽说在大数据平台里面有搜索引擎这个东西，想要什么东西一搜就出来了。

但也存在这样的情况：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。

例如音乐软件推荐了一首歌，这首歌我没听过，当然不知道名字，也没法搜。但是软件推荐给我，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时，会发现机器知道我想要什么，而不是说当我想要时，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，要是有一堵墙，墙后面是个机器，我给它说话，它就给我回应。

如果我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的东西了。

让机器学会推理

怎么才能做到这一点呢们就想：我首先要告诉计算机人类推理的能力。你看人重要的是什么和动物的区别在什么是能推理。

要是把我这个推理的能力告诉机器，让机器根据你的提问，推理出相应的回答，这样多好/p>

其实目前人们慢慢地让机器能够做到一些推理了，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。

但慢慢又发现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，你没来，你等着！

这个机器就比较难理解了，但人都懂。所以你和女朋友约会，是不敢迟到的。

教给机器知识

因此，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。但告诉机器知识这个事情，一般人可能就做不来了。可能专家可以，比如语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如语言专家可能会总结出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，并严格表达出来不就行了吗/p>

后来发现这个不行，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：你谁啊回答：我刘超。

但你不能规定在语音语义识别时，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，每次对着手机，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，一方面是知识比较难总结，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，觉得似乎有规律，就是说不出来，又怎么能够通过编程教给计算机呢/p>

算了，教不会你自己学吧

于是人们想到：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，可窥一斑：

有一位网友统计了知名歌手在大陆发行的 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（词语后面的数字是出现的次数）：

人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入，当接收到输入时，会产生一个输出来刺激其他神经元。于是大量的神经元相互反应，最终形成各种输出的结果。

例如当人们看到美女瞳孔会放大，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，而是神经元从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。

于是人们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)，影响着输出。

1、感知层相当于人的感官和神经末梢，用来感知和采集应用环境中的各种数据。包括温度、湿度、速度、位置、震动、压力、流量、气体等各种各样的传感器。灵敏度和精度高，功耗低，可以无线传输是对传感层的要求。

2、网络层相当于人的神经系统，用来传输数据。包括各种各样的无线通讯技术和标准，比如Zigbee／BLE／Wifi／NFC／RFID ／LTE等。低功耗，广域覆盖，更多连接是无线网络的发展方向。目前新的通讯技术和标准NB－IoT，LoRa，eLTE－IoT都是往这个方向努力。未来的5G会取代目前很多的无线通讯技术，一统江湖。

1、云计算IaaS：基础设施即服务

IaaS（Infrastructure－as－a－ Service）：基础设施即服务。消费者通过Internet可以从完善的计算机基础设施获得服务。例如：硬件服务器租用。

2、云计算PaaS：平台即服务

PaaS（Platform－as－a－ Service）：平台即服务。PaaS实际上是指将软件研发的平台作为一种服务，以SaaS的模式提交给用户。因此，PaaS也是SaaS模式的一种应用。但是，PaaS的出现可以加快SaaS的发展，尤其是加快SaaS应用的开发速度。例如：软件的个性化定制开发。

3、云计算SaaS：软件即服务

SaaS（Software－as－a－ Service）：软件即服务。它是一种通过Internet提供软件的模式，用户无需购买软件，而是向提供商租用基于Web的软件，来管理企业经营活动。

亚马逊是最早意识到服务价值的公司，它把服务于公司内部的基础设施，平台，技术，成熟后推向市场，为社会提供各项服务，也因此成为全球云计算市场的领头羊。

物联网与大数据

大数据相当于人的大脑从小学到大学记忆和存储的海量知识，这些知识只有通过消化，吸收、再造才能创造出更大的价值。物联网产生了大量的数据：从连接到机器部件或环境传感器的传感器，或者我们对智能音箱发出的声音。

麦肯锡全球研究所给出的定义是：一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。大数据技术的战略意义不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化处理。换而言之，如果把大数据比作一种产业，那么这种产业实现盈利的关键，在于提高对数据的“加工能力”，通过“加工”实现数据的“增值”．

从技术上看，大数据与云计算的关系就像一枚硬币的正反面一样密不可分。大数据必然无法用单台的计算机进行处理，必须采用分布式架构。它的特色在于对海量数据进行分布式数据挖掘。但它必须依托云计算的分布式处理、分布式数据库和云存储、虚拟化技术。

物联网与人工智能

人工智能打个比喻为一个人吸收了人类大量的知识（数据），不断的深度学习、进化成为一方高人。人工智能离不开大数据，更是基于云计算平台完成深度学习进化。

人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

物联网的安全

安全问题是物联网的最大问题之一。这些传感器收集了很多非常敏感的数据——例如，你在自己家里说什么和做什么。保持这种安全对消费者的信任至关重要，但到目前为止，物联网的安全记录一直非常糟糕。太多的物联网设备几乎没有考虑到安全的基本原理，比如加密传输和休息的数据。

软件的缺陷——即使是旧的、使用得很好的代码——都是定期发现的，但是许多物联网设备缺乏修补的能力，这意味着它们永远处于危险之中。黑客们现在正积极地瞄准诸如路由器和网络摄像头这样的物联网设备，因为他们天生缺乏安全保障，这使得他们很容易做出妥协，并将其卷成巨大的僵尸网络。

缺陷已经让智能家居设备如冰箱、烤箱和洗碗机向黑客开放。研究人员发现，10万个网络摄像头可以轻松破解，而一些面向儿童的联网智能手表被发现含有安全漏洞，黑客可以追踪佩戴者的位置，窃听通话内容，甚至可以与用户进行交流。

当智能设备的成本变得微不足道时，这些问题只会变得更加普遍和棘手。

物联网填补了数字世界和现实世界之间的鸿沟，这意味着黑客入侵设备可能会带来危险的现实后果。在一个发电站中，对控制温度的传感器进行黑客攻击，可能会诱使运营商做出灾难性的决定;对无人驾驶汽车的控制也可能以灾难告终。

最后，关于区块链：
https://baijiahao.baidu.com/sd=1592894131130991736&wfr=spider&for=pc

来源：Tr0e