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。
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。
第一个阶段是物理设备时期。这个时期客户需要一台电脑，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，内存动不动就是百 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)。
然而物理设备不能做到很好的灵活性：
首先是它缺乏时间灵活性。不能够达到想什么时候要就什么时候要。比如买台服务器、买个电脑，都要有采购的时间。
如果突然用户告诉某个云厂商，说想要开台电脑，使用物理服务器，当时去采购就很难。与供应商关系好的可能需要一个星期，与供应商关系一般的就可能需要采购一个月。
用户等了很久电脑才到位，这时用户还要登录上去慢慢开始部署自己的应用。时间灵活性非常差。
其次是它的空间灵活性也不行。例如上述的用户需要一个很小很小的电脑，但现在哪还有这么小型号的电脑？不能为了满足用户只要一个 G 的内存、80G 硬盘的，就去买一个这么小的机器。
但是如果买一个大的，又会因为电脑大，需要向用户多收钱，可用户需要用的只有那么小一点，所以多付钱就很冤。
在 PaaS 层中一个复杂的通用应用就是大数据平台。大数据是如何一步一步融入云计算的呢？
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，就分三种类型：
结构化的数据：即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：×××，民族：汉，性别：男，这都叫结构化数据。
非结构化的数据：现在非结构化的数据越来越多，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。
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。信息会包含很多规律，我们需要从信息中将规律总结出来，称为知识（Knowledge），而知识改变命运。
信息是很多的，但有人看到了信息相当于白看，但有人就从信息中看到了电商的未来，有人看到了直播的未来，所以人家就牛了。
如果你没有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得头头是道，但一到实干就歇菜，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。
所以数据的应用分这四个步骤：数据、信息、知识、智慧。
最终的阶段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。
例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；再如让用户听音乐时，另外推荐一些他非常想听的其他音乐。
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？
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。
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？人们就想：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？人和动物的区别在什么？就是能推理。
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？
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。
人工智能需要大数据，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×××暴力文字和图片等。
这也是经历了三个阶段的：
依赖于关键词黑白名单和过滤技术，包含哪些词就是×××或者暴力的文字。随着这个网络语言越来越多，词也不断地变化，不断地更新这个词库就有点顾不过来。
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，但是这个名字你应该听过，这是一个基于概率的算法。
基于大数据和人工智能，进行更加精准的用户画像、文本理解和图像理解。
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。
如果没有数据，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。
因为给某个客户单独安装一套，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面安装一套，暴露一个服务接口。
比如您想鉴别一个文本是不是涉及×××和暴力，直接用这个在线服务就可以了。这种形势的服务，在云计算里面称为软件即服务，SaaS (Software AS A Service)
于是工智能程序作为 SaaS 平台进入了云计算。
基于三者关系的美好生活
终于云计算的三兄弟凑齐了，分别是 IaaS、PaaS 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。
一个大数据公司，积累了大量的数据，会使用一些人工智能的算法提供一些服务；一个人工智能公司，也不可能没有大数据平台支撑。
所以，当云计算、大数据、人工智能这样整合起来，便完成了相遇、相识、相知的过程。