人类进步曲线图
在2005年前后，人类进步曲线突然垂直上升，从人类诞生到2005年有个很长的时间跨度，对比整个2005年以前的历史和现在2005年以后人类进步曲线垂直上升的比较，反映出2005年到2010年、2010年到2020年，2020年到2030年，2030年到2050年演进的方式。你处在人类文明空前大爆发的阶段，人工智能5年的时间相当于过去五千年人类进步的时光。
2005年前后人类进步曲线图
如图1-4所示，从数据的角度观察数据的核裂变式增长，2005年以前人类历史上总共拥有的数据（书籍、音频、视频等）是130EB，2010年从130EB上升到1200EB，增长了约10倍；到了2015年，从1200EB增长到 7900EB，增长了约7倍；预计到2020年，将到达40900EB，从2015年到2020年增长了5倍。而2020年与从人类诞生到2005年以前的数据比较，增长了约300倍以上。
图 1- 4 数据的核裂变式增长
如图1-5所示，面对数据的核裂变式增长，我们怎么办？数据收集、存储、管理都有成本，FaceBook、谷歌、Amazon等公司将用户数据收集起来，是否就为了做大数据？一开始的时候他们可能为了做大数据，但数据足够大的时候，为了提升单位数据的价值，必须求助人工智能。这里谈一下大数据，机器学习是大数据的核心之一，大数据也包括SQL、流处理、图计算等，但在真正人工智能的深度学习和增强学习面前，以前了解的机器学习和图计算只是开胃菜。
图 1- 5数据的核裂变式增长
如图1-6所示，面对数据海量式的、核裂变式增长，数据科学家们使用Hive、数据库、或者使用Python、R语言进行处理，从2020年来看，数据科学家们能处理的数据大约是数据总量的10%，如果想依赖数据科学家来处理爆炸式增长的数据是远远不够的。
图 1- 6传统的数据处理方式无法适应数据的增长
在数据科学家们使用传统的方法（Hive、数据库）解决问题的基础上，图1-7中所示的机器上的方法是使用Hadoop、Spark进行处理，从大数据的视角，Spark是大数据处理的计算引擎；但从人工智能的视角，使用大数据进行的处理依旧不能满足数据爆发式的增长，这里大约处理15%-20%的数据。
图 1- 7机器处理数据的方法
如图1-8所示，使用机器学习（包括Spark机器学习本身，处理15%-20%的数据）的基础上，进行人工智能处理。AI的处理能力由低到高分别为：机器学习、深度学习、增强学习。这里除了机器学习，还有一个向上的箭头，可以认为下面的三分之一为机器学习算法本身（线性回归、逻辑回归、K-means等），中间的三分之一是深度学习，上面的三分之一是增强学习。此时得出一个结论：人工智能的核心杀伤力是以深度学习为基础的增强学习。真正的人工智能就是深度学习、增强学习。要想体验、驾驭人工智能时代，核心是增强学习方向。
但现在人工智能业界运用最普遍的是机器学习，原因在于：第一点，因为很多企业的数据规模没那么大，也没那么迫切的需求提取数据的价值，第二点，没有足够的人才进行人工智能处理。
图 1- 8人工智能方法
FaceBook、谷歌、Amazon业界最领先的人工智能公司，他们的所有产品都在全面的深度学习化，一开始是机器学习和大数据公司，在全面的转向深度学习。在2020年以前，人工智能学习的核心是深度学习，深度学习是目前商业界最有价值和潜力的，深度学习应用于自动驾驶和演示人工智能武器等，在2020年以后可以增强学习为核心。
增强学习的核心是实时的与环境进行交互，交互的能力可从环境交互中不断提升自己的能力，但其致命性的弱点是增强学习的数据不够多，因为是实时的交互。而深度学习最擅长的就是海量的数据处理，增强学习和深度学习的联合体，将使增强学习爆发出终极的潜力，也使深度学习的价值最大化。因此，2020年前要以深度学习为核心。
