很多人会认为，人工智能不过是大数据，输入一个问题，就找到数据库里的所有回答，比对分析后给出回答问题。但把人工智能和大数据混为一谈是非常自然的错误。

因为人工智能是一种计算形式，它允许机器执行认知功能，例如对输入起作用或作出反应，类似于人类的做法。而大数据是一种传统计算，它不会根据结果采取行动，而只是寻找结果。

早在上个世纪80年代，当时 AI 普遍的研究方向都在试图寻找捷径——直接模拟出行为，而不是试图通过模仿大脑的运作来实现。

人工智能深度学习之父 Geoffrey Hinton却致力于神经网络的研究，直到2006年，Geoffrey Hinton和他的研究生在Science发表了一篇开创性论文，提出了神经网络的一些新思想和新方法，并用“深度学习”来描述和包装这一新思路和新方法。自此，深度学习开始登场。

Geoffrey Hinton

在2012年的国际图片分类竞赛ImageNet上， Geoffrey Hinton的两个博士生采用深度学习识别图像的准确率达到85%，领先第二名10%以上，而第二名至第四名之间的准确率差异微乎其微，他们均采用传统计算机图像识别方法进行分类。

ImageNet

可见，模拟人脑的深度学习神经网络和传统的计算程式有了本质上的区别。

但人工智能和大数据仍然能够很好地协同工作。这是因为人工智能需要数据来建立其智能。

我们想一想，其实人类的幼儿时期不也总是无法对外界输入做出正确的反应，因为幼儿接触的外部数据、外部环境太小，样本数量太少。随着年龄增加，人脑的神经网络学习了更多的案例，所以面对各种输入可以做出对应的结果。

但是面对我们没有怎么接触过的情况，同样会手足无措，这一点和人工智能是相同的。样本容量太小，人工神经网络也无法做出完全正确的反应。

其实两者的使用领域也有很大差别，大数据经常用来分析用户行为，例如淘宝用大数据来分析用户的购买行为，从而优化商品的放置位置。而人工智能更像是接替人类某一领域工作的工具，例如自动驾驶需要的是人工智能而非大数据。