雾计算（FogComputing）是云计算（CloudComputing）的延伸概念，由思科（Cisco）首创。这个因“云”而“雾”的命名源自“雾是更贴近地面的云”这一名句。雾计算和云计算一样，十分形象。云在天空飘浮，高高在上，遥不可及，刻意抽象；而雾却现实可及，贴近地面，就在你我身边。雾计算并非由性能强大的服务器组成，而是由性能较弱、更为分散的各类功能计算机组成，渗入工厂、汽车、电器、街灯及人们物质生活中的各类用品。

什么是雾计算　　现在流行的云计算，是把大量数据放到“云”里去计算或存储，弥补我们的电子产品存储空间不足或运算能力而存在的。　　相较于概念普及性更高的云计算，雾计算对很多人而言显得足够陌生。我们不妨通俗的定义：雾计算可理解为本地化的云计算。　　云计算重点放在研究计算的方式，雾计算更强调计算的位置。　　雾计算相较云计算更贴近地面！更具体些说，它们在网络拓扑中的位置不同！　　雾计算和云计算实际上又存在有很多相似之处：如都基于虚拟化技术，从共享资源池中，为多用户提供资源服务等。　　相对于云计算来说，雾计算离产生数据的地方更近，“雾比云更贴近地面”的说法不是没有道理的！所以，我们定义为：雾计算就是本地化的云计算，就直观理解了。　　雾计算介于云计算和个人计算之间的，是半虚拟化的服务计算架构模型。此外，雾计算实际上并没有强力的计算能力，雾计算是将物理上分散的计算机联合起来，形成较弱的计算能力，不过这样的计算能力对于中小型的数据中心，完全够用了。　　其实，目前对雾计算的定义还不明确，各个利益团体在定义方面都有自己的立场和看法。　　雾计算最初是由美国纽约哥伦比亚大学的斯特尔佛教授(Prof.Stolfo)起的，当时的意图是利用“雾”来阻挡黑客入侵。　　没成想美国思科公司把这个名词嫁接了过去并得到了发扬光大，也就是我们现在所讨论的“雾计算”。　　雾的优点　　除了提到的低延迟，雾计算还有以下优点：　　省核心网络带宽：雾作为云和终端的中间层，本就在用户与数据中心的通信通路上。雾可以过滤，聚合用户消息（如不停发送的传感器消息），只将必要的消息发送给云，减小核心网络压力。　　高可靠性：为了服务不同区域的用户，相同的服务会被部署在各个区域的雾节点上。这也使得高可靠性成为雾计算的内在属性，一旦某一区域的服务异常，用户请求可以快速转向其他临近区域。　　背景信息了解：因为分布在不同区域，雾计算中的服务可以了解到区域背景信息，如本区域带宽是否紧张，根据这一知识，一个视频服务可以及时决策是否降低本地区视频质量，来避免即将到来的卡顿；而对一个地图应用，则可将本地区地图缓存，提高用户体验。　　省电：数据中心的电力消耗已经成为重要成本，其中冷却系统占有不可忽视的比重。雾计算节点因为地理位置分散，不会集中产生大量热量，并不需要额外的冷却系统，从而减少耗电。　　基于以上优点，雾能够弥补云的不足，并和云相互配合，协同工作。

雾计算在物联网中的运用　　IDC统计，到2019年，物联网产生的信息中，有45%会在接近本地的地方进行计算与储存，而这时光靠大型数据中心与云端是不够的。　　智慧城市，智能家庭，种种可预见的物联网应用在未来将极大的方便人们的生活。然而目前市场上智能终端设备的智能程度普遍令人不满。那么这个“智能”应来自哪里，怎样才能保障设备的智能呢？　　当资源不足时，一个直观的想法是将计算任务交给其他计算能力强的设备。物联网中有大量的终端设备，它们无法在本地完成计算做出决策，那么应该由谁来解决终端设备的资源不足呢？大家想到了云。　　云+雾　　雾计算自提出就是作为云计算的延伸扩展，而不是云计算的替代。在物联网生态中，雾可以过滤，聚合用户消息；匿名处理用户数据保证隐秘性；初步处理数据，做出实时决策；提供临时存储，提升用户体验。　　相对的，云可以负责大运算量，或长期存储任务（如：历史数据保存，数据挖掘，状态预测，整体性决策等等），从而弥补单一雾节点在计算资源上的不足。　　这样，云和雾共同形成一个彼此受益的计算模型，这一新的计算模型能更好的适应物联网应用场景。　　目前雾计算在物联网应用主要还是集中在工业物联网领域。这种设计主要使用局部的计算节点，在设备端（如：传感器、摄像机等）和云数据中心之间收集、存储和处理数据，而非使用远程云数据中心处理。比如国内的华制智能，这家总部位于深圳，在德国、日本、美国、以色列等国设立了8个海外办公室和研究院，在“智能制造+云”的商业生态中，是行业的领跑者。　　随着物联网市场的发展越来越成熟，消费者对于物联网应用的了解也逐步加深，于是我们看到更多由消费者参与并设计的案例出现，比如人工智能与计算机视觉应用结合也增加了对雾计算的需求。一个智能的物联网系统不仅需要收集和分析用户消费数据，在没有人类接入的情绪下它也需要作出相应的回应。　　为了达成这一点，物联网系统就需要通过分析从大量传感器中获取的数据进行实时人工智能推断，然后向机器发送指令，从而执行任务。在无人监督的环境中，人工智能引擎也需要实时收集实时数据，从而判断下一步需要采取的行动。　　对于智能物联网系统的下一代来说，雾或云的混合架构会是趋势。事实上，大型的云服务提供商已经开始进军雾计算，他们提供了重要的标准（像OpenFog联盟）以及推动物联网雾产品兴旺发展的生态系统。在设计智能雾计算节点或端点时，我们会在几年内看到嵌入式处理平台的数量不断增加。　　除此之外，工程师需要采用特定领域的算法和神经网络设计，从而在短时间和预算内交付产品，满足使用需求。　　对雾计算的展望　　有报告显示，到2022年，全球雾计算市场的机会将超过180亿美元，预测雾计算的最大市场依序是能源、公用事业、运输、医疗保健和工业类别。　　雾的总体收入来源最主要是硬件（51.6%），其次是雾应用程序（19.9%）和服务（15.7%）。

到2022年，随着雾功能并入现有的硬件中，开支将转移到应用和服务上。　　科技巨头在雾计算的布局　　Arm，Cisco，Dell，Intel，Microsoft，普林斯顿大学共同投资创办的雾计算研究项目OpenFog　　Orange(法国电信)与Inria(法国国立计算机及自动化研究院)共同主导的雾计算与大规模分布式云研究项目Discovery　　华为的“全面云化”战略　　Intel的“CloudComputingattheEdge”项目　　NTT的“EdgeComputing”项目　　AT&T的“Cloud 2.0”项目

云计算，绕不开杭州，也可能绕不开贵州。

杭州，因为浙江背后的制造产业升级，“中国智造”的概念以及政策扶植下，云计算企业，纷至沓来。阿里云本部就在杭州，云计算是阿里未来几年的战略重心，近水楼台，先得月，企业与政府之间，相互影响，也由此，杭州有了“中国西雅图”的别称。

贵州，之于云计算，定位是“数据之都”。与浙江一样，“数据之都”的由来与政府的开明，息息相关。

关于贵州，谚语说，“天无三日晴，地无三尺平，人无三分银”，但这都是过去。水资源丰富，以及崇山峻岭，在过去成为限制贵州经济的缘由，现在，却成了发展成“中国数据之都”的优势。

数据，需要电，需要水，也需要人。

提及贵州，容易联想到的标签，“茅台”，以及“遵义”。贵州常说，贵州五张名片，“贵酒”、“贵烟”、“贵茶”、“贵药”、“旅游”，但其实，除了茅台“贵酒”外，贵州其他几张名片，虽然成绩很好，但始终不是大众认知的第一印象，辨识度还不够。

一个例子，春茶季刚过，国内茶叶几个标杆，如杭州龙井、武夷大红袍、云南普洱、安化黑茶，绿茶中最有品牌也卖得最好的，便是西湖龙井，但其实，许多的龙井绿茶，鲜叶便是来自贵州。没有品牌，便难以溢价。其实，不少的安化黑茶，鲜叶也是源自贵州。

贵州官方，迫切需要第六张名片。

“数据之都”，很有可能就是贵州的第六张名片。打造这张“金名片”，靠的是“贵州数博会”，以及前后的项目落地，最为出彩的便是“云上贵州”。今年的数博会上，马云说，“错过了30年前的广东、浙江，不能错过今天的贵州”。这话，说得很漂亮，言者有意，听者有心。

这次“数博会”是首届“中国国际大数据产业博览会”，但严格地说，“贵州数博会”，开了三届，一届比一届规格高。这次峰会，最早是“2015年贵阳国际大数据产业博览暨全球大数据时代贵阳峰会”，由贵阳市人民政府、遵义市人民政府、贵安新区管委会、贵州省经济和信息化委员会、中国国际贸易促进委员会北京市分会、中国互联网协会共同主办。

2016年，数博会主办单位“升格”，由国家发改委、贵州省政府共同主办，全称变为“2016中国大数据产业峰会暨中国电子商务创新发展峰会”，主题为“大数据开启智能时代”。

今年的数博会，主办方再次“升格”，去年的国家发改委和贵州省政府之外，工业和信息化部和国家互联网信息办公室也参与其中，全称改为“中国国际大数据产业博览会”。

两年连“升”两级，其重视程度，可见一斑。

“广交会”之于广东制造一样，主办方也希望“数博会”能够有所斩获。

数博会背后，其实有更多的故事。譬如，“云上贵州”项目的落地。

这四年里，阿里云总裁胡晓明，一共来了贵州19次，第一次来，是2014年，那时候他还不是阿里云的总裁，数博会，也还是酝酿中。“云上贵州”是中国首个由省级政府主导的云平台，也拉开了贵州大数据产业爆发的序幕。

2014年，贵州省与阿里签署了《云计算和大数据战略合作框架协议》，协议中的一个细节是，贵州省政府做出规定：非特殊情况，所有省级政务部门将不再自建机房。两年后，新疆、山东等地陆续效仿。2016年，阿里云由马云率队来到贵州，签署了深化全面的合作，合作范围拓展至医疗、交通、安全等领域。

从2014年的合作协议签署，到二期工程成功结顶，“云上贵州”的部署输出，只用了3个月时间，阿里云为此投入了上百人，由胡晓明担任项目总指挥，贵州省各单位612各应用系统，均在“云上贵州”平台上运行，而王坚博士将“云上贵州”比喻成解放战争三大战役前最重要的“塔山阻击战”，这场战役直接决定了锦州战役，甚至影响了辽沈战役的结局。

“云上贵州”，其实是贵州“数据之都”的序幕。浙苏粤的云计算，强在应用层，更多的是云计算与原有的产业结合，无论是工业4.0的实施，抑或是“中国智造”的升级，靠得是企业经济效益的直接推动与政府政策扶植，至于贵州的“数据之都”战略，靠得是“云上贵州”的典范效应，政府的示范。

一次产业浪潮，便是一次造富浪潮，也总能带动区域经济。中国制造，成就了江浙沪粤，互联网、移动互联网成就了杭州、深圳、北京，那么云计算将会成就哪些城市？我们所熟知的，游戏产业，越来越多的公司将研发放到了成都，武汉有了“光谷”概念，而湘籍创业者与投资人也折腾起“岳麓峰会”…随着信息浪潮的继续，云计算、人工智能等发展，越来越多的中西部城市，也在纷纷布局。

贵州“数据之都”的战略，除了政府策略，以及阿里云等企业的参与，也与它的资源有关。曾经的劣势，却不想成为现如今的优势——“天无三日晴，地无三尺平，人无三分银”，“数据之都”的打造，需要水，需要电，也需要人，贵州是个资源丰富的成本洼地。

谚语有说，“三十年河东，三十年河西”，背后其实还是利益分配使然。既得利益者，往往不愿尝试变革，因为改革是需要付出成本的。正如胡晓明所说的，“当美国人还在用支票交水煤电费的时候，贵州、贵阳等很多市民开始拿出手机来买一碗粉，这何尝不是互联网应用的前进”？

同样的，互联网最初惠及了北上杭深，接下来的云计算或许就是中西部区域的崛起机会了。PC时代，淘宝盛行的一句词是，“江浙沪包邮”，而此刻，已经是“春节不打烊”的时代了。

贵州的“数据之都”战略背后，说到底，还是成本优势。当然，也有劣势——人才困境。事实上，贵州省，211大学，只有贵州大学。

阿里与贵州的战略合作中有一条条款：阿里巴巴用3年时间为贵州省培养2500名云计算与大数据高端专业人才、1万名专业技术人才。

今年的数博会，贵州理工学院与阿里云宣布“阿里巴巴·贵州理工大数据学院”正式启动，该学院将按照4年本科学制，开设网络工程、数据科学与大数据技术、应用统计学三个核心专业。

它将在今年迎来第一批本科生。

来源丨云计算头条（

"云计算"应该是一个耳熟能详的概念。云计算是一种IT资源的交付和使用模式，通过网络以按需、易扩展的方式获得所需的硬件、平台、软件及服务等资源。提供资源的网络被称为"云"，其计算能力通常是由分布式的大规模集群和服务器虚拟化软件搭建的系统来体现。

简单来说，"云计算"就是把终端数据放到"云"里去计算或存储。由于我们的终端设备存储能力不够，或者计算能力不够，我们只能把计算和存储的工作交给计算能力更强的设备进行计算和决策，终端设备发送信息给服务设备，完成运算后将结果发回给终端，并将必要数据在云端存储。这就是云计算的本质。

云计算面临着一个巨大的问题就是联网设备的飞速增长。根据思科公司的研究预测，随着物联网的飞速发展，全球IP流量将在未来四年里达到当前的三倍。万物万联时代即将到来，据Garetner预测，到2020年全球物联网连接设备将达260亿，而在2015年的时候，这个数字还只是160亿。由于接入设备越来越多，在传输数据、获取信息时，带宽就显得捉襟见肘。随着物联网和移动互联网的高速发展，移动应用成为人们在网络上处理事务的主要方式，数据量和数据节点数不断增加，不仅会占用大量网络带宽，而且会加重数据中心的负担，数据传输和信息获取的情况将越来越糟。

△ 雾计算节点与机器人协同配合避障试验

于是就有人想出了"雾计算"的概念。雾计算简单来说就是在终端和数据中心之间新增一个"网络边缘层",把一些并不需要或者不马上需要放到"云"的数据在这一层直接处理和存储，这样就可大大减少"云"的压力，同时也提升了传输速率，降低延迟性。由于计算能力较弱，雾计算更多的是提升网络传输的速度。

不仅如此，雾计算还有高可靠性的优点。为了服务不同区域的用户，相同的服务会被部署在各个区域的雾节点上，比如说智能设备终端本身；这样的话，一旦某一区域的服务异常，用户请求可以快速转向其他临近区域，而云计算一旦遇到网络或者服务器崩溃造成的危害则将要大得多。

最后就是对于资源消耗的降低。云计算的耗电问题已经被提及了无数次，《纽约时报》几年前曾作出过数据统计，谷歌位于全球的数据中心每年要消耗掉约3亿度的电量，这一数字超过了三万户美国家庭的全年用电量。数据中心的电力消耗已经成为重要成本，其中冷却系统占有不可忽视的比重。雾计算节点因为地理位置分散，不会集中产生大量热量，并不需要额外的冷却系统，从而减少耗电。

炒作质疑

从上面可以看到，雾计算的提出确实从一定程度上解决了云计算的一些顽疾。但是对于"雾计算"仅仅只是一个炒作概念的质疑却甚嚣尘上。这些质疑主要集中在以下几个问题，我们一一来进行讨论：

增加边缘网络层会增加拥堵

有人说雾计算的亮点就只是与物联网的结合，而且这个结合的基础，不是计算能力的提高，也不是业务模式的创新，而仅仅是由于传感器的数量增加。并用了一个例子进行说明：原本地铁到机场之间需要公交成来接驳，但随着人员的增多或者有些人赶时间，于是就改用出租车来进行接驳，但出租车数量的增加并不会提升整体的运力，如果数量过于冗余，反而会适得其反。

这个问题事实上是由于提出的人对雾计算的本质理解不够深刻而导致的。事实上用机场来进行类比，就说明了提出这个问题的人不专业。事实上云计算是一个中心集散地似的存在，而雾计算做的就是一定程度的去中心化，给集散中心减轻负担。用一个企业的决策可以进行类比：云计算相当于是一个企业所有的决策都由总经理来做，这在企业较小的时候是可行的，但是当企业逐渐发展壮大，每天所需要做的决策越来越多，由总经理一个人做决策就有点力不从心，这就需要增加管理层来承担一部分的决策工作，管理层接到员工的需求之后进行判断，如果非常重要的内容就继续上传给总经理进行决策，如果不是很重要的内容就自行决定，不占用总经理的时间。这才是雾计算的本质，并不是增加去机场的出租车，而是阻止一部分人并不需要去机场的人去机场。

雾计算只是进行了分段传输，并没有解决延时问题

还有人质疑说"雾计算的本质是在云与本地之间搭建一个中转站，但这一中转中心并没有解决网络带宽的问题，而只是原本的一个一公里变为两个0.5公里，这个中转中心同样会面临因并发的数据传输量的激增导致的网络拥堵。云端的传输速度的问题主要不在于传输的距离、传输的设备，而是主要取决于传输的数据量的大小，传输的数据量越小，传输的速度也就更快。"

这个问题其实本质上跟一个问题是相似的，雾计算并不是来解决带宽问题的，也并不只是进行了分段传输，虽然表面上是将距离进行了分段，但是其本质在于通过网络边缘层的计算，减少进入后0.5公里的传输压力；同时通过增加和分散传感器减轻前0.5公里的传输压力。雾计算所做的就是减少数据量的传输，从而提高传输的速度。当然"这个中转中心同样会面临因并发的数据传输量的激增导致的网络拥堵。"这句话却没有涉及本质上的问题，因为虽然雾计算能在一定程度上减轻传输的压力，但是它究竟能承受住多大的数据量激增也并不一定，毕竟万物互联的时代，数据量的增长完全超乎我们的想象。

应用前景

由于视频监控系统网络化、高清化、智能化的进步，是一个需要传输、处理海量数据的系统，因此雾计算在这个领域也有很好的应用前景。2016年9月，任正非签署了华为与徕卡共同设立麦克斯？别雷克创新实验室的协议。他预计，未来的信息社会将有90%以上的流量来自图像和视频。

总结

事实上，对于雾计算抱有"炒作"质疑的人，大多是因为对雾计算不甚了解。这些人更多的或许是一种对新事物的习惯性排斥，当然也不乏一些一边说着"云计算、雾计算、霾计算",一边不愿意对雾计算做更多了解的调侃。还是那句话，我们要给新生事物更多的包容和耐心，日新月异的世界，我们依据过往知识和经验做出的判断不一定准确。再不济，我们也至少要做到因为了解而发言，对一件事物进行抨击是很容易的，但我们在进行抨击的时候至少要心怀敬畏，不能信口开河。

随着智慧城市、智慧家庭等物联网应用的普及，万物智能互联产生的数据量愈加庞大，对计算资源及能力提出更高的需求，而云计算在一段时间内充分满足了终端设备的资源期待，但随着智能设备数量日益猛增，内存、CPU等计算资源的内功逐渐显不足，造成目前市场上智能硬件设备不够智能化，此时，雾计算应运而生。

海量数据仍冬眠不休

据IDC数据统计，2015年全球智能可穿戴出货量达7810万，虚拟现实产业达15.4亿，智能服务机器人市场规模达80亿美元，预计，2020年我国智能硬件产品和服务的总体市场规模可达10000亿。可见，IoT在呈爆炸式增长，万物万联时代即将到来，据Garetner预测，到2020年全球物联网连接设备将达260亿。

随着智能互联硬件设备的愈日剧增，数据量愈加庞大，众所周知，物联网的真正价值来源于数据，但是，据相关数据显示，99%的设备产生的数据未被采集和存储，因此需要布置越来越来的传感器到智能设备中，这是庞大数据来源的基础。最为关键的是，在智能终端、网关或本地服务器，由于采集的数据流要先传输至云端，由云端的大数据中心平台进行批量分析，再将结果传输至智能终端，中间时间过到延迟，导致无法基于运算结果做实时的决策，可以说，数据的能量尚未“觉醒”，数据价值还远远未被有效利用。

针对由于计算资源不足导致的数据能量“冬眠”，仅靠提升宽带传输能力是不够的，必须能灵活部署计算资源，减少中间传输环节，能根据用户需求，实时做决策，但目前这是单靠云计算的传统能力是无法实现的。

云计算的困惑雾来解?

不可置否，近十多年来，云计算平台为云用户提供数据中心的计算资源，一直发挥着其优越性，比如拥有无限的资源池、大量用户共享资源带来的廉价资源、随时随地用任何网络设备访问、快速重新部署、弹性的资源租用等。但是，随着智能硬件设备的快速普及，云计算的不足也是显而易见的（ydotpub）。

众所周知，智能硬件设备的位置一般都比较分散，在互联网的多层结构中，云计算数据中心位于核心网络，而核心网络距离终端用户一般比较远，用户消息需要几经周折才能到达，导致了较高的延迟，对实时性要求高的应用难以部署至中心云端。另外，由于大量的物联网设备应用部署在中心网络云端，将带来网络拥塞，遇到安全、生命相关的物联网应用，一旦中间某一环节应用失效，将带来重大的安全隐患，因此，云计算已经渐渐不能满足物联网发展多样化的需求，雾计算正是这个时候应运而生。

雾计算的概念是思科两年前提出的，在思科的定义中，雾主要使用边缘网络中的设备，这些设备可以说是传统网络设备如部署在网络中的路由器、交换机、网关等，也可以是专门部署的本地服务器。但是，雾计算一直以来只是概念化，并未真正的落地，机智云公司CEO黃灼表示，雾计算与边缘计算是相通的，即是把云端的能力部分释放到网络的边缘、设备端或网关，推到设备端称为边缘计算，推到网关或路由器就叫雾计算，从而减轻云数据中心的网络及计算负载。

与云计算相比，雾计算是更贴近最终用户的数据通信处理解决方案，但雾计算仅是云计算的延伸，并不是替代，雾计算将数据、数据处理和应用程序集中在网络边缘中的设备中直接处理和存储，然后把剩余的有价值的数据传输向云服务器进行存储或者下一步处理，帮助云计算最高效率的发挥其自身的价值，简单的说，就是把云计算的概念即运算效率高、快速更新与部署的优越性转移到设备端或网关，把思科的理念用到企业当中，解决目前处理海量数据时计算资料不足的问题。

雾计算具有很重要的商业价值，据了解，云计算全球数据中心用电功率相当于30个核电站，数据中心的电子消耗已经成为重要成本，而雾计算节点位置比较分散，不会集中产生大量热量，从而减少耗电，降低成本。另外，雾计算低延时互动，提升用户体验，而且去中心化地理分布，满足万物互联硬需，有效助力移动业务布局，实理移动数据分析，关键是可以有效保护商业数据隐私。

云端推助雾计算落地

如果说核心高速云计算是处于大型数据中心，雾计算就是广泛的地域分布，满足移动性要求的业务部署，黃灼表示，未来的数据中心一定是云雾结合的数据中心，企业级计算的未来仍然在云中，但真正的计算变革却在雾里（ydotpub）。

雾计算要具体如何真正落地?如何动态、大规模地部署运算和存储能力，云端和设备端如何高效协同、无缝对接，复杂的运算如何在云和雾之间合理的分解和整合。针对问题，黃灼认为，通过对云管端三者都有控制力的技术平台才能实现雾和云结合的真正落地，把物联网、大数据及机器学习整合起来是目前面临的最大障碍。通过“云+雾”计算架构，机器学习可以把数据采集和处理逻辑动态分配到设备和网关端，让海量的终端设备参与到机器学习的运算中，大大的增加了可采集的数据量和运算资源，可以高效的实现复杂的机器学习算法。

云和雾共同形成一个彼此受益的计算模型，这一新的计算模型无疑能更好的适应物联网的应用，而且具有重要的商业价值，在智能硬件、智能电网、车联网及智能家庭等领域的应用场景不胜枚举。比如，在智能交通灯监控系统中，对于需要人为监控的画面，雾节点将视频流直接转发给中心机房，而其他监控视频对实时性要求不高的话，可以直接在雾节点处理，压缩后再传向中心机房，这样从雾节点到机房的网络宽带就得到缓解，当然，在灵活处理云和雾之间的数据流传输及处理，得益于云管端这样的一个技术架构平台。

云计算是什么？云计算与大数据要学啥？云计算的虚拟空间无限大，物联网和互联网产生的大量数据，要找一个地方集中存储和处理，就要用云来存储。比如我们平时手机或电脑存储空间不够的情况下，会把一些图片及视频存在云盘，云端。

云计算，简单说就是把你自己电脑里的或者公司服务器上的硬盘、CPU都放到网上，统一动态调用，现在最有名的云计算服务商是亚马逊的AWS。以前你要玩最新的大型3D游戏或者做了个大型3D动画需要渲染，首先想到的都是重新买一台更高配置电脑或者换个显卡等；

有了云计算之后，你只需要一台显示器，连到服务商的云计算平台上，如果想玩两天新游戏，就单独购买这两天的高配CPU和显卡，只付两天的钱，玩腻了就恢复成普通的配置；如果你今晚要做大量渲染，就买今晚几个小时的高配，第二天早上拿到成片，就可以恢复原来的配置。所有这些计算和渲染工作都在云计算服务商的数据中心统一完成，你只需要按小时甚至按分钟计费，不用再自己买电脑和服务器了。做云计算的服务商都会自建数据中心。

大数据，简单说，就是把所有的数据放到一起分析，找到关联，实现预测。这里的所有数据对应的是之前的抽样调研取得的部分数据。比如传统的市场调研方法，就是去大街上或者网上发问卷，能得到成百上千份结果就很不错了，或者邀请几个典型用户到会议室访谈一下；大数据的做法是把收集所有人的数据进行分析，把每个人都当做独立个体进行分析，而不是找群体特征。大数据的结果就是更精准，更细致，更个性化。

再比如我们经常会看一些现代谍战片，侦察部如何找到罪犯？就是通过全城监控录像，在海量数据中搜索一个人的面孔，犯罪分子只要出现在监控中都会保留一条数据及位置，从而更好地实施下一步方案，大大提高破案效率。这也是企业为什么在极力追捧云计算大数据技术。再比如京东、淘宝、今日头条、新浪、百度、网易、等购物网站，就是采用这种技术。今天看过或搜过的，下次再打开就会主动推送什么类型的文章。

简单的说大数据就是超级存储的意思，海量数据上传到云平台后，大数据就会对数据进行深入分析和挖掘。在在各行各业均存在大数据。比如天气预报，气象中心会通过卫星发送回气象局无数条关于空气温度、湿度、密度、空气微粒等的数据，运用大数据技术，从而分析判断出这些数据。得出天气状况、空气质量、温度及风量。再比如将几千辆车的数据位置信息综合起来分析出某条路的拥堵状况。大数据必须有云作为它的基础架构，才可以推广并体现出强大的实用价值。云计算和大数据是相辅相成的。

人工智能、机器学习、统计学和数据挖掘有什么区别？

是否可以这样说，它们是利用不同方法解决相似问题的四个领域？它们之间到底有什么共同点和不同点？如果它们之间有层次等级的区分，应该是怎样一回事？

我假定题主是想得到一个清晰的图，上面有各个领域清晰的分界线。因此，在这里我尝试用我最简单的方式来解释这个问题。

机器学习是一门涉及自学习算法发展的科学。这类算法本质上是通用的，可以应用到众多相关问题的领域

数据挖掘是一类实用的应用算法（大多是机器学习算法），利用各个领域产出的数据来解决各个领域相关的问题。

统计学是一门研究怎样收集，组织，分析和解释数据中的数字化信息的科学。统计学可以分为两大类：描述统计学和推断统计学。描述统计学涉及组织，累加和描绘数据中的信息。推断统计学涉及使用抽样数据来推断总体。

机器学习利用统计学（大多是推断统计学）来开发自学习算法。

数据挖掘则是在从算法得到的结果上应用统计学（大多是描述统计学），来解决问题。

数据挖掘作为一门学科兴起，旨在各种各样的行业中（尤其是商业）求解问题，求解过程需要用到不同研究领域的不同技术和实践。

1960年求解问题的从业者使用术语Data fishing来称呼他们所做的工作。1989年Gregory Piatetsky Shapiro使用术语knowledge Discovery in the Database（KDD，数据集上的知识发掘）。1990年一家公司在商标上使用术语数据挖掘来描述他们的工作。现如今现如今数据挖掘和KDD两词可以交换使用。

人工智能这门科学的目的在于开发一个模拟人类能在某种环境下做出反应和行为的系统或软件。由于这个领域极其广泛，人工智能将其目标定义为多个子目标。然后每个子目标就都发展成了一个独立的研究分支。

这里是一张人工智能所要完成的主要目标列表（亦称为AI问题）

1、Reasoning（推理）

2、Knowledge representation（知识表示）

3、Automated planning and scheduling（自动规划）

4、Machine learning（机器学习）

5、Natural language processing（自然语言处理）

6、Computer vision（计算机视觉）

7、Robotics（机器人学）

8、General intelligence or strong AI（通用智能或强人工智能）

正如列表中提到的，机器学习这一研究领域是由AI的一个子目标发展而来，用来帮助机器和软件进行自我学习来解决遇到的问题。

自然语言处理是另一个由AI的一个子目标发展而来的研究领域，用来帮助机器与真人进行沟通交流。

计算机视觉是由AI的目标而兴起的一个领域，用来辨认和识别机器所能看到的物体。

机器人学也是脱胎于AI的目标，用来给一个机器赋予实际的形态以完成实际的动作。

它们之间有层次等级的区分吗，应该是怎样一回事

解释这些科学和研究层次关系的一个方法是分析其历史。

科学和研究的起源

统计学——1749年

人工智能——1940年

机器学习——1946年

数据挖掘——1980年

统计学的历史公认起源于1749年左右，用来表征信息。研究人员使用统计学来表征国家的经济水平以及表征用于军事用途的物质资源。随后统计学的用途扩充到数据的分析及其组织。

人工智能的历史碰巧存在两种类型：经典的和现代的。经典人工智能可在古时的故事和著作中看得到。然而，1940年当人们在描述用机器模仿人类的思想时才出现了现代人工智能。

1946年，作为AI的分支，机器学习的起源出现了，它的目标在于使机器不通过编程和明确的硬接线进行自我学习来对目标求解。

是否可以这样说，它们是利用不同方法解决相似问题的四个领域？

可以这么来说（统计学，人工智能和机器学习）是高度相互依赖的领域，没有其他领域的引领和帮助，他们不能够单独存在。很高兴能看到这三个领域是一个全局领域而非三个有所隔阂的领域。

正如这三个领域是一个全局领域，它们在解决共同目标时发挥了自己的优势。因此，该方案适用于许多不同领域中，因为隐含的核心问题是一致的。

接下来是该数据挖掘出场了，它从全局获取解决方案并应用到不同的领域（商业、军事、医学、太空）来解决同一隐含本质的问题。这也是数据挖掘扩大其受欢迎程度的时期。

我希望我的解释已经回答了答主所提问一切疑问，我相信这能清晰地帮助任何一个想要理解这四个领域关键点的人们。如果你对该话题有任何想要说的或者要分享的，请在评论里写下你的想法。

云计算，大数据是现下比较火的，两者之间互有关系，一般谈云计算的时候也会提到大数据。所以说感觉他们又相辅相成不可分割，如果是非技术的人员来讲可能比较难理解说这两者个之间的相互关系，所以有必要解释一下。

一、大数据时代，众人拾柴火焰高。

当数据量很小的时候，很少的几台机器就能解决。慢慢的当数据量越来越大，最牛的服务器都解决不了问题的时候，就想怎么办呢?要聚合多台机器的力量，大家齐心协力一起把这个事搞定，众人拾柴火焰高。

对于数据的收集，对于IoT来讲，外面部署这成千上万的检测设备，将大量的温度，适度，监控，电力等等数据统统收集上来，对于互联网网页的搜索引擎来讲，需要将整个互联网所有的网页都下载下来，这显然一台机器做不到，需要多台机器组成网络爬虫系统，每台机器下载一部分，同时工作，才能在有限的时间内，将海量的网页下载完毕。

对于数据的传输，一个内存里面的队列肯定会被大量的数据挤爆掉，于是就产生了基于硬盘的分布式队列，这样队列可以多台机器同时传输，随你数据量多大，只要我的队列足够多，管道足够粗，就能够撑得住。

对于数据的存储，一台机器的文件系统肯定是放不下了，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。

再如数据的分析，可能需要对大量的数据做分解，统计，汇总，一台机器肯定搞不定，处理到猴年马月也分析不完，于是就有分布式计算的方法，将大量的数据分成小份，每台机器处理一小份，多台机器并行处理，很快就能算完。例如著名的Terasort对1个TB的数据排序，相当于1000G，如果单机处理，怎么也要几个小时，但是并行处理209秒就完成了。

所以说大数据平台，什么叫做大数据，说白了就是一台机器干不完，大家一起干。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?

二、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。当想要干这些活的时候，需要好多好多的机器一块做，真的是想什么时候要，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，一周用一次对吧，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，然后不算的时候，这一千台机器可以去干别的事情。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，其实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，一个小公司我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，两个人就这样结合了。

分析和存储是大小企业的两个重要挑战。首先，大数据量的大幅度增长。经济，安全地存储这些数据是云计算机组织的首要任务之一。这引起了雇用熟练数据分析师，数据工程师和所有数据科学家的趋势。除了数据科学家必须拥有的各种技能，如分析，统计和编程，他/她也应该在组织存储数据的较新平台上工作。

数据科学与云计算的重要性

数据科学和云计算本质上是并行的。数据科学家通常分析存储在云中的不同类型的数据。随着大数据的增加，组织越来越多地在线存储大量数据，并且需要数据科学家。我们来看看数据科学家可能在云中工作的数据类型：

查看各种数据集，不论大小，格式等。

查看结构化，半结构化和非结构化数据

分析它们以获取见解

然而，这种数据的问题是，它经常处于不同的孤岛。鉴于存储现在便宜得多，开源平台和工具可用于数据科学家，云是关键。

云计算和数据科学家？

云计算可以帮助数据科学家使用诸如Windows Azure之类的平台，可以免费获得编程语言，工具和框架以及费用。

数据科学家通常很乐意使用MapReduce工具，如Hadoop来存储数据，以及检索工具，如Pig和Hive。他们还使用其他语言，如Python和Java来编写程序。

通常，可以看出，数据科学家使用两种类型的工具 - 开放源代码工具，如R，Python，Hadoop框架和几种可扩展的机器学习工具，以及其他更多的商业可用的工具，如MS SQL，Tableau，Oracle RDB和的BusinessObjects。

鉴于数据集的大小和工具和平台的可用性，了解云不仅对数据科学家是相关但至关重要的。

物联网

据Gartner介绍，到2020年，物联网将有大约260亿台设备。想像一下这种互连产生的数据。其中大部分将在云端可用。因此，需要灵活性，多个处理系统和不同的数据集，数据科学与云计算有着密切的关系。

数据科学家薪资

数据科学家是大数据和分析工作中最受追捧的人之一。与其他职业的简单比较可以让您清晰地了解事情的变化。

鉴于数据科学家所需的技能是广泛的，而且显然缺乏这种技能，所以赔偿是非常有竞争力的。根据Burtch Works的一项调查显示，3年以下工作经验的数据科学家的平均工资可能约为90,000美元，而在管理层面，这个数字科学家的平均工资可能高达16万美元。数据科学家在管理层面的薪酬比中级大数据专业人员更具竞争力，进一步重申数据科学家有一个光明的未来。

数据科学与云计算的未来

在组织投资最多资源两个方面保持盈利的时候，其中包括大数据，并确保数据保持在云中。处理数据并将其转移到云组织可以带来两个好处，包括处理大量数据以进行决策，并降低总体基础架构成本。在这两个领域的巨大需求和数十亿美元的投资都在这里留下来。

开动你的脑筋，有任何意见请在下方评论，或者去大数据学习交流8群640193172讨论，欢迎你的加入！

什么是大数据？

分析是一种使用哪些数据模式可以被理解和性能量化来做出决策的方法。为了实现这种编程，使用了统计和研究。最终目标是帮助做出更多基于数据而不是直觉的决策。这是因为基于证据或数据的决策被认为更可靠。

大数据与传统上称为分析的内容分开的主要区别是什么?差异在于现在可以轻松获取的数据量，数据与各种数据点一起整理的速率。

1.数据量 - 每40个月创建的数据量翻倍。目前的数据创建速率在每天2.5艾字节的范围内。换句话说，二十年前互联网上可用的数据量在今天的任何特定时间都在互联网上传播。这些数据发布于2013年哈佛商业评论出版物。

2.数据速度 - 收集的数据量不如今天收集数据的速度重要。只要公司能够实时处理大量数据，公司就具有竞争力。其中一个最大的例子是麻省理工学院媒体实验室使用基于位置的数据收集来查找黑色星期五在梅西停车场的购物者数量。唯一的目的是甚至在销售结束之前估算销售额。这种数据让分析师占上风。

3.数据多样性 - 据我们所知，大数据来自各种来源，但其中最突出的数据包括来自手机的GPS信号，以及社交网络平台上发布的消息，图像和更新。大多数这些大数据来源都是新的。 Facebook和Twitter等社交网络分别于2004年和2006年开始，而iPhone仅在2007年发布。因此，今天新开发的数据库非常不适合存储大数据。然而，诸如带宽，存储器，处理和存储的计算元件逐渐变得更便宜。

什么是云计算？

云计算是一种利用大规模低成本运算单元通过IP网络相连而组成的运算系统，以提供各种运算服务。

云计算将为处理大型复杂并行数据集的即将到来的复杂性提供答案。这是因为云计算具有处理需要大量计算能力的大数据所需的灵活性和灵活性。云计算也是处理结构化和非结构化数据的最佳平台。

云计算发源于搜索引擎平台，互联网企业在创业阶段出于追求低成本高效能的考虑开发出一种计算技术，目前已成为提供各种互联网服务的重要平台。

大数据Hadoop与云计算openStack一起不仅仅是当今时代的要求，而是一种必需品。

「人工智能其实就是统计学，只不过用了一个很华丽的辞藻，其实就是统计学。」8 月 11 日，2011 年诺贝尔经济学奖获得者 Thomas J. Sargent 在由厚益控股和《财经》杂志联合主办的世界科技创新论坛上表示。

从人脸识别到语音识别，从 Face ID 到智能音箱，人们逐渐习惯人工智能对生活带来的改变。但在 Sargent 看来，人工智能发展到今天，并没有脱离统计学的范畴，根本不算什么科学领域的新突破，甚至于人工智能的大多数技术的突破都是基于过去二三十年统计学的进步。

Sargent 曾因「对宏观经济中因果的实证研究」而获得 2011 年诺贝尔奖经济学奖，但他研究和精于的领域并不只是宏观经济，还包括许多前沿技术对经济发展的理论探究。

2017 年，Sargent 曾加盟北京大学汇丰商学院，组建「萨金特数量经济与金融研究所」。该研究所的主要研究方向除了数量经济学理论与应用方面的研究与教学外，还包括用大数据和云计算研究中国与世界各国的宏观经济、国际投资与贸易、能源环境经济等。

在世界科技创新论坛上，Sargent 匆匆几句对人工智能下了一个定义。为了让读者们更清晰地了解 Sargent 为什么将人工智能称为「统计学」上的东西，8 月 12 日，极客公园与 Thomas J. Sargent 展开了对话。对话中，除了人工智能，Sargent 还谈到了他对目前科技的发展的看法，对前沿技术的判断，以及对中美贸易战中关于科技知识产权的理解。

以下为极客公园与 Thomas J. Sargent 的对话内容，经极客公园整理：

GP：你说人工智能只是统计学的延伸，但有一种观点认为，通过大量的计算，机器可以像人一样聪明，甚至具备独立思维，你相信吗？

S：不。

GP：为什么？

S:我认为你绝对不能这么想。是的，你现在可以看到机器在一些事情上可以做得比人更好，但是有一些事情是人甚至是狗可以做得更好。了解我们擅长什么以及机器应该擅长什么是做人工智能的人想出来的。

我举个例子，有一个人工智能机器人呆在这个房间里，这时候有人上来试图绊倒我，或者倒些水在我身上，机器人距离理解这种行为还很远，因为我正在做的事情非常复杂。但人就不同了，我有神经传感器，我有皮肤，我可以感知这一切。想一下，你怎么让机器人准确的摸着我手的某个特定位置呢（意指如何让机器人帮他擦掉手上的水滴）？

我有做人工智能的朋友，我知道现在的人工智能机器人在要完成这样的任务非常困难。

计算机是非常擅长计算，它们可以非常快速地完成计算人算不了的东西，但最终必须由人来组织和分析这些计算。你甚至可以看一些非常成功的人工智能应用，它不仅是机器在「思考」，也是科学家在思考。甚至像 AlphaGo 的算法看上去是第一次出现，但其实有很多非常聪明的数学，并且是由人设置教学内容。人工智能是由机器和人分饰两角的，非常有趣。

GP：但是 AlphaGo 赢了人类，所以你如何看待人工智能领域近年来的变化？

S：在这个领域的确取得了太多太多的进步，正在解决很多以前的大问题。

但是我觉得这里面存在一个陷阱，我将它称为「纬度陷阱」。我们把问题写下来，然后针对这个想解决的问题提出了方程式。但是，再往深想一步，为了不断解决各种复杂的问题，我们也在把问题变得更大，我们要计算的数量也越变越大。

即使我们现在有非常强大的机器可以解决这些问题，但未来也会存在很多问题。另外，我们甚至没办法期待有机器来解决学到的新问题。所以人工智能更像是一条帮助工作的快捷方式，但这条路径需要很多聪明人的投入到基层运算中。

GP：所以你认为人工智能这种技术，其实是在浪费时间，没什么价值？

S：不不不，我不是说人工智能其实是在浪费时间。人工智能真的很有用，比如在我所在的领域，它能帮助我们更好地解决问题。当我说人工智能只是统计学的一个拓展时，我的意思是，虽然统计学是一个很棒的领域，但它并不是什么新的领域。

卡内基梅隆大学里有一个教授和我观点一样，他还出了一本书，里面有充分的数据证明。我其实就是继承了他的观点。如果你现在去学习人工智能的课程的话，你会发现所谓的人工智能不过是将不同的统计方法组合起来然后运行。

其实人工智能也和数学结合得非常紧密，比如，如果你去学习统计学你会发现它离不开数学底层的最小二乘回归法，这甚至是人工智能最基层的组成部分。

GP：那么，如果人工智能不算新的技术，你觉得哪些新技术更值得我们探索？

S：AI 是一个巨大的领域，它当然也会产生一些新的东西。但如果要我说有什么值得探索的技术的话，我认为是「区块链」。区块链使用了加密技术，使用信息理论编码和解码，加密信息并以可靠的方式共享信息。

区块链会带来巨大的进步。你看看现在都有谁参与到区块链发展的进程中？各种各样的人都在做，政府在做，情报机构在做，科学家也在关注它。当你观察这个领域的时候，你会发现，这不是统计学上的东西了，它要使用高水平的数学理论来对事物进行编码。在你的有生之年，你会看到这将是多么巨大的进步。当然，它可能很快就会取得突破，但也有可能要上好些年。

（清华大学国家金融研究院院长、国际货币基金组织前副总裁朱民与Thomas J. Sargent ）

GP：作为经济学家，你觉得 AI、区块链或其他什么技术会对我们的经济发展产生更有意义的影响？

S：可能不会是单一技术，而是不同技术的组合。你看阿里巴巴，他们使用计算机，使用不同的经济理论，使用博弈论，使用区块链。就像一个打造一个帝国一样，人们会从不同的思想中汲取创意，然后创造性地将它们结合起来。

GP：你好像对阿里巴巴很熟悉，那你肯定也知道科技公司现在的市值是越来越高了。比如，前几天苹果市值超过 1 万亿美元。有人质疑这些大的科技公司，他们没有像传统产业那样带来很多工作，不应该拥有这么高的价值。你如何看待这一观点，怎么看待科技公司？

S：的确是有一些研究得出过类似的结论，但我还没有专门做过研究。在我看来，像亚马逊、阿里巴巴这样的公司实际上创造了各种各样的工作。比如阿里巴巴，它是一个小商人的平台，你知道，在没有良好的销售网络之前，小店主卖东西是很困难的，但有了阿里巴巴他们现在可以在全国范围内销售。

电商或者说科技真的做出了非常令人惊奇的贡献，提供了各种各样的机会。如果要从计算数据上来看，这可能非常复杂。但不管怎么说，这的确是一个非常好的研究话题，真的是非常好的研究话题。

GP：你如何评价科技公司对一国经济的重要性？

S：他们是经济增长的引擎，非常重要的引擎，尤其是在那些前沿领域。

GP：我们现在在谈科技，之前也有人谈到贸易战，这两者分不开。在前一阵中美贸易战谈判中，美国要求中国对知识产权做非常严格的规定，你怎么评价美国的这个做法？

S：这个需要长远来看。事实就是我们（美国）会警告，让中国害怕，而不是日复一日的说空话。我给你讲一个真实的故事吧，十九世纪的时候，美国还只是个发展中的国家，而不是那些排名靠前、技术优良的国家。我们在保护知识产权方面也做得非常糟糕，我们从英国「偷」了东西，我们不尊重英国版权法，未经许可复制了他们的工厂。

那个时候英国人也会抱怨我们，就像美国抱怨中国一样，我们互相指责，最后我们假装对英国的指责视而不见。但后来，你猜猜怎么着？当我们作出改变，对知识产权变得重视时，我们慢慢也获得了我们想要保护的大量知识产权。所以我觉得，当有一天中国越来越多地认为中国正在创造知识产权时，对中国的这种指责会消失的。只是我不知道这个日期是什么时候，这个争议也不会突然停止。

GP：在中国的经济学界有一种观点，他们认为，美国如果抱怨中美进出口不平衡，那就应该向中国出口更多的高科技知识产权，这将有助于中国和美国的进出口达成平衡，你怎么看待这个问题？

S：知识产权真的很棘手，因为经济学家对此持不同意见。有的人就觉得你保护知识产权就是在保护垄断。知识产权被政府关在办公室里保护起来，是不是好事呢？这真的很棘手，因为有人也觉得有知识产权保护能能刺激适当的创新。

我不是这方面的专家。但是我知道有一些杰出的经济学家认为，美国版权保护中的一些专利保护即使对于美国的利益来说也不是一件好事，因为它们太过于抑制竞争了。这是一个持续的研究问题，我也没办法给出一个确定的答案。

责任编辑：卧虫