从大数据到认知计算，未来需要更强的计算能力

大数据分析属于认知计算的一个维度。与大数据相比，认知计算的范围更广、技术也更为先进。

认知计算是IBM提出的概念，认为“认知计算”是通过与人的自然语言交流及不断地学习，从而帮助人们做到更多的系统，是从硬件架构到算法策略、从程序设计到行业专长等多个学术领域的结合，能够使人们更好地从海量复杂的数据中获得更多洞察，从而做出更为精准的决策。IBM清晰地把认知计算定义为——具备规模化学习、根据目标推理以及与人类自然互动能力的系统。

认知计算和大数据分析有何区别?

大数据分析属于认知计算的一个维度。与大数据相比，认知计算的范围更广、技术也更为先进。

认知计算和大数据分析有类似的技术，比如大量的数据、机器学习(MachineLearning)、行业模型等，大数据分析更多强调的是获得洞察，通过这些洞察进行预测。此外，传统的大数据分析会使用模型或者机器学习的方法，但更多的是靠专家提供。

对于认知计算而言，洞察和预测只是其中的一种。但是，认知计算更为强调人和机器之间自然的交互，这些维度都不是传统的大数据分析所强调。

此外，认知计算目前成长很快的一个领域为深度学习(DeepLearning)，它的学习方法与传统方法不同，更多的是基于大量的数据通过自学的方式得到这样的模型，而不需要很多的人为干预，这个从学习方法来讲和大数据分析有很多不同的地方。

CPU、GPU、ASIC等传统计算资源的瓶颈

近十年来，人工智能又到了一个快速发展的阶段。深度学习在其发展中起到了中流砥柱的作用，尽管拥有强大的模拟预测能力，深度学习还面临着超大计算量的问题。在硬件层面上，GPU、ASIC、FPGA都是解决庞大计算量的方案。

在2006年的时候，人们还是用串行处理器处理机器学习的问题，当时Mutch 和 Low