2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法的出现，人工智能开始大爆发。
有人认为将人工智能与大数据结合在一起是一个很自然的错误，其实不然，大数据是需要在数据变得有用之前进行清理、结构化和集成的原始输入，而人工智能则是输出，即处理数据产生的智能，所以两者有着千丝万缕的联系。
人工智能实现最大的飞跃是大规模并行处理器的出现，特别是GPU，它是具有数千个内核的大规模并行处理单元，而不是CPU中的几十个并行处理单元。这大大加快了现有的人工智能算法的速度，现在已经使它们可行。
大数据可以采用这些处理器，机器学习算法可以学习如何重现某种行为，包括收集数据以加速机器。人工智能不会像人类那样推断出结论。它通过试验和错误学习，这需要大量的数据来教授和培训人工智能。
人工智能应用的数据越多，其获得的结果就越准确。在过去，人工智能由于处理器速度慢、数据量小而不能很好地工作。也没有像当今先进的传感器，并且当时互联网还没有广泛使用，所以很难提供实时数据。人们拥有所需要的一切：快速的处理器、输入设备、网络和大量的数据集。
毫无疑问，没有大数据就没有人工智能。
什么是大数据
大数据是相当于传统数据的概念，大数据的“大”体现在数据的 数量大，种类多，产生快，处理快，价值高等特点，大数据的学习路线又可以分为两种，一种是大数据 开发分析应用，以时下热门的hadoop和spark为主；另外一种是大数据的研发工作，也就是开发出大数据处理需要的数据库，统计平台，研发新的机器学习的算法等等。总之，分析是为了追求数据结果的，研发是为了更好的去分析。但是想在大数据领域学习下去，两种都必须有所涉及，但是学习要有侧重其中一种。
为什么学习大数据？
因为大数据能带给我们的三个关键的观念转变：是全部数据，而不是随机采样；是大体方向，而不是精确制导；是相关关系，而不是因果关系。
（1）全体数据——在大数据时代，我们可以分析更多的数据，有时候甚至可以处理和某个特别现象相关的所有数据，而不再依赖于随机采样(随机采样，以前我们通常把这看成是理所应当的限制，但高性能的数字技术让我们意识到，这其实是一种人为限制。
（2）大数据具有混杂性——研究数据如此之多，以至于我们不再热衷于追求精确度;之前需要分析的数据很少，所以我们必须尽可能精确地量化我们的记录，随着规模的扩大，对精确度的痴迷将减弱;拥有了大数据，我们不再需要对一个现象刨根问底，只要掌握了大体的发展方向即可，适当忽略微观层面上的精确度，会让我们在宏观层面拥有更好的洞察力;
（3）相关关系——我们不再热衷于找因果关系，寻找因果关系是人类长久以来的习惯，在大数据时代，我们无须再紧盯事物之间的因果关系，而应该寻找事物之间的相关关系;相关关系也许不能准确地告诉我们某件事情为何会发生，但是它会提醒我们这件事情正在发生。
大数据就业薪资
目前，一个大数据工程师的月薪轻松过万，一个有几年工作经验的工程师薪酬在40万~160万元之间，而更顶尖的大数据技术人才则是年薪轻松超百万。
高薪只要你敢想，敢付出，还害怕高薪的人不是自己吗？
