Articles | 美国华人信息科技协会

中国云计算产业的五大贡献和四大趋势

【通信产业网讯】(记者李秀远) 5月18日，在第八届中国云计算大会上，工业和信息化部信息化和软件服务业司司长谢少峰，围绕国内云计算产业的现状、未来发展趋势阐述了自己的看法。　　五大贡献云计算在服务我国经济上的五大贡献：其一，催生新的经济增长点。据统计，2015年我国云计算产业的规模接近1500亿元，增收超过30%，是全球增速最快的市场之一。其中，公有云增速达到47%，私有云增速达到26%，产业结构不断优化。公有云服务的三个类别来看，SISS市场规模最大，未来几年市场份额将进一步扩大，逐步形成了从基础软硬件到咨询建设迁移交付运维等全流程的产业链。云计算的快速发展，带动了上下游产业的迅猛发展，成为新的经济增长点，形成了产业发展的新业态、新模式。其二，关键技术研发取得突破。云计算的能力建设取得显著的进展，部分关键指标达到了国际先进水平。目前我国云计算领军企业的单机服务器规模达到了过万台，数据处理能够达到1BG，支撑金融支付服务等业务的峰值达到世界领先水平。云计算的系统解决方案取得积极进展，针对不同业务场景形成多套云计算解决方案，并在政府、政务、交通医疗等领域取得广泛的应用，面对云计算服务器的微模块数据中心配套元件取得重大的突破。数据中心绿色节能方面同样取得了积极的突破，部分国内新建的大型数据中心，综合利用各类节能技术，降低数据中心的耗能，提高能源的利用率。在云计算主流开元社区中我国的企业深度参与，贡献度不断增加，在SO、ITO等等组织中，我国在云计算相关的国际标准制定工作中也发挥着越来越重要的作用。其三，行业应用广泛深入，带动产业升级作用明显。云计算在各领域广泛应用，通过行业与互联网深度的融合，有力助推“互联网+”行动的实施，成为互联网基础设施。目前我国大部分网站移动应用视频服务、游戏服务和电子商务的后台，均架设在云平台上，运用服务性能和质量得到了有力的保障。浙江、贵州、山西等多个省份利用云计算搭建公共服务平台，助推传统产业加速转型发展，北京等16个省市积极开展公有云创新服务试点，探索创新的新模式，目前注册用户超过130多万户，企业超过1600万多家，升级步伐不断加快。其四，大幅度降低创新创业门槛，为大众创业万众创新提供基础平台。目前，云计算已经成为我国双创的重要技术平台，大量的新应用、新业态、新模式的开发团队，带动就业明显，社会效益和经济效益显著。目前众多小微企业通过云计算服务节省成本40%，骨干企业在开放平台以及支持数以百万计开发者创新创业。云计算的发展也催生了分享经济的新兴经济的新模式，带动了广大企业和个人分享资源、创造多元化的增殖业务。其五，大数据紧密融合，数据服务成为云计算企业的重要发展方向。随着数据规模的快速增长和大数据应用的增多，云计算提供大数据的存储、管理和应用服务，已成为企业重要的发展方向。公有云领域的领军企业，强大的云平台，抓紧布局。大数据领域，一方面纷纷推出大数据产品和服务，积极拓展大数据的业务。另一方面，不断通过并购投资等手段加快提升服务能力，众多初创企也面向不同的行业，提供多种多样的大数据服务。目前政府管理、公共服务、商业分析、企业管理等领域就云计算大数据应用成功案例日益增多。推动云计算商业模式和服务模式的不断创新。谢少峰强调，虽然我国云计算取得了快速的发展，但是仍然面临着发展中的诸多问题和挑战。首先，云计算服务的市场需求尚未完全释放。行业用户对公有云着一定的顾虑，政务、金融等重大行业采购公有云服务的还面临着政策、标准等障碍。其次，产业规模小，技术产品服务仍需提高。我国在全球云计算市场份额占比不到5%，从服务能力来看我国云计算企业的规模普遍较小，提供的服务和种类有限，国内云计算产业总体能力与国际水平相比还有一定差距。部分关键行业尚没有形成成熟的解决方案，产业的供给能力有待提升。最后，促进云计算发展的生态系统有待完善。我国云计算标准体系和认证测评体系不完备，个人隐私数据保护法律法规有待健全，市场监管方式尚需改进，产业联盟以及行业组织在我国发展还不充分，技术、应用、产业、安全协调发展，良性互动的产业生态体系尚需健全。　　四大趋势云计算产业的发展有四大趋势：第一，当前云计算已从技术导入阶段，进入到产业蓬勃发展、应用迅速普及阶段。未来一段时间我国云计算还将继续呈现出技术创新和应用推广发展的良好态势，云计算产业发展面临着更大的市场机遇。一方面，随着《中国制造2025》和“互联网+”行动的不断推进，各行业迫切需要通过云计算系统助推行业转型升级发展;另外一方面，云计算产业发展不断成熟，成功案例不断出现，也使得用户对云计算的认知和采用度不断提高。第二，开元技术推动云计算开源云的变革。开源云技术对云计算技术演变产生了巨大的影响，目前越来越多的云服务企业开始使用开源云平台，并积极参与开源云社区的建设。第三，混合云将成为云服务业态的重要方向。混合云模式已将公有云和私有云的优点融为一体，众多大型企业在信息化的建设过程中需要实现在私有云和公有云之间的高效对接和无缝切换，这为混合云架构的发展带来了巨大空间。第四，大数据战略的实施，推动云计算快速的发展。一方面，云计算是大数据的基础，大数据的处理需要云计算提供计算存储、网络资源的支撑;另外一方面，大数据价值和规律能够推动云计算和行业应用结合并发挥更大的作用，未来积极推动云计算与大数据的深度融合，积极探索应用模式和商业模式的创新成为趋势。

打开木马短信链接，手机就会中毒吗？

23MayArticles

一条带有木马链接的短信引发事件。相信大多数的网友都有接触过这样的新闻，某某某收到一条短信，点进去后银行卡被盗空。也就导致了很多的网友现在只要接收到带有链接的短信，要么删除要么忽略，也从来不会去点开查看以防止中招，使很多网友盲目的惧怕陌生短信，从而有可能会错过一些真正带有有效信息的短信。那么今天问题就来了，带有木马短信的链接是否真如网上传言般如同洪水猛兽般令人闻风丧胆，只要点进去就会中招吗？会吗？小编确定肯定以及一定的回答是”不会！“当然这里面小编不敢保证的是一些版本太低的Android和一些山寨的Android系统，因为这样的系统可能会存在一些漏洞，也就导致被木马利用，而市面上的那些品牌手机系统是不可能存在这么大的漏洞，否则这个手机厂商早就黄了。那么下面科普开始，当收到这样的带有钓鱼链接的短信后，点进链接进入到钓鱼网页里面，这些网页的页面一般都会经过一些伪装，比如一些比较知名网站的页面，或者是直接进入下载界面进行下载，而这种网页的结尾大多是以”apk”为结尾格式，而且为了防止接收者起疑，一般这样的钓鱼网站会通过一些短网址生成平台来把网址做成短网址让用户在收到短信时无法判断网址的真实性以达到迷惑众人的效果。如下图，点击进去后的链接以及结尾格式。当进入这个钓鱼网站时，钓鱼网站会诱导用户去点击内链进行下载，或者更暴力的直接就是点击链接直接进行下载，这个时候手机的系统会询问用户是否进行下载此应用软件，如果用户在这个时候点否，系统则会拒绝下载，那么在拒绝下载的操作之前所有的操作都是不会产生木马植入手机的情况。而如果把这个木马软件下载到手机里面，用户在拒绝安装的情况下，也不会出现木马中毒的情况，目前还没有哪种木马软件可以达到在手机里不经过系统允许直接静默安装的程度，哪怕是PC端的病毒，也没有静默安装的技术，也需要在打开后才会出现木马中毒现象。手机端更是不可能出现这样的技术，所以下载之后，没有安装的情况下，也不会出现木马病毒植入手机的现象。而之前iPhone出现的木马入侵事件也是因为木马病毒利用iOS软件商店的漏洞直接捆绑在商店内的软件上才造成这样的事件。如果安装之后…那就会出现木马获取用户网上银行支付软件的数据，拦截用户验证短信，然后就会把用户银行卡内的钱财转走这样的事件。而新闻里面的那些受害者，多半是没有注意到下载的那个木马软件涉及的隐私权限直接进行安装了导致中招的。至于一些新闻里描述的那些点开短信链接就中招，或者是点开链接就中招的情况….不管你信不信，反正小编是不信。其实简单来说，如果收到短信，用户点击链接进去，只要不下载，不安装就不会中这个木马病毒。当然小编这里也不敢保证已经ROOT的Android系统以及山寨的Android系统在点进去会发生什么事情，但是目前主流的Android系统的手机基本上不会出现这种问题，而iOS系统只要不越狱的情况下更不会出现这种问题。如果以后再收到这样的短信不小心点了链接的朋友们也无需担心，惊慌了，仔细观察所打开链接的域名后缀，以及系统提示，完全可以避免中招。至于家里父母或者老人使用Android手机的话，那么可以直接告知忽略这种短信来以防万一。

華人科學家：愛因斯坦都不敢想象，我們探測到引力波

22MayArticles

　　原標題：陳雁北：愛因斯坦都不敢想象，我們真的探測到引力波！　　100年前，當愛因斯坦預測引力波的存在的時候，他不曾想過，有朝一日，人類能夠真正觀測到應力波：這個效應是如此的微弱，無法察覺。今天，2016年2月11日，北京時間23:30分，加州理工學院、麻省理工學院、LIGO科學聯盟、以及美國國家科學基金會，向全世界宣佈: 我們真的探測到引力波! 相關論文，以Observation of Gravitaiton Waves from a Binary Black Hole Merger為題，在Physical Review Letters上發表。論文作者包括清華大學LSC引力波研究團隊。知社學術圈特邀請論文作者之一、LIGO科學聯盟核心成員、加州理工學院陳雁北教授，和中國引力波專家、湖北第二師範學院范錫龍博士，撰文介紹引力波探測漫長曲折而又激動人心的經歷，和一些鮮為人知的花絮，從300年前的引力，100年前相對論，一直講到今天的引力波。愛因斯坦都不敢想象，我們真的探測到引力波！陳雁北（右）和范錫龍（左） 1915年，愛因斯坦發表廣義相對論論文，革新了自牛頓以來的引力觀和時空觀，創造性地論證了引力的本質是時空幾何在物質影響下的彎曲。1916年，愛因斯坦在廣義相對論的框架內，又發表論文論證了引力的作用以波動的形式傳播。因為引力波的效果極其微弱，100年前的愛因斯坦認為引力波在任何能想象的情況下都可以忽略。50年以前，實驗物理學家Joe Weber勇敢的開拓了引力波探測的先河。40年前，天文學家Hulse和Taylor發現了脈衝雙星、間接證實了引力波的存在。25年前，物理學家Drever， Thorne和Weiss在美國國家科學基金的資助下開始建造激光干涉引力波天文台(Laser Interferometer Gravitational-wave Observatory，LIGO)。今天，美國的LIGO和歐洲的VIRGO引力波探測器聯合發布消息，宣佈已經探測到距離地球約13億光年的兩個大約30太陽質量的黑洞碰撞所發出的引力波。在這個讓物理學家50年來望眼欲穿的、持續時間不到一秒鐘的事件(GW150914)中，4對在真空中相距4公里的40千克的玻璃鏡子的距離，以原子核尺寸千分之一大小的振幅振動了十幾次。這樣微乎其微的振動，被打在這些鏡子上的100千瓦的激光讀出，讓人類第一次“近距離的接觸”了黑洞。黑洞不再是科幻作品中的神奇物體，不再躲在高溫磁化的等離子體后面，也不再穩穩的坐在星系中央。這次，我們實實在在的觀察到了黑洞附近時間和空間的高度扭曲和脈動。引力波探測的成功，為人類觀察宇宙提供了一個嶄新的窗口。引力引力是無處不在的。它主導了天，讓宇宙、星系、恆星、行星有序地形成和演化；它主導了地，讓我們生活的地球分成了各個圈層，讓蘋果落地，讓人類羡慕鳥類飛翔，讓日出日落，山川秀麗。可是，引力雖然無處不在，它卻低調而又卓爾不群，以至於我們經常會忽略它：我們生活中的五顔六色、酸甜苦辣，都是由電磁相互作用所産生的。而到目前為止，在微觀上，引力還是和其他基本相互作用不能融合！引力是人類最早定量認識的相互作用，讓人類從無知走向科學。在17世紀，伽裏略的斜塔實驗就通過運動學證明了引力對衆生平等，也就是等效原理– 不同材質的物體下落加速度一致。1687年，牛頓創建了萬有引力定律，並且發明微積分的數學方法對行星的運動進行精確的描述。后人用牛頓的理論發現了海王星和冥王星。雖然水星近日點的進動一直和牛頓預言鬧一點非常微小的矛盾，但是貌似引力的終極理論就此完成。在牛頓發現引力之后的幾百年，物理學的進展更多的是在對電和磁的研究，1865年麥克斯韋最終建立了電場和磁場的大一統理論。到了1905年，愛因斯坦提出了狹義相對論，極具洞察力地論證了電磁場的統一性暗含了時間和空間的統一性：物理理論必須把時間和空間放在一起考慮，而時間和空間本身，失去了絶對意義。一個新的概念，“時空”，就這麼誕生了。廣義相對論盡管牛頓的萬有引力定律有着几乎完美的實驗驗證，但是觀念上是把時間和空間分開考慮的，並且牛頓引力是瞬時傳播的。因此，牛頓引力和狹義相對論理論在概念上是矛盾的。提出了狹義相對論之后，愛因斯坦進一步研究引力和“時空幾何”的關係，重新思考伽裏略所觀察到的物體下落加速度一致這個現象，意識到引力是一個非常特殊的相互作用。如果我們進入一個自由下落的參照系，那麼引力會消失！這就是為什麼在地球附近的宇航員會感覺到失重：不是因為他們離地球太遠，而是因為他們在自由下落！如果我們進入自由下落的參照系，引力好像沒有了，是不是意味着引力只是參照系變換的産物，而不是真實的物理存在呢？不是的，因為宏觀上不同位置上自由下落的參照系是不同的！如果我們考慮一個足夠大的空間站，就會發現空間站不同位置上的物體會有相對加速的現象，這就是所謂的潮汐加速度。而這個加速度，是對所有物體都適用的。愛因斯坦把這個歸結於時空幾何的彎曲。廣義相對論中的時空幾何，就是會讓本來速度彼此平行的自由下落物體彼此接近或者遠離。像牛頓引力中的蘋果落地一樣，廣義相對論中的彎曲幾何也可以用蘋果解釋。在蘋果的表面，如果画一些起初平行的曲線，並且以同樣的初速度從這些平行曲線出發。那麼根據這些平行曲線的位置和走向不同，它們有的會彼此靠近（正曲率），有的會彼此遠離（負曲率）。愛因斯坦聯繫時空幾何和物質分佈的方程，可以寫成一個非常簡潔的張量形式：這就是非常優美的愛因斯坦方程。在解釋為什麼廣義相對論可以解決引力瞬時傳播之前，咱們先看一下其艱深而又奇妙的一面。愛因斯坦方程的求解廣義相對論的方程形式美的令人陶醉，但是數學結構比蘋果表面的幾何複雜很多。在相當一段時間裏，數學家和物理學家只能遠觀而不能與之親密接觸，只得到了愛因斯坦方程在少數情況下的解，而並不理解這些方程的意義。直到20世紀70年代初，數學物理學家才證明了愛因斯坦方程在原則上可以系統的用初始條件加時間演化的方法求解。在1979年，丘成桐先生和他的學生Richard Schoen用幾何分析的方法證明了《正質量定理》，給廣義相對論中質量的概念奠定了數學的基礎。真正女神的魅力是持久的，愛因斯坦方程解的全局性質、以及物理學家所用的數值解法的收斂性問題，至今也還是數學研究的前沿問題。黑洞自從愛因斯坦建立他的引力方程以來，科學家陸續發現了一些解析解，球對稱下的Schwarzschild解和軸對稱下的Kerr解。這些解所對應的時空中沒有任何質量，貌似是純時空幾何的彎曲。后來，在Oppenheimer和Wheeler 等人的研究下，人們逐漸意識到，這是大質量星體燒盡核燃料以后，通過“塌縮”所達到的一個狀態。Wheeler把這些時空結構命名為“黑洞”。在數學上，黑洞的時空有很多奇妙的結構。比如，黑洞有一個叫做“視界”的結構。在“時空圖”上，視界把時空分成兩部分，一部分是可以和遠處聯繫的，而另一部分，是無法和遠處聯繫的。當星體塌縮成黑洞時，坐在星體表面的觀測者會穿過黑洞的視界，而站在外面的觀測者，則不會看到星體表面的觀測者穿過視界，只是看到他的運動越來越慢，像是被“凍結”在視界表面。再比如，在視界外面不遠，有一個“光球”。光在引力的作用下，可以在光球上繞着黑洞運轉，既不逃逸到無窮遠，也不落入黑洞。

大数据怎么帮3000万光棍脱单？

19MayArticles, Big Data

国家统计局最新发布的数据显示，2015年中国大陆总人口达137462万人，男性人口70414万人，女性人口67048万人，总人口性别比为 105.02(以女性为100)，出生人口性别比为113.51。男女人口相差3366万，这意味着约有3000余万的男性人口将面临“打光棍”的局面，面对我国如此严重的光棍危机，大数据该怎么帮助他们脱单呢？交友网攀上高科技，带你玩转大数据婚恋交友网站近年来始终是互联网领域的市场热点，某大型婚恋网凭借着超过1.3亿的用户注册量，从大数据着手，在海量数据多维度行为分析中洞察用户需求，帮助大众阶层的单身男女寻找合适的另一半。大数据挖掘最基本的形态是帮助单身男女，搜罗信息最匹配、最符合需求的人士，比如身高、收入、职业等，并为他们做“你可能会对他们感兴趣”的页面推荐。用户还可设置基于交友条件对主动留信的人做再次过滤，如果条件确实为硬性标准，那就避免浪费过多时间在不符合条件的人士身上，大数据让交友网更贴心。如果你以为大数据仅是上述的作用，那你可就大错特错了。大数据还能够让同城交友更靠谱，让缘分的到来变得更加微妙。如果七夕当天你无聊地在某咖啡厅或书店、酒吧解闷，你的缘分可能就会找上你哦~在用户允许的情况下，出行和位置大数据可以让交友APP知道你在哪里，如果你开启了实时接收模式，交友APP会为你匹配同一位置且符合要求的异性，这样基于位置的匹配，一是猜测对方和你可能有相同的兴趣爱好，爱去同样的地方；二是考虑双方的生活范围和距离也应该不会过于遥远。如果其中一方主动发起认识邀请，并征得对方同意的情况下，APP会为你们显示一条缘分路线，顺着地图路线双方可以很快见面，见面结束后红娘会互相询问你们的进展情况并为害羞的一方表达心意，做贴心的交友咨询。区别于传统相亲的未知，大数据交友会更加令人期待。对这种实时大数据交友，用户也不用过多担心安全问题，因为该服务尽管使用昵称，但均需事先进行实名认证，且在同意对方邀请之前，对方无法获得另一方的准确位置。拒绝对方邀请后，也将立刻消失在对方的缘分列表中，对方无法再查看任何个人信息。该交友服务会再三提示用户，避免在人迹稀少的地方使用该功能。当然女性用户也可以选择带同伴同行，但出于对对方的尊重，开始使用功能前需要提交同行人数。另外即使单独见面后如确有不佳情况发生，APP也支持一键立即报警和举报该用户。另有单身大数据显示，成都、西安、北京单身女性数量最多，而单身男性主要集中在西安、北京、深圳。所以在哪里找男女朋友大家可要看准咯。国外曾有一名博士借助数字算法找到了匹配度91%的女朋友并成功求婚，所以大数据不仅能让光棍们的交友历程更精准化、高效化，也能让这个过程变得更加美好。

生态学研究正进入大科学、大数据时代

16MayArticles, Big Data, IOT

说起“大科学”这个词，首先让人联想到的是火箭、天文望远镜和粒子加速器的研究，这些研究需要大量的资金支撑。而生态学研究，让人联想到的是带着样方尺的植物生态学家、拿着望远镜的鸟类生态学家、以及手持捕虫网的昆虫学家等等，很少会有人将他们的研究与大科学联系起来。其实，反过来想，这又是特别令人奇怪的！生态学家研究的地区，例如大多数陆地，是一个真正被人类占领的区域，却一直没有归为大科学的范畴。不过，在David Schimel的带领下，一大邦美国生态学家们正打算纠正这种状态。他们计划将撼动陆地生态学领域，并将之引入到大科学的规模和范围，这就是他们正在建立的的美国国家生态观测网络（NEON, National Ecological Observatory Network），这也正是本文将作为详细案例进行探讨的一个话题。 “大数据”（Big Data）所覆盖的范围越来越大。例如，《纽约时报》2012年8月2日就大数据这种新出现的文化基因（cultural meme）进行了探讨。通常，人们首先以技术爱好者的角度来看待大数据。《纽约时报》的文章将大数据描述为“应用人工智能工具，如机器学习，巨大的数据的新搜集，这超越了标准的数据库。新的数据来源包括网页浏览数据的痕迹、社会网络通信、传感器数据和监测数据。” 大数据受到自然世界的塑造，并影响我们如何理解自然世界和与自然世界交流。生物学在如此多的水平上提供一个巨大的数据：来自遗传研究几乎无限的数据正充斥着我们最大的数字仓库中的字节；大量保存在自然历史博物馆的标本；在全球范围内日常生活所拍摄的摄影档案；大量的来自“公民科学”（citizen science）数据库中的数据，如国家物候学网络（National Phenology Network），有关这个内容，在2012年出版的一期的Frontiers in Ecology and the Environment中的“公民科学”栏目中有一个非常重要的综述文章“From Caprio’s lilacs to the USA National Phenology Network”介绍了这个网络；大尺度的生物地球化学作用研究的汇集，比如滨海“死亡地带”的研究，实质上是总汇了工业氮转换、人类农业实践、初级生产力和生物呼吸之间的相互作用。有关这些区域的交互式地图已经由WRI出版。大数据正在影响我们如何理解世界，因为它正在瓦解我们在过去50年被告知的对科学理解的基石：在一个“强大的推理”框架中用受控实验来测试可证伪的假设。认为科学必须可证伪的想法来自卡尔·波普尔（Karl Popper），他从约翰·普拉特（John Platt）的传道中得到了启示，在其1964年所发表的高引用“强推论”（Strong Inference）雄文中主张用标准化方法进行生物科学研究。Observation and Ecology的作者Rafe说：“如果你第一次阅读他的文章时候就很喜欢，其实我也是这样的，但我还是劝您以批判的态度再读一遍”。并说这有点像在高中时候对艾茵·兰德（Ayn Rand）很痴迷，成年后试图用她的思想与现实结合起来。显而易见，这些哲学思想产生了一些惯例性的规则：“相关性并不意味着因果关系”、“模式不能揭示机制”，以及科学的结论如果没有推翻预先确定的假设，其作用就仅相当于“审前调查”。大数据使得以前这些坚实的信念看起来有点古怪。虽然这些信念有时候仍然有价值，但其中自反的特性被科学家和非科学家以相同的方式采用，这都需要重新评估。如果我们无法把一些机制性原因弄得100%清楚（其实没有那个方法能做到这点儿），大数据方法允许生命科学家在更大的混沌周期中发现更为健壮的模式，或者时会让我们尽可能接近真实状况。同时，在对待大数据中应该注意的是，大数据永远不会完全取代小数据。那些花时间观察自然的小数据，以及对小数据片言只语的理解，是构成大数据整体的基石。在生态学领域，现在提起NEON，不能说是家喻户晓、人人皆知，但也可以说是在这个大数据时代增添了一道异常鲜艳的光芒。开始，这个项目仅立足于在科罗拉多的博尔德寻求资金支持，项目进展异常艰难。但是在长达十年的讨论和计划后，美国国家科学基金会设法说服国会专项拨款4.34亿美元进行建设，这是一个中等太空探测器的价格，操作预算大约为每年8千万美元。2011年美国的大陆尺度生态网络计划终于启动了，它将全面监测整个美国的环境变化，从根本上改变传统的小规模、地域性研究方式，形成陆地领域的群体合作。研究人员宣称，生态领域的大数据时代已经来临，生态观测将迎来“数据洪流”。最终，覆盖美国的60个地区将同步建立起来。一旦在2016年这个台站网络完成后，一切顺利的话，将有15000个传感器用于收集超过500个类型的数据，包括温度、降水、气压、风速和风向、湿度、日照、如臭氧等的空气污染物浓度、土壤和溪流中各种营养的总量，以及地区的植被和微生物状态。在每个地方这些仪器将以同样的方式安装，并采用相同的测量，用标准化方式坚持长期的数据收集，希望能达到统计学功效的需求，将生态学研究从一些技巧性实验观测变成一个工业规模的企业运作。有了这样的基础，就可以观察生态系统是如何应对气候变化和土地利用变化以及新物种入侵的。最终，利用这些观测数据可开发一些预测生态系统未来的模型，这可帮助决策者评估各种行动方案所产生的后果。图1 美国NEON项目将美国划分为20个不同的生态系统区域 NEON的研究人员将美国划分为20个不同的区域（图1），每一个区域代表一个特定的生态系统类型。每个区域都配备有三套传感器。一套固定安装在核心位点进行至少30年的连续监测，核心位点的环境条件不受干扰而且可能维持下去。其他两套可进行移动，在一个地方进行三到五年的观测后移动到其他地方，这些“浮动”的位点用于同区域内的比较。每一个位点，不管是核心位点还是浮动位点，都有一座布满传感器的观测塔，这座塔比现有的植被冠层高10米。在围绕这座塔方圆几十平方公里的区域内，研究者将更多的传感器布设在土壤和溪流中，测量温度、二氧化碳和营养水平，以及根生长速率和微生物活动。这些传感器将记录不同的生态系统如何有效地利用养分和水分，植被如何响应气候变化，以及二氧化碳在生物和大气之间是如何移动的。这将有助于寻求对碳循环的理解，以及温室气体引起的气候变化的后果。为了配合这些地面测量，研究人员还将在每个核心站点进行一年一次空中的调查，观察诸如叶化学特征和森林冠层的健康问题，也可用于与卫星观测数据进行比较。此外，NEON的研究人员可以部署一个特殊装备的飞机，其上配备了激光雷达（雷达的光学本的），一个光谱仪（测定化学成分）和一个高分辨率的相机，用于评估自然灾害如洪水、野火和害虫爆发的影响。如何真正从小问题中辨别出大科学，这才是值得研究的。天文学家和物理学家们已经在这个问题上进行了数十年的探索，生物学家在人类基因组的余波中也发现这个问题。这并不是所涉及的投资巨大，而是需要处理的数据总量。过去多年来，该项目一直受到各方质疑。有人担忧NEON可能会带来大量毫无价值的数据，那些数据不一定是科学家们所需要的。组织、处理、分析这些数据并从中得出实际的意义将是一个重大挑战。哈佛大学大气化学家斯蒂文·沃夫西说：“要解决这些问题，科学家必须要学习如何利用这些数据。如果他们成功了，将给解决宏观生态问题带来实际作用。”哈勃太空望远镜在最初升空的20多年，也是产生了大量的数据。预计当NEON完全运作起来后，每年产生会200TB的数据，这是哈勃太空望远镜数据量的四倍。NEON的发展，的确代表了向“大”奋斗的生态学家的转变。毫无疑问，这将带来划时代的革命，就像天文学、物理学和遗传学变成大科学时的改变。以后，生态学家利用望远镜和捕虫网的日子是屈指可数的。但没有人怀疑，这种变化是为了更好地进行生态学研究，而且这些变化在生态学研究中正在实实在在地发生着。如果说NEON只是美国在生态学领域开展的一个大数据项目，那么，其实在生态学领域的国际合作中，曾经产生，或目前正在产生，以及今后即将产生的大数据项目还有许多。下面仅举三个例子来说明。由多个国家参与的国际长期生态研究项目（International Long Term Ecological Research，ILTER），支持科学家和学生进行长周期的、覆盖面广的过程研究，它涉及海洋站点、南极、市区和全球农业生态系统。ILTER科学家正致力于创造一个真实的网络，他们开始探索把许多站点连接起来的总体问题，一个根本目标是实现生态学预测。海洋主动观测（the Ocean Observatory Initiative ，OOI）项目包括一个相互连接的海底站点区域网络。一旦建立起来，观测站将为地球和海洋科学家提供独一无二的机会，从几秒到数十年的时间尺度上研究多样的、交互过程。他们将引导区域过程和空间特征的比较研究。最终，海洋观测站将映射到整个地球并建立起基本尺度结构。图2 ARGO计划全球浮标布设图 ARGO计划是由美国等国家大气、海洋科学家于1998年推出的一个全球海洋观测试验项目，旨在快速、准确、大范围地收集全球海洋上层的海水温、盐度剖面资料，以提高气候预报的精度，有效防御全球日益严重的气候灾害（如飓风、龙卷风、台风、冰暴、洪水和干旱等）给人类造成的威胁。 ARGO计划构想用3年至4年时间（2000年-2003年）在全球大洋中每隔300公里布放一个卫星跟踪浮标，总计为3000个，组成一个庞大的ARGO全球海洋观测网（图2）。一种称为自律式的拉格朗日环流剖面观测浮标将担当此重任。它的设计寿命为4年至5年，最大测量深度为2000米，会每隔10天至14天自动发送一组剖面实时观测数据，每年可提供多达10万个剖面的海水温度和盐度资料。ARGO全球海洋观测网建设受到了世界各沿海国家、大气科学家的青睐，被誉为“海洋观测手段的一场革命”，实现了长期、自动、实时和连续获取大范围、深层海洋资料的能力，可从根本上弥补目前天气预报中对海洋内部信息缺少了解的局面，从而会在很大程度上提高天气预报的精确度。据全球Argo实时海洋观测网透露，2012年11月4日由印度布放的编号为“2901287”的Argo浮标，收集到具有里程碑意义的第100万条观测剖面数据，标志着包括中国在内的由世界多个沿海国家共同参与的大型海洋国际合作观测计划步入了一个新的发展阶段。10年来，由美国、澳大利亚等30多个沿海国家布放的约8500个Argo浮标所组成的全球Argo实时海洋观测网，首次实现了真正意义上的对全球海洋上层温度、盐度和海流的实时观测。我国于2001年加入国际Argo计划，截至2012年11月6日，我国共计投放146个Argo浮标，获取剖面8928条，目前正在工作的浮标有85个。

大数据思维的十大原理

16MayArticles, Big Data

大数据思维的十大原理：当样本数量足够大时，你会发现其实每个人都是一模一样的一、数据核心原理从“流程”核心转变为“数据”核心大数据时代，计算模式也发生了转变，从“流程”核心转变为“数据”核心。Hadoop体系的分布式计算框架已经是“数据”为核心的范式。非结构化数据及分析需求，将改变IT系统的升级方式：从简单增量到架构变化。大数据下的新思维——计算模式的转变。例如：IBM将使用以数据为中心的设计，目的是降低在超级计算机之间进行大量数据交换的必要性。大数据下，云计算找到了破茧重生的机会，在存储和计算上都体现了数据为核心的理念。大数据和云计算的关系：云计算为大数据提供了有力的工具和途径，大数据为云计算提供了很有价值的用武之地。而大数据比云计算更为落地，可有效利用已大量建设的云计算资源，最后加以利用。科学进步越来越多地由数据来推动，海量数据给数据分析既带来了机遇，也构成了新的挑战。大数据往往是利用众多技术和方法，综合源自多个渠道、不同时间的信息而获得的。为了应对大数据带来的挑战，我们需要新的统计思路和计算方法。说明：用数据核心思维方式思考问题，解决问题。以数据为核心，反映了当下IT产业的变革，数据成为人工智能的基础，也成为智能化的基础，数据比流程更重要，数据库、记录数据库，都可开发出深层次信息。云计算机可以从数据库、记录数据库中搜索出你是谁，你需要什么，从而推荐给你需要的信息。二、数据价值原理由功能是价值转变为数据是价值大数据真正有意思的是数据变得在线了，这个恰恰是互联网的特点。非互联网时期的产品，功能一定是它的价值，今天互联网的产品，数据一定是它的价值。例如：大数据的真正价值在于创造，在于填补无数个还未实现过的空白。有人把数据比喻为蕴藏能量的煤矿，煤炭按照性质有焦煤、无烟煤、肥煤、贫煤等分类，而露天煤矿、深山煤矿的挖掘成本又不一样。与此类似，大数据并不在“大”，而在于“有用”，价值含量、挖掘成本比数量更为重要。不管大数据的核心价值是不是预测，但是基于大数据形成决策的模式已经为不少的企业带来了盈利和声誉。数据能告诉我们，每一个客户的消费倾向，他们想要什么，喜欢什么，每个人的需求有哪些区别，哪些又可以被集合到一起来进行分类。大数据是数据数量上的增加，以至于我们能够实现从量变到质变的过程。举例来说，这里有一张照片，照片里的人在骑马，这张照片每一分钟，每一秒都要拍一张，但随着处理速度越来越快，从1分钟一张到1秒钟1张，突然到1秒钟10张后，就产生了电影。当数量的增长实现质变时，就从照片变成了一部电影。美国有一家创新企业Decide.com 它可以帮助人们做购买决策，告诉消费者什么时候买什么产品，什么时候买最便宜，预测产品的价格趋势，这家公司背后的驱动力就是大数据。他们在全球各大网站上搜集数以十亿计的数据，然后帮助数以十万计的用户省钱，为他们的采购找到最好的时间，降低交易成本，为终端的消费者带去更多价值。在这类模式下，尽管一些零售商的利润会进一步受挤压，但从商业本质上来讲，可以把钱更多地放回到消费者的口袋里，让购物变得更理性，这是依靠大数据催生出的一项全新产业。这家为数以十万计的客户省钱的公司，在几个星期前，被eBay以高价收购。再举一个例子，SWIFT是全球最大的支付平台，在该平台上的每一笔交易都可以进行大数据的分析,他们可以预测一个经济体的健康性和增长性。比如，该公司现在为全球性客户提供经济指数，这又是一个大数据服务。,定制化服务的关键是数据。《大数据时代》的作者维克托·迈尔·舍恩伯格认为，大量的数据能够让传统行业更好地了解客户需求，提供个性化的服务。说明：用数据价值思维方式思考问题，解决问题。信息总量的变化导致了信息形态的变化，量变引发了质变，最先经历信息爆炸的学科，如天文学和基因学，创造出了“大数据”这个概念。如今，这个概念几乎应用到了所有人类致力于发展的领域中。从功能为价值转变为数据为价值，说明数据和大数据的价值在扩大，数据为“王”的时代出现了。数据被解释是信息，信息常识化是知识，所以说数据解释、数据分析能产生价值。三、全样本原理从抽样转变为需要全部数据样本需要全部数据样本而不是抽样，你不知道的事情比你知道的事情更重要，但如果现在数据足够多，它会让人能够看得见、摸得着规律。数据这么大、这么多，所以人们觉得有足够的能力把握未来，对不确定状态的一种判断，从而做出自己的决定。这些东西我们听起来都是非常原始的，但是实际上背后的思维方式，和我们今天所讲的大数据是非常像的。举例：在大数据时代，无论是商家还是信息的搜集者，会比我们自己更知道你可能会想干什么。现在的数据还没有被真正挖掘，如果真正挖掘的话，通过信用卡消费的记录，可以成功预测未来5年内的情况。统计学里头最基本的一个概念就是，全部样本才能找出规律。为什么能够找出行为规律？一个更深层的概念是人和人是一样的，如果是一个人特例出来，可能很有个性，但当人口样本数量足够大时，就会发现其实每个人都是一模一样的。说明：用全数据样本思维方式思考问题，解决问题。从抽样中得到的结论总是有水分的，而全部样本中得到的结论水分就很少，大数据越大，真实性也就越大，因为大数据包含了全部的信息。四、关注效率原理由关注精确度转变为关注效率关注效率而不是精确度，大数据标志着人类在寻求量化和认识世界的道路上前进了一大步，过去不可计量、存储、分析和共享的很多东西都被数据化了，拥有大量的数据和更多不那么精确的数据为我们理解世界打开了一扇新的大门。大数据能提高生产效率和销售效率，原因是大数据能够让我们知道市场的需要，人的消费需要。大数据让企业的决策更科学，由关注精确度转变为关注效率的提高，大数据分析能提高企业的效率。例如：在互联网大数据时代，企业产品迭代的速度在加快。三星、小米手机制造商半年就推出一代新智能手机。利用互联网、大数据提高企业效率的趋势下，快速就是效率、预测就是效率、预见就是效率、变革就是效率、创新就是效率、应用就是效率。竞争是企业的动力，而效率是企业的生命，效率低与效率高是衡量企来成败的关键。一般来讲，投入与产出比是效率，追求高效率也就是追求高价值。手工、机器、自动机器、智能机器之间效率是不同的，智能机器效率更高，已能代替人的思维劳动。智能机器核心是大数据制动，而大数据制动的速度更快。在快速变化的市场，快速预测、快速决策、快速创新、快速定制、快速生产、快速上市成为企业行动的准则，也就是说，速度就是价值，效率就是价值，而这一切离不开大数据思维。说明：用关注效率思维方式思考问题，解决问题。大数据思维有点像混沌思维，确定与不确定交织在一起，过去那种一元思维结果，已被二元思维结果取代。过去寻求精确度，现在寻求高效率；过去寻求因果性，现在寻求相关性；过去寻找确定性，现在寻找概率性，对不精确的数据结果已能容忍。只要大数据分析指出可能性，就会有相应的结果，从而为企业快速决策、快速动作、创占先机提高了效率。五、关注相关性原理由因果关系转变为关注相关性关注相关性而不是因果关系，社会需要放弃它对因果关系的渴求，而仅需关注相关关系，也就是说只需要知道是什么，而不需要知道为什么。这就推翻了自古以来的惯例，而我们做决定和理解现实的最基本方式也将受到挑战。

机器人没有情绪吗？AlphaGo 要被李世石逼疯了！

16MayArticles, Big Data

围棋人机大战进行到第四局，场面显得有些尴尬，李世石似乎没有人们赋予的那般神奇，因为他已经被AlphaGo连续3场KO，而在距离赛事结束只有20分钟的时间，李世石还处于被AlphaGo 逼着走的状态。这情形着实让人恐慌，人工智能真的如此淡定的要将人类彻底打败吗？代表人类出战的李世石被世人冠以过高的殊荣，此刻心里阴影面积也是难以计算啊。机器人不受情绪影响吗？然而，赛事的最后20分钟，剧情骤然反转，李世石一手扭转乾坤的妙招导致AlphaGo情绪崩溃，为全人类挽回些许颜面。原来李世石在第78手向敌方腹地一“挖”，让AlphaGo “抽疯”，导致系统出现严重bug，使得AlphaGo连续下了好几手臭棋。此前，媒体一直报道分析，机器人能够很淡定的应战是因为它没有情绪，能够清醒地根据每一招的胜算概率下棋，所以失误率几乎为0。而李世石背负着人类太多的情绪，太大的压力，所以情绪很容易受影响。可是，反观第四场，机器人因李世石神奇的一步棋直接导致系统崩溃，出现严重的错误。这难道不是情绪受控吗？ AlphaGo被李世石的精妙棋艺逼到“自暴自弃”，戳中其弱点：劫争。前几场的胜战是因为机器人有算法控制其避免劫争，然而当对手影藏招数使出时，机器人的内部运算不过来就会被逼疯，直接出现情绪失控。具有认知功能和情绪的机器人其实，具有认知功能和情绪的机器人才是我们所追求的，能够为人们服务的智能机器人。在这方面，机器人察觉和回应某种情绪的能力至关重要。那有没有一种程序设计出来让机器人感知人类的情绪呢？或许认知功能和察觉情绪并不会让机器人变得更加智能，但是我们的感觉却是如此，因为它让人与机器人的相处变得更加方便。西班牙格拉纳达大学研究团队负责人卡列哈斯·卡里翁表示，这并非不可能，但确实是一项不小的挑战。情绪就好比各种颜色。虽然你已经有原色，但还可以将它们混合起来。现在已经有了能够识别一些基础情绪变化的系统，比如愤怒和喜悦等。但是更加复杂的情绪，如嫉妒等则需要在认知功能方面进一步提高。利用一些可识别表情并分析声音，甚至可测量心跳、皮肤温度或血压等的设备，通过手机或者配套的设备将数据传输到机器人研究数据库，把这些信息来源收集起来进行分析确实可以帮助人类研制出能够识别情绪的自动化系统。自动化识别情绪系统诞生，不久的将来，能够认知，甚至耍情绪闹脾气的智能机器人将来到我们身边。来自: 旗瀚科技

全球首个股权投资机器人面世相当于有3～4年经验的投资经理

11MayArticles, Big Data, Cloud Computing

2016-04-17 大数据实验室近日，首个股权投资机器人在北京亮相。因果树联合创始人滕放表示，投资机器人的投资水平相当于有3～4年投资经验的投资经理。对于因果树投资机器人如何对股权市场进行投资分析，因果树创始人马超表示：首先，机器人会抓取全网13万+互联网公司的信息，建立关于互联网企业投融资信息的完备数据库;第二，机器人会每日跟踪并分析全网项目动态，记录企业成长轨迹;第三，机器人会对项目分析建模，具体为机器人使用标签云来分析项目的商业模式，并对项目进行归类，然后根据行业热度、机构热度、项目本身情况进行建模，对项目进行综合评分;第四，机器人通过模型运算，最终推选出近期最具有潜力的企业。在这个过程中，投资机器人加大了信息半径，通过对所有过往项目的回归训练来进行投资建模。此外，投资机器人具备情感逻辑能力，对优劣信息会加以处理。马超表示，互联网的特点就像水一样，一定是流动、透明、利他、共享的。因果树投资机器人的目标就是要建立流动的数据流，让行业信息更对称、更透明。滕放称，投资机器人1分钟的工作量相当于一个成熟分析师40小时的工作量。在认知程度上，因果树投资机器人的水平相当于有3～4年投资经验的投资经理的水平。滕放认为，人工智能投资的根本是为了让股权流通更高效。目前，人工智能投资仍处在起步阶段，在技术、模型上还有很大进步空间，但是人工智能在金融领域的运用，必将能够打破传统加法增长的规律，重构整个一级股权领域的生态，实现指数级别的增长。对于股权投资机器人的面世，中关村股权投资协会联席会长兼东方基易投资管理公司董事长易基刚表示，中国股权投资的体量还很小。主因是信息不对称、不透明，没有定价标准。投资经理一对一跟踪项目需要非常多的时间和精力。人工智能在股权投资领域的应用提高了整个一级股权市场的效率，让项目价值有了判断依据，让一级股权市场的量化投资成为可能。来源：证券时报记者作者：顾哲瑞

大数据营销与普通营销的区别

11MayArticles, Big Data

时间: 2016-05-11 11:49:03 这个时代搞营销就像是在做一道未知口味的超级大蛋糕，而营销手段就好比不同的口味的配料，随着个人的喜好不同，配出的味道也将会不一样，但这个蛋糕终归是要拿到桌面上去品尝，所以在海量的人群信息中如何具有针对性的让潜在客户看见并接受呢?答案就是大数据的运用。随着移动互联网的发展和移动智能设备软硬件功能的不断完善，网民使用习惯发生了巨大变化，用户行为方式从传统的PC端为主转变为“PC端+移动端”并重，呈现出跨屏互动的趋势，至此大数据的作用也日益明显起来。然而对于大数据及营销你真的了解吗?它到底有哪些价值?又有哪些问题呢?下面8句话告诉你什么是真正的大数据营销。 1 大数据营销让一切营销行为和消费行为皆数据化数据流化使得营销行动目标明确、可追踪、可衡量、可优化，从而造就了以数据为核心的营销闭环，即消费——数据——营销——效果——消费。新意互动策略中心总经理邓继民表示，大数据营销的价值无外乎表现在两个方面，一是数字品牌，二是效果营销。而如何优化提升品牌数字资产，这是数字品牌发展的根本和核心。这里所指的数字资产不仅仅是传统品牌营销所指的知名度、美誉度，更重要的是品牌与消费共创的数字生态价值，从而实现数据的商业化，进行有效的导流和促进销售。他认为品牌会把“数据”当成营销运营的核心部分，打造符合企业、品牌行业及企业、产品特质的更加深度的数据体系和数据应用。毕竟数据是海量的，如何运营有限、有效的高质量数据为企业更好的创造价值比大海捞针的粗放式玩儿法要实际的多。然而数字时代，一个品牌不仅仅在收集数据，同时也在制造和影响数据，如何塑造和运营更加有利于企业和品牌营销发展的数据流，必然成为今后品牌营销必须面对的重要课题。因为大数据不是目的，营销投入的关键在于产出，如何合理运用数据最大化影响营销投入的ROI才是最终根本所在。 2 大数据营销让社交网络营销等渠道更具价值中传互动营销传播院院长于明认为，通过大数据抓取用户，让社交平台价值倍增，而大数据营销不仅起到了一个连接社交平台，精准抓取用户的作用，而且通过数据整理做营销后提炼大众意见去做产品，完成了社交平台营销中的最基础环节。这表现在，一个新产品的推广中，完全可以利用大数据来整理用户需求利用粉丝力量，设计出新的产品，而众多参与者就是最原始的购买群体，随之打开销售渠道。 3 大数据营销让广告程序化购买更具合理性面对互联网媒体资源在数量以及种类上也在快速增长越发多样化，不同广告主的需求也在日益多样，越发意识到投放效果、操作智能的重要性。大数据是通过受众分析，帮助广告主找出目标受众，然后对广告投放的内容、时间、形式等进行预判与调配，并完成广告投放的营销整个过程。传漾创始人及资深技术副总裁王跃表示，大数据营销未来趋势将向程序化购买方面发展，随着程序化广告发展热潮带来的效率提升，企业将会把越来越多预算放到程序化购买里。而大数据对企业来说，可以更加明确地知道自己的目标用户并精准地进行产品定位，从而做出极具针对性的布置，获得用户参与。那么怎么衡量大数据网络广告价值呢?所谓的大数据营销不仅仅是量上的，更多的是数据背后对受众的感知，这体现在对大数据的规模，速度、挖掘及预测四个方面。另外王跃表示，对广告来说，产消逆转将导致头脚倒立的新型广告的出现。网络广告领域的探索颇具先见之明，其依托云端的数据库获取到海量可交互的结构与非结构化数据，并由最底层的数据分析平台支撑中上游的应用服务，打通PC和移动互联网的数据通道，逐步催生垂直的产业链形态。 4 大数据营销实现线上线下结合后进入多屏时代 “目前的数据挖掘更多还是停留在线上数据的分析和挖掘上。因此未来的关键点就在于如何能够实现线上线下数据的打通。一旦线上的数据和广告主的第一方数据相结合，大数据营销在更精准的基础上就会做到人群量的扩大，”悠易互通产品副总裁蒋楠表示，多屏时代的到来，正在把受众的时间、行为分散到各个屏幕上，而广告主想要更好地抓住消费者的兴趣点，就需要实现多屏的程序化购买。未来大数据营销的大趋势便是多屏整合下的数字营销。目前大部分企业经营决策面临的最大挑战不是缺少数据，而是数据太多，数据碎片化，各自为政。许多公司组织中，数据都散落在互不连通的数据库中，并且相应的数据技术也都存在于不同部门中，面对这些静态、孤立、无多大参考意义的“初级品”的信息数据，企业信息部门只有将这些孤立错位的数据库打通、互联并且实现技术共享，才能够最大化大数据价值，提供决策支持。 5 大数据营销并非“量”的存在而在于“智慧的数字生态” “对于大数据营销的理解，多数人的理解停留在‘很大的数据’这一概念，然而大数据实际上是一种“数据生态”的表现，即从交易型数据管理拓展到社会化数据管理层次，从结构化数据管理拓展到非结构化数据管理等。在此基础上必须要有BI的商业智能分析模型的数据管理能力，否则无意义而言。”珍岛集团副总裁张蓬说道。大数据营销等同于精准营销，或是精准营销是大数据营销的一个核心方向和价值体现。然而目前市场上很多大数据营销技能的企业存在很多片面性，首先整个SNS体系的生态数据应该是完整的数据展现而并非微博、微信数据平台等单一的数据支撑。其次，配套程度有限。大数据智能除了像EDM通道外，还需要和终端配合，这点目前市场上做的还很分散。最后，企业在做大数据营销时对个体消费群体真正能够接受大数据给自己带来的便捷同时也因为涉及“个人隐私”这个敏感的词汇而有所收敛。张蓬认为大数据营销的两个核心方向是To B和To C。To B即商业智能化，涉及企业智能化供应链决策体系优化，这个供应链不是常规理解的传统意义的物流，而是囊括企业人力资源、服务采购、销售市场拓展、内控成本分析等诸多层面。To C，即生活服务，涉及餐饮、旅游、医疗等诸多领域，以个人信息为核心的信息组织管理模型，将在未来，重构民生体验。 6 大数据营销是“大规模个性化互动”实现高效转化的基础大数据营销以DMP为核心，包括CMO辅助决策系统，内容管理系统，用户互动策略系统，效果评估与优化系统，消费者聆听和客户服务系统，在线支付管理系统等几个方面。主要从决策层，分析层和执行层几个方面来完成营销，服务和销售全流程管理。时趣首席科学家王绪刚认为，在银屏时代，营销的核心是品牌形象传递;在互联网门户时代，营销的核心是数字化媒介购买;而在以移动，社会化代表的互联网3.0时代，营销的核心是实现“大规模的个性化互动”。这里的互动指的是更加广义上的接触点策略，比如更加有针对性的传播内容，更加人性化的客服信息，千人千面的个性化页面，而实现这一核心的基础就是消费者大数据的管理。大规模代表效率，个性化代表更好的转化效果。因此，所谓大数据营销的价值就在于能够实现更加高效的转化。每个公司所处的阶段不同，关心的问题也不同。未来除了广告平台以外，品牌主会更加关注其消费者生命周期的数据管理，与平台合作，实现在多个接触点上的个性化沟通。因此，传统意义上广告策略将渐渐被基于对用户画像的自动化沟通机制所替代，而CMO也必须借助构建DMP，SCRM等IT设施来应对这一趋势。 7 大数据营销即建立一个数据建模让营销更加精准、有效微播易技术经理林星认为，数据的获取方法主要体现在信息系统普及、传感器网路等等。其次是数据处理方法，像是使用通用计算机搭建计算能力超群的系统，如SNS社交媒体，利用更加开放的系统，在不妨碍平台利益和用户隐私的情况下，理论上获取每一个个人的SNS行为轨迹，然后存储在服务器上，形成一个庞大的数据库积累后成为大数据营销的一个数据基础。目前在营销过程中涉及数据方面的多而杂，这时需要对数据的有效性进行过滤，例如行为噪声，重复数据，非目标用户数据等等。换句话说，大数据时代，数据和处理能力不再是主要矛盾，主要矛盾是如何从数据中获取想要的知识，也就是数据建模即挖掘能力。当然这个问题的求解，需要一些列建模的过程，然后把它转化成为具体的计算问题。林星表示，目前的大数据技术虽然可以让营销动作做得更加精准、有效，但做起来并不容易。即便是公认大数据营销的大佬亚马逊、乐天，也经常会被吐槽推荐的东西驴唇不对马嘴，或者是已经买过的东西也会一再推荐。因此，未来基于大数据技术的提升，大数据营销的精准性将带来更多的商业价值。 8 大数据营销就是对“小数据”分析过程中的数据应用对于大数据营销，多数人认为在做的事情可以称之为“大数据”，在众多乐观的态度中易观国际分析师董旭却提出了对立的观点。她认为，今天所有营销数据基本上是各家在利用有限的数据资源，虽然这个数据资源可能是庞大的，比如庞大cookie量，附属性的分析量等，但将其放在互联网、移动互联网环境上只是与营销相关的数据之一。因为现如今产业链的特征，企业都会有自己独立的DMP系统，但做DMP第三方市场还没有一个通用型的DMP平台可以提供获取数据。因此所有的DMP本身是在应用数据，而并非是全网的大数据。另外，当今的所有的用户数据都来自于cookie或是APP使用行为等等，如用户属性，购买行为等，因其数据本身的局限性再从数据本身的一个维度的扩张来看今天的数据也够不成大数据。因为大数据营销还处在一个概念普及的阶段，所以大数据未来的发展方向是指导整个营销行业趋势化或并不指导实际运用的作用和价值，而真正指导这个行业运用的还是小数据为主。这也是为什么如今独立的第三方DMP生存并不理想的主要原因。结语大数据可以帮助品牌发现机遇，如新客户、新市场、新规律、回避风险、潜在威胁等，同时亦可以有助于品牌营销决策的调整与优化。这其中包含了数据人才、数据模型和应变数据管理的组织职能优化等，这也是当前企业大数据营销转型中最大的三个门槛。目前大数据营销的最真切的切入点就是去做内工层面，即概念普及认识数据的重要性，这其中包括：数据的活性，量级，数据的准确性，以及数据维度的多元化，最后交给市场一个教育的过程。

认知计算、人工智能和大数据分析有何区别?

11MayArticles, Big Data

时间: 2016-04-08 09:46:19 编辑: 西奥马尔编对于认知计算(Cognitive Computing)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。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。在IBM，我们把它简化归纳为，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。认知计算与人工智能的区别是什么? 虽然认知计算包括人工智能的一些要素，但前者是一个更宽泛的概念。认知计算不是制造“为人们思考”的机器，而是与“增加人类智慧”有关，能够帮助我们更好地思考和做出更为全面的决定。人工智能的概念已经有二十多年了，人工智能从历史和研究角度来讲主要目的是为了让机器表现得“更像人”，我们称之为Intelligent Behavior。 IBM的认知计算从技术角度上来讲和人工智能是有很多共性的地方，比如机器学习(Machine Learning)、深度学习(Deep Learning)等方面都很类似。但是，IBM的认知计算目的并不是为了取代人，而Intelligent Behavior也只是认知计算的一个维度。认知计算除了要能够表现人和计算机的交互更加自然流畅之外，还会更多地强调推理和学习，以及如何把这样的能力结合具体的商业应用、解决商业的问题。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。