蛟宠龙后我一般很建议大家在了解某行业、技术术语时，先看一下相关的白皮书了解一下基本概念和应用，这里把我觉得不错的白皮书分享一下：

　　下面进入正题，先来说说大数据和云计算的关系大数据的本质就是利用计算机集群来处理大批量的数据，大数据的技术关注点在于如何将数据分发给不同的计算机进行存储和处理。

　　云计算的本质就是将计算能力作为一种较小颗粒度的服务提供给用户，按需使用和付费，体现了：

　　云计算的技术关注点在于如何在一套软硬件环境中，为不同的用户提供服务，使得不同的用户彼此不可见，并进行资源隔离，保障每个用户的服务质量。

　　BI（Business Intelligence）即商务智能，它是一套完整的解决方案，用来将企业中现有的数据进行有效的整合，快速准确地提供报表并提出决策依据，帮助企业做出明智的业务经营决策。

　　商业智能BI在数据架构中处于前端分析的位置，其核心作用是对获取数据的多维度分析、数据的切片、数据的上钻和下钻、cube等。通过ETL数据抽取、转化形成一个完整的数据仓库、然后对数据仓库的数据进行抽取，而后是商业智能的前端分析和展示。

　　大数据（big data）是一种信息资产，它是无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力。简单而言，大数据更偏重于发现、预测并印证的过程。

　　大数据、的数据来源包括内部数据和外部数据，有很大一部分数据是包括音频、视频、图像在内的非结构化数据，或是半结构化数据。这类数据通过大数据管理的方式进行整合，然后用BI的方法进行分析挖掘处理。

　　而BI的数据很多是来自数据库的结构化数据分析。在企业内部实施BI应用就是为了可以更好的对数据进行分享和使用。

　　从技术方面来看，传统BI的ETL、数据仓库、OLAP、可视化报表技术，都处于淘汰的边缘，因为解决不了海量数据（包括结构化与非结构化）的处理问题，BI的很多功能都可以被对应的大数据组件所替代。大多数企业即使没有大数据业务的驱动，大数据技术的优势依然不容小觑。

　　BI涉及的应用科学包括：终端用户查询和报告工具、数据挖掘软件、数据仓库产品。主流的传统商业智能工具包括BO、COGNOS。一些新型的BI工具如Tableau、Qlikview、帆软FineBI在目前市场也被广泛应用。

　　而大数据的应用几乎涉及到社会生活的方方面面，如医疗行业、金融行业、体育行业、安全执法、城市改善等等。当然，大数据所涵盖的领域不止这些，未来还会有许多新的行业和领域利用大数据的应用进行规划和发展。

　　BI更倾向于决策，对事实描述更多是基于群体共性，帮助决策者掌握宏观统计趋势，适合经营运营指标支撑类问题；大数据则内涵更广，倾向于刻画个体，更多的在于个性化的决策。

　　大数据的数据处理，涉及很多新的技术，不同的应用场景需要不同的大数据处理方法，需要有人专门进行研究和探索，可见大数据对于BI人员的技能要求有所提高。

　　随着企业CRM、ERP、SCM等应用系统的引入，企业不仅仅关注事务处理过程，而更加注重有效利用企业的数据为准确和快速的决策提供支持。由此带动的对商业智能的需求将是巨大的。BI的发展趋势可以归纳为以下几点：从单独的商业智能向嵌入式商业智能发展，从传统功能向增强型功能转变，从传统型BI向敏捷型BI转变。

　　大数据的发展趋势包括：数据的资源化，与云计算的深度结合，数据管理成为核心竞争力，数据生态系统复合化程度加强，数据质量是BI(商业智能)成功的关键，数据泄露泛滥。

　　最后，关于大数据以及企业数据建设案例，欢迎关注专栏：帆软数据应用研究院 - 知乎专栏

　　关于大数据和云计算的关系人们通常会有误解。而且也会把它们混起来说，分别做一句话直白解释就是：云计算就是硬件资源的虚拟化；大数据就是海量数据的高效处理。

　　虽然上面的一句话解释不是非常的贴切，但是可以帮助你简单的理解二者的区别。另外，如果做一个更形象的解释，云计算相当于我们的计算机和操作系统，将大量的硬件资源虚拟化之后再进行分配使用，在云计算领域目前的老大应该算是Amazon，可以说为云计算提供了商业化的标准，另外值得关注的还有VMware（其实从这一点可以帮助你理解云计算和虚拟化的关系），开源的云平台最有活力的就是Openstack了；

　　大数据相当于海量数据的“数据库”，而且通观大数据领域的发展也能看出，当前的大数据处理一直在向着近似于传统数据库体验的方向发展，Hadoop的产生使我们能够用普通机器建立稳定的处理TB级数据的集群，把传统而昂贵的并行计算等概念一下就拉到了我们的面前，但是其不适合数据分析人员使用（因为MapReduce开发复杂），所以PigLatin和Hive出现了（分别是Yahoo！和facebook发起的项目，说到这补充一下，在大数据领域Google、facebook、twitter等前沿的互联网公司作出了很积极和强大的贡献），为我们带来了类SQL的操作，到这里操作方式像SQL了，但是处理效率很慢，绝对和传统的数据库的处理效率有天壤之别，所以人们又在想怎样在大数据处理上不只是操作方式类SQL，而处理速度也能“类SQL”，Google为我们带来了Dremel/PowerDrill等技术，Cloudera（Hadoop商业化最强的公司，Hadoop之父cutting就在这里负责技术领导）的Impala也出现了。

　　整体来看，未来的趋势是，云计算作为计算资源的底层，支撑着上层的大数据处理，而大数据的发展趋势是，实时交互式的查询效率和分析能力，借用Google一篇技术论文中的话，“动一下鼠标就可以在秒级操作PB级别的数据”难道不让人兴奋吗？论文传送门：

　　今年3月，人民日报刊文，国家已正式确定了把“新基建”作为未来经济建设的长期目标。在“新基建”涉及的7大主要领域之中，就包括了5G、大数据中心、人工智能和工业互联网这四大重点的科技领域。①

　　客观的说，一方面“新基建”是中国发展数字经济的基础保障，不仅能在短期内助力稳投资、扩内需和增就业；另一方面，通过“新基建”带动产业智能化的升级，也关系到中国能否搭上智能化时代的快车，对推动整个中国产业体系更具竞争力，同样也具有十分重要的战略意义。

　　在此背景下，通过上云，以及用好大数据，在“新基建”中助力行业和企业智能化转型，快速地获取商业洞察来做出预测和决策，并且实现产品及商业模式的创新，必将在很大程度上成为决定企业乃至未来数字化转型成败的关键之举。

　　从这个角度出发，来理解大数据、云计算和商业智能这三者的关系，就能明确的看到，云计算是基础平台、大数据是认知方法、商业智能是最终目标，未来随着云计算、大数据、商业智能之间的深度融合、互相发展，推动行业和企业实现智能化转型，已是大势所趋！

　　毫无疑问，今天发展数字经济已上升到战略层面，近期“新基建”正风起云涌就是最新的佐证，通过大数据、云计算、人工智能等新技术的引入，实现传统产业的数字化转型升级以及新兴数字化产业重构可谓正当其时。

　　首先，云计算作为基础平台，背后带来的数字化转型构成了数字经济的基础和底座。企业上云的核心是运用云计算技术推动业务创新，同时实现敏捷、灵活管理，降低IT成本，以提高企业在新常态下的发展动力和竞争力。

　　同时，借助上云企业可以实现与客户、供应商的广泛连接，将企业流程由内部延伸到整个产业链，建立更全面的端到端流程，加速数据端到端的衔接，业务端到端的协同，价值端到端的传递。

　　其次，大数据是认知方法，企业上云之后通过大数据实时、感知和预测等特点可以帮助很多企业降低成本，缩短生产周期，提升效率。

　　更为关键的是，在数字化新时代，数据已经成为重要的生产力要素。从某种意义上说，谁能下好大数据这个先手棋，谁就能在未来数字经济时代的竞争中占据优势和掌握主动。

　　最后，商业智能是最终目标，当数据积累到一定程度后，智能化将是企业追逐的目标，通过智能化连接企业的数据资源、处理交易、变革流程、赋能组织，从而推进企业的业务创新和管理变革，转变生产经营和管理方式，是企业融入数字经济大潮的必由之路。

　　换句话说，今天很多企业从数字化正在走向智能化，不应仅仅只实现单纯的数据汇集过程，而是必须通过实现云边端一体的打通，从海量的数据中筛选有价值的部分，同时将AI的算法、算力以及各种能力可以在整个产业链路上进行灵活调用，才能够真正的实现企业的智能化变革。

　　当然，也要看到数字经济的落地，产业智能化的转型不是“一蹴而就”，而是一个长期的演进和迭代的过程，特别是智能化作为这个进程中非常重要的一环，它不仅需要AI技术与传统行业的深度融合，也要求面向不同行业要有“因地制宜”的解决方案，更取决于云数智的加速融合。

　　也正是洞察到了智能化转型之路上的重重挑战，英特尔目前也正通过集成了AI加速能力的英特尔至强可扩展平台，帮助企业加速云数智的融合，助力行业和企业加速智能化转型。

　　一是，在云计算领域，英特尔至强集成AI加速能力，可帮助企业实现简单上云、智慧用云以及高效管云能力。具体来看，在简单上云方面，基于英特尔至强平台的云架构，可为计算、存储、网络提供性能强劲、简单易用的云化基础设施， 降低上云复杂度，全面承载从边缘到云的工作负载，并兼顾公有云、私有云(本地部署)、混合云以及多云的应用需求，并满足工作负载在上述各种云环境内的多点无缝集成。

　　在智慧用云方面，英特尔至强平台能够提供“以数据为中心”的全面产品组合，可用于构建云化的统一数据平台，对数据处理流水线的全程，包括从数据存储、传输、处理到分析，再到AI模型的训练和推理提供全面加速，让云成为企业利用数字化、智能化应用发掘洞察、推进创新的重要引擎。

　　在高效管云方面，英特尔至强平台不断增添自动化、智能化的管理功能和特性，与合作伙伴的云管应用及方案搭配，可应对云在大规模部署和升级中须充分考虑的资源扩展和调配效率，混合多云环境的应用和数据对接、迁移，云数据中心能源效率，基础设施可靠性等诸多挑战，以确保企业用户的云持续在弹性扩展、 稳定可靠、降本增效的状态下运行。

　　二是，在大数据领域，英特尔傲腾持久内存能够显著提升内存容量，降低存储延迟，帮助系统性能提升，能够快速帮助企业应对实时分析;同时，英特尔傲腾固态盘，完美对接英特尔傲腾持久内存，其高吞吐量、低延迟、高服务质量 (QoS) 和高耐用性等特性高效助力应用程序提升运行速度、降低延迟敏感型工作负载的事务处理成本，改善数据中心的整体TCO成本。

　　值得一提的是，英特尔傲腾持久内存还提供了两种不同的工作模式，分别为“内存模式”与“应用直接访问模式”。当以内存模式工作时，用户无需对上层应用代码做出改变，就能够迅速以经济实惠的价格，扩展其内存空间。当以应用直接访问模式工作时，英特尔会与用户共同开展优化工作，得到进一步的性能提升。此外值得一提的是，由于傲腾具备非易失性，因此在出现系统断电等故障时，能够实现更快速的恢复，大幅缩减恢复时间。

　　最后，在商业智能方面，英特尔至强集成 AI 加速能力，也能高效实现人工智能落地。可以看到，集成了AI加速的英特尔至强可扩展平台，可构建性能出色且实用的 AI 应用，还可利用面向未来 AI 所优化的全面产品组合实现快速扩展。

　　在此基础上，英特尔创新AI软硬件技术和成熟合作伙伴生态系统，让企业可充分利用已有的内部专业知识以及熟悉且信任的平台，轻松构建和部署 AI应用，让 AI 在产业实践中高效落地，包括从内核到库，英特尔提供完整的软件堆栈和参考平台，让开发人员能够采用自己偏好的开发工具加速AI工作。

　　不仅如此，英特尔的生态系统涵盖数百个合作伙伴解决方案，并支持以下开源项目，如Apache Hadoop框架、Cloudera、IBM 分析平台、微软分析平台系统 (APS)、Oracle Exadata、SAP HANA、SAS 和可信分析平台 (TAP)等等。

　　不难发现，集成了AI加速能力的英特尔至强可扩展平台，正在通过持续不断的技术创新和开放赋能，让越来越多行业和企业变得越来越智能，借助AI提升效率，创造新价值，真正赋予了行业智能化的新未来，由此也推动了各行各业的智能化转型，让任何人在任何地方，都能通过更加“普惠化”的方式的获取到更为优秀的AI能力。

　　总的来说，云数智的加速融合，已经成为了当下经济产业升级和企业智能化转型中的新动能和源动力，喷涌而出的线上线下应用场景需求给以云数智为代表的“新基建”带来巨大的发展空间。在此过程中，集成了AI加速能力的英特尔至强可扩展平台，也正通过赋能行业合作伙伴和客户，加速产业智能化的落地。

　　例如，新华三集团依托深厚的网络设备研发、制造与部署经验，推出了更具智能化属性的先知网络架构（SNA），该架构可通过“感知—分析—决策”的模式，将丰富的网络运维数据通过人工智能的训练和推理过程，转化为更优的网络策略，来帮助最终用户有效提升网络智能分析和业务编排能力，同时降低运维成本。

　　而作为新华三集团重要合作伙伴的英特尔，不仅为其提供全新的第二代英特尔至强可扩展处理器为SNA输出强大的算力支持，更结合新架构在不同应用场景中的需求，为其AI训练和推理过程提供多种优化方案。来自验证性测试的结果表明：基于英特尔至强平台集成的AI加速能力优化后的SNA可大幅提升AI训练能力，并在最终用户的实际部署中赢得了良好的反响。

　　再如，为帮助用户更有效地提升AI研发效率，英特尔和金山云一起，不仅在其云实例中部署了英特尔至强可扩展处理器等先进硬件产品，还引入了包含面向英特尔架构优化的TensorFlow、面向英特尔架构优化的Caffe 等 AI 框架的镜像，并通过这种更优AI软硬件的“打包”，形成对 AI 工作负载最优支持的 IaaS 能力，让企业客户在无需关心底层AI框架配置和调优等复杂性的同时，也能在基于英特尔至强可扩展处理器的云基础设施上“一站式”获取极佳性能。

　　金山云实测数据显示，多个优化后的AI框架在不同深度学习模型中实现的性能，都获得了数倍乃至数十倍的大幅提升。这也表明将更优AI软硬件“打包出售”的金山云增强型IaaS服务，可为不同应用场景下的AI研发提供强有力的性能的助攻，加速其企业用户的AI研发进程，更好的推动了行业AI的落地。

　　总的来看，“新基建”的加速为数字经济创造了有利的条件和巨大的发展契机，市场将进一步拥抱云、大数据和商业智能，通过云数智的加速融合，则可以让计算更普惠，让大数据更好汇聚，让商业分析更智能，必将加速实现企业数据价值最大化，并高效完成产业智能化的转型和落地。

　　从AI从业者的角度谈谈对这个的理解。 关于这三者的关系，前面说得很好。 这几个概念甚至不是一个层次上的概念。云计和大数据，更多的是一种计算架构方面的内容。你可以简单地理解为，你的业务跑在云计算的平台上，跑了好多年了，记录了大量的数据，就叫大数据吧（虽然大数据这个词就像哈姆雷特一样，一千个人心中有一千种定义……）。但是数据放在那边是死的，很多公司就放在那，长期占用着他们的硬盘。 而商业智能，就是可以把这摊死数据盘活，做个“废物”再利用的化腐朽为神奇的技术。 简单的比喻吧，比如你开了几年的杂货铺，记录了几万笔交易，你可以发现哪些商品在某个特定的季节卖得好那就多进点货，那么明年这个时候就可以多备点货了。这就是最简单的商业智能。 【商业智能，贵么？】 大家都在说商业智能、都在说AI，但AI、BI不是你想做就能做的啊。 核心在于：AI在BI上面的应用，并不是一个标准化的产品。 这个应该很好理解。虽然AI在算法上是相通的，但具体到应用场景，每家公司的业务都不一样，产品、客户、商业模式千差万别，收集的数据、提出的商业假设和增长指标千差万别，很难做到千篇一律。 这种非标准化的需求就带来了一个问题：成本高昂。 比如同样是做衣服，为啥量体裁衣的衣服会比优衣库贵这么多？因为优衣库只提供了几款标准化尺寸（S, M, L, XL），所以可以降低成本；但是如果是量体裁衣，你为一件衣服付出的费用，可远不止衣服那几块布的价值了。 那在商业智能领域，直接的体现就是，每家公司都需要专门雇佣昂贵的商业数据分析团队，他们首先要是专业的数据分析师出生，精通各种统计、机器学习、数据挖掘的算法；其次，他们又需要非常了解公司的业务情况，才能有针对性的去收集、分析数据，以带来公司的增长。这样的团队，无疑是非常非常昂贵的；况且优秀的数据分析师这么稀缺，小公司想招也招不到啊。 【商业智能的半标准化探索】 但是，业界有这么一种思路，让我看到了商业智能标准化的希望。 国内有这么2家2B厂商：友盟和金蝶。这两家公司都有一些共性，他们都是“前商业智能化时代”的产物。即，他们的第一代产品，可以说，跟智能可能没沾边太多。比如友盟无非就是简化App埋点这个工作；金蝶就是帮企业做ERP系统，让他们流程更高效一点。 虽然不智能化吧，但是很重要的一点是，他们把这个做成标准化了。到目前为止，已经有千千万万的App接入了友盟做埋点和数据统计；金蝶ERP已经成为现在企业的事实标准，企业很多流程、管理已经对接了金蝶定义的这套标准。 所以，基于这个事实，这两者是有资本把商业智能给标准化的公司。他们确实也是这么做的。 比如友盟，1月份去极客公园大会听了他们数据团队的leader的一个讲座，感触非常深。他们从埋点起家，现在已经可以渐渐的帮APP开发者做一些基本的数据统计、预测工作了：742再比如金蝶。金蝶很长一段时间，一直是ERP企业里面的大象。有无数企业，已经适配了金蝶定义的各种企业管理流程，比如工单流转啊、客户管理啊。最近金蝶在此基础上，推他们的云ERP。一方面是为了降低企业的费用和部署成本。但我认为，其在AI时代的战略意义是更重要的部分。 既然有这么多企业已经对接了金蝶的ERP，就可以针对这种普适化大众需求，帮你分析你的工单延迟性、客户留存度这种比较常见的指标。（就像优衣库，在价格压力下，虽然不能完全量体裁衣，但至少也会推出S M L XL四挡尺寸供选择）虽然离完全客制化还有一段距离，但是已经在保证低成本的情况下，向智能化迈出了重要的一步了。 当然，友盟、金蝶这样提供的这些商业智能，毕竟只能以照顾大多数企业的共同需求为主。要真正做好商业智能，还任重而道远。Facebook的Growth平台，有每个用户的画像和相关的配套工具；公司在做商业决策的时候——比如是否要上线一个新的feature，可以利用内部的工具平台，迅速作出决策、对比试验，以数据来支持决策。

　　对于普通企业，我觉得在无法深挖数据做商业智能的时候，至少可以在数据采集准备上面做好准备，适当的结合友盟、金蝶这样的现成工具帮助企业执行简单的逻辑。等以后有资源了，你也可以投入人力财力去挖掘现有的数据，优化未来的商业决策。

　　1. 以map/reduce为代表的分布式并行计算（如果这个算云计算）实际上不是一种聪明的算法甚至不是一种算法，它只是便于算法实现的基础架构而已。

　　2. 云计算不能加快任何算法的速度，它只是使子问题的并行执行变得更方便而已。

　　3. 搜索是一个易于实现并行化的应用，所以目前绝大多数云计算运用都和搜索有着某种关联。

　　4. 并行计算不是一件新事物，如果节点之间的信息需要大量共享，那么map/reduce这类方法就失去了吸引力。

　　5. 对于计算密集型的数据分析或数据挖掘算法时，你会遇到意外的障碍，而云计算很可能帮不了你什么。

　　6. 虽然有很多人很多文章谈到了云计算与大数据，而且头头是道。但是，只要假想一个简单的组合问题，比如哪些关键因素决定了一部电影的票房，然后在纸上写下你的解决步骤和大致算法，你就会发现一堆吹爆的牛皮。