什么是机器智能
1946年，第一台电子计算机ENIAC诞生，这使得人类重新开始考虑机器能否有智能的问题。
图灵测试(Turing Test):让一台机器和一个人坐在幕后，让一个裁判同时与幕后的任何机器进行交流，如果这个裁判无法判断自己交流的对象是人还是机器，就说明这台机器有了和人同等的的智能。
计算机科学家们认为，如果计算机实现了下面几件事情中的一件，就可以认为它有图灵所说的那种智能：
1. 语音识别
2. 机器翻译
3. 文本的自动摘要或者写作
4. 战胜人类的国际象棋冠军
5. 自动回答问题
飞鸟派：人工智能1.0
人工智能这个名词严格地讲在今天有两个定义，
第一个是泛指机器智能，也就是任何可以让计算机通过图灵测试的方法，包括我们在本书中要经常讲的数据驱动方法。
第二个是狭义上的概念，即20世纪五六十年代特定的研究机器智能的方法。
因此，学术界将机器智能分为传统人工智能的方法和现代其他的方法（比如数据驱动、知识发现或者机器学习）。
那么传统的人工智能方法是什么呢？简单地讲，就是首先了解人类是如何产生智能的，然后让计算机按照人的思路去做。
另辟蹊径：统计+数据
到了20世纪70年代，人类开始尝试机器智能的另一条发展道路，即采用数据驱动和超级计算的方法，而这个尝试始于工业界而非大学。
贾里尼克和他的同事在研究语音识别时，无意中开创了一种采用统计的方法解决智能问题的途径，因为这种方法需要使用大量的数据，因此被称为数据驱动方法。这种方法最大的好处是，随着数据的积累，系统变得越来越好。相比之下过去人工智能的方法很难受益于数据量的提升。
数据创造奇迹：量变到质变
数据驱动方法从20世纪70年代开始起步，在八九十年代得到缓慢但稳步的发展。进入21世纪后，由于互联网的出现，使得可用的数据量剧增，数据驱动方法的优势越来越明显，最终完成了从量变到质变的飞跃。
大数据的特征
大数据最明显的特征是体量大，这一点无论是内行还是外行都认可。
大数据第二个特征是多样性（多维度）
大数据的第三个重要特征是它的全面性(完备性)
大数据的最后一个，或许是最重要的一个特点，通过分析它名称的英文写法就能知道。
英语里的large和big翻译成中文都是大的意思，因此很少有人关心为什么大数据使用“big data”这个英语词组，而不是“large data”。
big，large和vast到底有什么差别呢。large和vast在程度上略有差别，后者可以看成是very large的意思。而big和它们的差别在于，big强调的是相对小的大，是抽象意义上的大，而large和vast常常用于形容体量的大小。比如“large table”常常表示一张桌子尺寸很大，而如果说“big table”，其实是要表示这不是一张小桌子，真实尺寸是否很大倒不一定，但是这样的说法是要强调已经是称得上打了，比较抽象。
仔细推敲英语中的big data这种说法，我们不得不承认这个提法非常准确，它最重要的是传递了一种信息-----大数据是一种思维方式的改变。现在的数据相比过去大了很多，量变带来质变，思维方式、做事情的方法就应该和以往有所不同。这其实是帮助我们理解大数据的一把钥匙。
在大数据之前，计算机并不擅长解决需要人类智能来解决的问题，但是今天这些问题换个思路就可以解决了，其核心就是变智能问题为数据问题。
一些数据专家将大数据的特征概括成三个V，即大量（Vest）、多样性(Variety)和及时性(Velocity),这种说法虽然方便记忆，但并非完全准确。
首先，尽管一些大数据具有及时性的特点，但它并非所有大数据所必需的特征，一些数据没有及时性，一样可以被称为大数据。
其次，多样性虽然是大数据的一个特征，但是含义上有歧义性，其中最重要的含义是多维度。实际上，多维度的讲法更加简明而准确。
大数据的时效性其实不是必需的，但是有了时效性可以做到和很多过去做不到的事情，城市的智能交通管理是一个例子。
通常我们把问题归结为7类：
“是什么”（what）
"什么时候"（when）
"为什么"（why）
"哪一个"（which）
"是谁"（who）
"什么地点"（where）
"怎么做"（how）
这7个疑问词被称为WH单词（WH words），各种问题也被称为WH语句。
在这7类问题中，容易回答的的询问事实，包括“是什么”（What）、“什么时候”（when）、“什么地点”（where）、“哪一个”（which）和“是谁”（who）。
难回答的是询问原因的“为什么”（why）问题，以及询问过程的“怎么做”（how）问题。
变智能问题为数据问题
网友评论