但是 ， 大家逐渐认识到数据本身就是资产 ， 除了能够指导现有业务的发展之外 ， 数据还可以给企业提供更多的创新 ， 甚至商业模式的变革 。 所以你会发现 ， 虽然数据目前只是决策中的辅助手段 ， 但数字化决策这件事是势在必行的 。 必须说一句：前途是光明的 ， 但道路绝对是曲折的 。
从“可选项”到“必选项”
古往今来 ， 某个事物的出现和发展一定要兼具天时、地利、人和 。 互联网的大规模发展是因为个人电脑的普及；移动互联网的大规模发展是因为智能手机的普及；云计算的大规模发展是因为芯片、存储器、机器、网络等硬件的普及；大数据的大规模发展是因为计算、存储等资源的普及；人工智能的大规模发展是伴随着算力、数据、算法的普及 。
那么企业数字化转型呢？当然也不会例外 ， 它也有自身的“天时、地利、人和” 。
企业数字化的“天时”说白了就是大数据和人工智能这两大技术的发展 ， 看懂了它们的发展历程 ， 也就明白了“天时” 。
请看图2的时间轴 ， 2003年、2004年、2006年 ， 谷歌分别输出了GFS、MapReduce、BigTable三篇论文 ， 被称为大数据的三驾马车 ， 也不负众望地成为大数据的奠基之作 。 Hadoop就是在三驾马车的启发下诞生的 。 Hadoop具有以下三个特点 。

文章图片

图2 大数据发展史

• Hadoop参照GFS打造出HDFS ， 它是一个运行在普通机器上的、可供大规模存储和访问的分布式文件系统 ， 是大数据存储的基石 。 使得大数据这件事情变得可行 ， 在硬件成本上可控 ， 在软件技术上可实现 。
• Hadoop参照MapReduce打造出Hadoop MapReduce ， 它是大数据分布式计算的一种方式 ， 将大数据的计算任务先分解到多台普通机器上 ， 然后进行合并得到计算结果 。 它是大数据计算的基石 ， 使得大数据计算变得可行 ， 在硬件成本上可控 ， 在软件技术上可实现 。
• Hadoop参照BigTable打造出HBase ， 它是对底层的大规模存储和计算去进行使用的一个大表 ， 毕竟表格是更符合人的需求的一种存在 ， 可以认为它是NoSQL数据库的基石 。

2006年Hadoop从Nutch中分离出来成为Apache顶级开源项目 。 从此以后 ， 与大数据相关的技术就如雨后春笋一般迸发出来：2008年的数据仓库Hive；2010年的列数据库HBase；2012年的资源管理器Yarn；2013年的流式计算框架Spark、Storm；2014年的实时计算框架Flink 。 这些东西都让大数据产业得到长足发展 。
这厢大数据日新月异 ， 那边人工智能也不甘示弱 。
众所周知 ， 人工智能缘于1956年达特茅斯大会 ， 发展至今也有五十多年了 ， 可以说是经历了三起三落（见图3） 。

文章图片

图3 人工智能发展史
第一阶段 ， 从20世纪50年代到20世纪60年代是第一个高潮期 ， 主要是以逻辑学为主导的定理证明 。 然而 ， 由于计算能力的不足 ， 以及当时人工智能本身并不具备学习能力 ， 20世纪70年代迎来了人工智能的第一个低谷期 ， 各种压力和经费问题也接踵而至 ， 人工智能的前景也顿时蒙上了一层阴影 。
第二阶段 ， 好在总有那么一小部分不按常理出牌的人继续坚持研究 ， 大概蛰伏了10年 ， 终于在1980年 ， 卡内基·梅隆大学的第一套专家系统XCON诞生了 。 XCON系统每年到底能为企业节省多少成本一直是个谜（最高的有四千万美元 ， 最低的也有几百万美元） ， XCON专家系统经历了近10年的黄金期 ， 也是人工智能的第二个高潮期 。 然而 ， 随着第五代计算机的幻灭 ， 人工智能走进了第二个寒冬 。