“大数据”已经过时了吗？

谢谢您的问题。我认为，大数据没有过时，但是需要升级融合。

1. 大数据现在还有很大应用空间。大数据使用过程是对海量数据进行分析，得出有益于人类知识、决策的信息，从而使人类研判更加合理、更加智慧。这个需求总是存在，在商业、工业、教育、政府等领域都在推广应用，大数据挖掘分析人才也是重点培养的。
   
   
2. 大数据需要与新技术、新算法结合。对大数据的算法，随着人类的需求，会不断迭代更新，算法是大数据使用的核心，大数据要持续植入算法。物联网、区块链等新技术是数据存储、应用的更高发展阶段，会与数据发生交互，且在这个过程中 ，会产生新的数据，形成新的大数据，本质也是大数据。因此，大数据内涵和领域是不断拓展延伸的。
   
   
3. 各种方式都是为了用好大数据。数据是原材料，是未来世界最珍贵的资源。将来会有更多公司的精力存储大数据。所有基于数据的存储、使用，都是用足、用好大数据。只是途径、方式有先有后、有低有高、角度不同，目前不是谁取代谁，而要看是否有交集、产生交集后是否有新技术、新数据、新应用。万物互联是真理。
   说了很多，欢迎互相关注，批评指正。

“大数据”与其说是过时了，倒不如说还没有真正开始。只要摩尔定律还在生效，每过18个月电子技术就要翻一番的话，那么大数据时代就只能在路上。这是因为，随着计算技术的不断进步，存储成本的不断降低，人们有越来越多的资本去收集更多的数据，进行更颗粒化的分析。然而，在传统的数据分析中，当数据量大到一定的程度时，分析结果就不会进一步优化了。

举一个最简单的线形分类的例子，对于平面上一堆被零散放置的两种球（红球和蓝球），通过画一条直线尽可能好的将两类球分开，然后对于新的放进来的球（可能被包起来），单凭直线的划分去判断新球的颜色。很容易就可以看出，由于我们分类的模型相当简单（只有一条直线），那么海量的数据可能对于提升模型精度的意义不是太大，这也是传统数据科学遇到的问题。机器学习（数据科学主要的分析手段）方法遇到的主要瓶颈也在这里，在这种情况下，更多的数据是没有更大意义的。

深度学习使得这一瓶颈得到突破，这一学习方法简单来说就是通过多层、多个计算算子进行分析，从而可以建立足够复杂的模型，以提高数据分析能力。这种方法也被称为神经网络，因为每个算子就像神经一样微小而彼此相连，当然这一科学本身并没有仿生学的意义，只是仅仅看上去与神经相类似而已。在这种学习方法下，更大的数据量通常可以带来更高的精度，而且还存在精度从量变到质变提升的可能，因此数据科学家们对数据的需求也突然增大，大数据科学也因此应运而生。

对深度学习的诟病之一，是由于模型开始复杂起来，人们没有办法再像一条直线那样容易理解机器分类的标准规范。当存在理解的黑洞时，机器学习在一部分人眼中也就成了巫术。比如，给模型提供一批好的作文和不那么好的作文，经过学习，机器可以对新的作文进行评分，这些评分仅仅是根据前面提供的素材学习而来的,但是机器无法给出详细的评分理由，这就让结果的信任度大打折扣。不过，近来有关于深度学习算法原理的解释，这可能是把深度学习从“巫术”变成有理论支撑的科学的第一步。

无论怎么说，随着深度学习的快速发展，大数据应该只是仅仅拉开了幕布一角，远没有到全面降临的时刻。而随着深度学习、人工智能（后者往往是以前者为基础的）的快速发展，对数据需求的量级也会越来越多，到那时，可能才是真正的“大数据时代”

去中心化需要什么技术你了解吗？最近区块链大火，莫明的火，我希望看到技术，而不是概念。去中心化需要多少信息互联互交需要多少流量？这些你知道吗？怎么架构应用软件与去中心化软件的算法你有知道吗？请解释