媒体聚焦 | 数据科学技术发展与应用趋势分析

RapidsDB数据科学的概念最早出现于1962年，美国数学家John Tukey提议用数据科学（Data Science, Datalogy）来替代计算机科学，认为数据科学是数据分析的未来。

在1974年，Peter Naur 发表了《计算机方法简明调查》，调查了各种应用程序中的数据处理方法，第一次明确定义了数据科学是“处理数据的科学”。此后，计算机科学家和统计学家开始关注如何利用计算机技术处理大量的数据。

随着计算机技术的发展和数据量的不断增长，在20世纪90年代，数据科学技术经历了爆发式的发展，诸如数据挖掘、数据仓库等技术概念应运而生。直到现在，数据科学的概念和范围也在持续演变。

当前，维基百科将数据科学定义为“一门利用数据学习知识的学科”。它的目标是从数据中提取输入价值的部分生产数据产品，其中最典型的代表就是各类人工智能的应用。

实际上，数据科学交叉融合了诸多技术，包括数学、统计、机器学习、数据仓库以及高性能计算等关键技术。尤其是将计算机科学中的数据处理技术和数学中的机器学习技术融合，是数据科学典型的特征。

从上述关系图可以看出，在计算机方面数据科学所涵盖的核心技术是数据处理和机器学习，不妨通过二者发展历程来探寻其关系。

自2016年AlphaGo横空出世起，大众对人工智能的认知达到了前所未有的广度和高度，传统产业对智能升级和转型的热情也空前高涨。再到2022年底ChatGPT的发布，使得更为广泛的大众深刻感受到人工智能对日常生产生活的影响。

其实，当前主流人工智能技术中所采用的算法，几乎都是上世纪八九十年代或更早前被提出的。以AlphaGo为例，其采用的强化学习、深度学习、蒙特卡洛搜索树都是上世纪被提出来的。可以说，在上世纪70年代至90年代，人工智能经历了漫长的“黑暗期”，多项研究进展缓慢。

通过将大数据技术发展历程图和人工智能技术发展历程图对照，可以看到从1960年开始，数据管理的需求逐渐增长，从二十世纪九十年代到进入二十一世纪，数据库技术持续蓬勃发展，在2005年Apache基金会推出大数据处理框架Hadoop，助力企业更高效地处理和存储海量数据，为数据科学的发展奠定了基础。

总体来说，数据形式和数据量的变化，推动了数据处理和机器学习的进化：数据量的增加催生了更为先进的数据处理技术，数据处理技术的成熟使得机器学习的发展成为可能。