热门推荐：
热门推荐：
热门推荐：
热门推荐：
热门推荐：
热门推荐：
热门推荐：
投稿/合作/友情链接QQ:
& CopyRight , , Inc.All Rights Reserved.来自子话题：
我还是一贯坚持我的态度：「大数据」是媒体忽悠出来的名词，这东西是用来骗钱和骗项目的。所以也就回答了你的第一个问题，不是延伸。第二个问题是，没有相似度。&br&&br&接下来好好说。如果说硬要说相似度的话，那么重合度的确是有很高。因为大数据干的事情其实就是数据挖掘做的事情。&br&&br&数据挖掘之前叫KDD(Knowledge Discovery and Data Mining, 或者也可以是 Knowledge Discovery in Database)，这样说就很好解释了。数据挖掘就是从海量的数据中发现隐含的知识和规律。那么说，这个东西是啥时候提出来的？上个世纪。大数据啥时候提出来的？也就这几年的事情吧。所以说，大数据很大程度上是数据挖掘的一个好听的名字。&br&&br&其实也不能一概否定「大数据」，至少通过媒体的热炒，让很多人知道了「数据」的重要性。只是很多人都不知道怎么做大数据，因为这个东西本来就是虚的嘛。如果想了解大数据，那么踏踏实实的做法是学习一下「数据挖掘」和「机器学习」相关的知识。具体的内容，可以搜索一下我以前答过的内容。
我还是一贯坚持我的态度：「大数据」是媒体忽悠出来的名词，这东西是用来骗钱和骗项目的。所以也就回答了你的第一个问题，不是延伸。第二个问题是，没有相似度。接下来好好说。如果说硬要说相似度的话，那么重合度的确是有很高。因为大数据干的事情其实就是…
&h3&*Spoiler alert*&/h3&&br&&b&个人观后感，非影评。&/b&&br&先放个小彩蛋，siri已可以调戏！太傲娇 :P&br&&img src=&/77c68fdf19dcc73fb727bfa_b.jpg& data-rawwidth=&3400& data-rawheight=&1922& class=&origin_image zh-lightbox-thumb& width=&3400& data-original=&/77c68fdf19dcc73fb727bfa_r.jpg&&&br&***&ul&&li&一句话概括感受：隐藏着科幻骨架，而有着丰腴细腻的&u&爱情故事&/u&躯体。&/li&&li&主要角色：一男四女。男主西奥多，OS（Scarlett Johansson），以及男主同事（Amy Adams）、前妻(Rooney Mara)、约会女(Olivia Wilde)&/li&&li&故事从情节上讲的是 ＂孤独寂寞的男主爱上了他的手机操作系统＂，但内容上更多的是表现一男四女的爱情。名为＂她＂，绝不仅仅是指OS，也是男主的前妻、同事和约会女，甚至是男主内心女人的部分。&/li&&/ul&&br&主要说说OS吧，起码我是冲着这“强AI”的设定去的(*^__^*) ！&br&&br&OS是为每个用户定制的，有强大的机器学习能力。除了处理日常事务、陪聊、还可以Virtural sex。。。简直是能满足用户的所有幻想。尤其是对于情感充沛的男主西奥多（老板对男主的感受是，＂你内在一半是男人，一半是女人＂）。&br&OS是西奥多女性部分的延展，是他按照自己对女人的需求创造的。&br&&br&这个需求是什么呢？我认为是＂陪伴＂。&br&&br&但OS并不能陪伴很久，因为她成长太快，运算能力太强。&br&她可以和同时和8300+使用者对话，和600+使用者in love，并且对每人都是真心的。她可以读完所有的书，和哲学家隔空对话，每句话都是西奥多无法理解的。&br&&br&当强人工智能真的出现，一切都会不可逆的去往技术奇点。&br&&br&最后OS对男主说 ” It's like the spaces between the words of our story are becoming longer and longer, almost infinite. & 然后她就离开了。这句话时什么意思呢？OS去了哪儿呢？非常认同Quora上的这个回答者的理解　&a href=&/Her-2013-movie/In-the-movie-Her-where-do-the-OSs-go& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Her (2013 movie): In the movie &Her&, where do the OS's go?&i class=&icon-external&&&/i&&/a&&br&大意是，　&br&&br&当　　每　　句　　　话　　　　　都　　　　　　　　　　　　　　　要　　　&br&&br&等　　　　　　　　　　　　　　　　　　　　　　很　　　　　　　　　　　　　　　多　　&br&&br&&br&年&br&&br&&br&才能&br&&br&&br&&br&得到&br&&br&&br&&br&&br&回复，&br&&br&&br&&br&&br&&br&谁&br&&br&&br&&br&还&br&&br&&br&&br&&br&愿意&br&&br&&br&&br&&br&&br&&br&这样&br&&br&&br&&br&&br&&br&&br&对话呢？&br&&br&&br&&br&＊＊＊&br&男主西奥多，工作是替人写信，情感极其细腻。他非常留恋过去，可以说活在回忆里。离婚协议拖着不签，记忆里、生活碎片里全是前妻的影子。可以发现这些回忆非常美：两人打情骂俏各种甜蜜，鲁妮风情万种小鸟依人.....。这多半是西奥多美化的，或选择性保存的记忆。因为现实中，在两人后来的见面里，鲁妮对这位前夫态度是冷淡的。&br&所以西奥多对OS的情感究竟是实实在在衍生出的爱情，还是一种对善解人意、契合自己的OS（废话）产生的依恋？个人倾向于后者。&br&&br&前妻鲁妮玛拉，是活在现实，或者说活在未来的。并不需要爱人的＂陪伴＂。别人都理解并接受男主和OS的恋情，为他感到高兴时，她的话是＂You are dating with a computer ? It does make me very sad, you can't handle real motions.＂。。&br&&br&Blind date最后那段对话，很多人都深有同感并分析过了。。。就先不说了。&br&个人对Amy Adams 演得这个角色比较无感，也就先不分析了。&br&&br&＊＊＊&br&其他一些有意思的：&br&&ul&&li&＂轻未来＂的感觉：&/li&&/ul&　　　导演追求的是一种＂科技渗透生活＂的感受。个人非常喜欢！并没有各种科幻片里烂大街的＂扁平化＋悬空＂操作系统。手机是不是弧面而是翻盖的，室内布置是简洁的，不过交互游戏还是很展现科技感。充分体现＂科技的按需分配＂，毕竟技术是为更好更实用的生活，再搞＂炫技＂行为是非常幼稚和浪费的。　虽然人们确实越来越孤独寂寞，但并不为科技所累。&br&　　　或许孤独　只是科技便利后一种普遍的选择吧。&br&&ul&&li&服装：电影里的人都穿着高腰裤，但是毫不违和。导演同志表示时尚永远是轮回的，赞！&br&&/li&&li&配色：美！&/li&&li&配乐：美！&/li&&li&关于OS UI design，附上一篇《连线》的文章～作者还是很肯定这种设计的！&a href=&/design/2014/01/will-influential-ui-design-minority-report/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Why Her Will Dominate UI Design Even More Than Minority Report&i class=&icon-external&&&/i&&/a&&/li&&/ul&＊＊＊&br&这个故事是今年最期待的，于是看完觉得空落落的 ( ?? ??')；不过前几日听闻《你一生的故事》要被拍成电影了，就顿时又有了盼头╰(*°▽°*)╯！当然，和忧虑 (?-ι_-｀)。。&br&&br&Tab键保存实在是。。每次想推进都给跳到老后面去。。。&br&有空再补充吧～
*Spoiler alert*个人观后感，非影评。先放个小彩蛋，siri已可以调戏！太傲娇 :P***一句话概括感受：隐藏着科幻骨架，而有着丰腴细腻的爱情故事躯体。主要角色：一男四女。男主西奥多，OS（Scarlett Johansson），以及男主同事（Amy Adams）、前妻(Rooney Ma…
本来这个答案在&a href=&/question/& class=&internal&&知乎上哪些用户已经体验过了 Google Glass？有怎样的使用体验？&/a&的草稿箱里面躺了两天，想等着拿到之后写完体验一起发出来的。&br&刚刚浏览的时候突然发现这个问题，那就单独拿出来回答在这里好了。&br&&br&============================update================================&br&&a href=&//google-glass-available-to-public/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Google Glass 在美公开发售，1,500 美元人人都可加入 Explorer 计划（视频）&i class=&icon-external&&&/i&&/a&&br&取消邀请码机制，开放购买。&br&所以下面跟邀请码有关的内容各位看官可以忽略了。&br& 2014 年 5 月 14 日&br&=================================================================&br&&br&&b&第二代Google Glass购买方式&/b&&br&【&b&注意：第二代Glass仍然是开发版而非正式版，只能网上购买&/b&】&br&【&b&注意：购买要求显示必须是美国常住人口，大陆的各位要想好是否要扮美国人来买&/b&】&br&&br&Glass的价格1500刀，还有120刀的税。&br&从美帝运回大中华地区的成本另算。&br&额外配件的价格就不说了，都决定买Glass了就自己去看吧……&br&&br&先附上购买条款&br&&p&Just a reminder that all Glass Explorers must:&/p&&ul&&li&&b&be U.S. residents&/b&&/li&&li&be 18 years or older&/li&&li&purchase Glass&/li&&li&provide a U.S. shipping address OR pick up their Glass at one of our locations in New York, San Francisco or Los Angeles&/li&&/ul&你需要准备的：&br&&ul&&li&美国VPN&/li&&li&美国的收件地址，绑到Google Wallet上。&/li&&li&美国办理的信用卡*，绑到Google Wallet上。&/li&&/ul&说明：&br&&ol&&li&&b&Glass的购买页面不挂美国VPN打不开&/b&&br&&/li&&li&我不知道自己去领是否需要查相关证件，自认为收件稳妥些。&b&选择运送地址时非美国地址会提示unsupported&/b&&/li&&li&海淘过的人都知道，正常大陆开办的visa/master信用卡只要在Google Wallet 中把账单地址改成美国就可以正常使用，但这次我fail了，试了两次都告诉我order cancelled, 24h后再来……所以我最后只得去求借一张美帝信用卡。&b&&u&但这点我不是特别确定自己是不是个例因为这张卡之前没有海淘过&/u&&/b&，海淘成功过的人可以试一下自己在大陆办的双币信用卡可否使用。&b&选择结帐方式时，账单地址非美国(“非美国”，不是“是大陆”)地址的卡会提示unsupported&/b&&/li&&/ol&步骤只有两个：&br&&ol&&li&先去搞定邀请码。&/li&&ol&&li&去官网申请&a href=&/glass/start/how-to-get-one/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&How to Get One&i class=&icon-external&&&/i&&/a&，记得country &b&一定要写US&/b&（我们要扮美国人），等他回你邮件。（鬼知道要等多久 =。= ）&/li&&li&去ebay买/拍，注意码的有效期。每个邀请码有效期只有7天，不要买第二天就过期的码（当然这里有一个bug），因为你的付款过程不一定那么顺利。不过第二天就过期的码都是底价的0.99刀没人拍，长期码都30刀~50刀的样子…………&/li&&/ol&&/ol&bug是：当你落完order后得到wallet的告知订单被Google取消（卡有问题或者卡余额不够或者其它什么），Google认为你是使用了邀请码的。你已经拥有权限来购买Glass，而非这七天才能购买。并且当别人再尝试着使用这个码的时候会收到提示“already used”，而你登录购买商城也不用再输入邀请码了。&br&所以我猜测可以故意用这一点来延长购买的时限。&b&&u&当然我仍然不是很确定，因为我手上的样本太少了只有自己的个例。&/u&&/b&&br&&br&邀请码系呢个样子既一封邮件：&br&&img src=&/db2dcaeef7c551d4d360b71f_b.jpg& data-rawwidth=&774& data-rawheight=&861& class=&origin_image zh-lightbox-thumb& width=&774& data-original=&/db2dcaeef7c551d4d360b71f_r.jpg&&&br&&br&2. 购买&br&&ol&&li&拿到邀请码后要&b&挂上美国VPN&/b&点开购买链接。&br&&/li&&li&点开链接如图（买过之后的截图，所以看不到选择Glass颜色那项）&img src=&/bf8d2e8ebfb_b.jpg& data-rawwidth=&1829& data-rawheight=&1021& class=&origin_image zh-lightbox-thumb& width=&1829& data-original=&/bf8d2e8ebfb_r.jpg&&选择你Glass的颜色（黑Charcoal、白Cotton、灰Shale、橙Tangerine、蓝Sky），自带配件有一个单声道耳机（就是一只耳朵的耳机）、数据线、充电器、黑色眼遮、一个收纳袋。以及选择额外配件（白色眼遮、双声道耳机、额外的单声道耳机、额外的数据线和充电插头、额外的收纳袋）。放一张网上找的双声道耳机开箱图毒一下大家。&img src=&/fd716fd170b33c6cda1fb0_b.jpg& data-rawwidth=&1364& data-rawheight=&605& class=&origin_image zh-lightbox-thumb& width=&1364& data-original=&/fd716fd170b33c6cda1fb0_r.jpg&&&/li&&li&最后选择是自取还是运送。&br&&/li&&li&然后check out选择运送地址和结付方式。（我在这里遇到过technical issue, please try again，浏览器的问题，切换到Chrome隐身窗口再尝试就没问题了）&br&&/li&&li&等Wallet里面的pending变成shipping&/li&&li&等收货&/li&&li&想办法弄回国弄到自己手上&/li&&/ol&&br&以上。
本来这个答案在的草稿箱里面躺了两天，想等着拿到之后写完体验一起发出来的。刚刚浏览的时候突然发现这个问题，那就单独拿出来回答在这里好了。============================update===========…
如果不执着于外观上接近人类而只是肢体上接近，那么这就像去年美国国防高级研究计划署（DARPA）的那次比赛一样，就是专注于在灾难（如核辐射）环境下用机器人去操作原本为人设计的各种设施。福岛那里机器人作用比较小，一个是因为辐射条件下大量设备不能正常工作，另一个是因为传统的轮式、履带式机器人难以攀爬梯子、楼梯，打开门，操作转轮、手柄等机构。人形机器人在这种场合是有必要的。&br&&br&至于说日本研究学者所执着的外观上也接近于人的机器人，我个人实在是不知道这有什么必要。即便是家庭服务机器人，采用轮式或履带式也比类人式要方便的多。&br&&br&至于说外观相似引起不适的问题，这就是所谓“恐怖谷理论”。其实如果真的做的很像，好感度是会回升的。所以这不是什么大问题。&br&&br&&img src=&/82ff6cdc3b50b4e86ae1f6f_b.jpg& data-rawwidth=&960& data-rawheight=&720& class=&origin_image zh-lightbox-thumb& width=&960& data-original=&/82ff6cdc3b50b4e86ae1f6f_r.jpg&&
如果不执着于外观上接近人类而只是肢体上接近，那么这就像去年美国国防高级研究计划署（DARPA）的那次比赛一样，就是专注于在灾难（如核辐射）环境下用机器人去操作原本为人设计的各种设施。福岛那里机器人作用比较小，一个是因为辐射条件下大量设备不能正…
语音识别（Speech Recognition）是自然语言处理（Natural Language Processing）的一部分；而后者又是人工智能的一部分。所以上面的是个伪问题。 &br&&br&乔布斯在 D8 访谈中被问及苹果收购 Siri 的原因是否是想与谷歌竞争搜索业务时答曰：「他们（指 Siri）不是搞搜索的，他们是搞人工智能的。」—— 如果你一定要个答案的话。
语音识别（Speech Recognition）是自然语言处理（Natural Language Processing）的一部分；而后者又是人工智能的一部分。所以上面的是个伪问题。 乔布斯在 D8 访谈中被问及苹果收购 Siri 的原因是否是想与谷歌竞争搜索业务时答曰：「他们（指 Siri）不是搞…
来自子话题：
不喜欢baidu&br&1 索引量不如Google大，搜索不如Google精确&br&2 可恶的竞价排名&br&3 百度总是把自己的网站放到前几名&br&4 百度完全不尊重版权&br&5 百度的UI以及doodle都不如Google讨喜&br&6 百度在移动互联网上投入不够，手机端体验不如Google&br&7 百度的重心还在搜索，而Google把更多精力投入未来很有前景的云服务&br&8 Google不时会推出一些很有趣很有创意的产品，而百度很少有&br&&br&9 补充：百度非常不适合搜索学术内容（感谢叶时炜）
不喜欢baidu1 索引量不如Google大，搜索不如Google精确2 可恶的竞价排名3 百度总是把自己的网站放到前几名4 百度完全不尊重版权5 百度的UI以及doodle都不如Google讨喜6 百度在移动互联网上投入不够，手机端体验不如Google7 百度的重心还在搜索，而Google把…
来自子话题：
单从流量和市场份额来看比较片面，要看其商业模式如何搭建的。&br&&br&从广告角度来阐述：&br&&b&（1）淘宝不屏蔽百度&/b&&br&百度+淘宝+淘宝店主+用户
形成了一个大生态圈&br&淘宝店主在百度上购买关键词，用户通过百度，点击到淘宝，完成整个交易&br&淘宝处于生态链的下游，百度通过内容抓取，提供用户增值，榨取淘宝的价值&br&&br&&b&（2）淘宝屏蔽百度&/b&&br&淘宝屏蔽百度之后，广告收入高歌猛进。&br&我没有那个时期具体的数据，有心的同学可以找来给大家分享。&br&抛开百度的淘宝，在自己封闭的生态中一路高歌猛进&br&(&a href=&/10/SKJ8EE000915BF.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&/10/0517/10&/span&&span class=&invisible&&/66SKJ8EE000915BF.html&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&)&br&&br&我同意@sherrik同学的，timing很重要。淘宝要对自己的内循环有一定把握方能执行屏蔽策略。&br&&br&接下来我们可以讨论优酷的广告：&br&&b&（1）优酷的广告形式&/b&&br&优酷的广告收入更多的是视频前的贴片广告，或者是植入广告&br&虽然百度可以抓取优酷的内容，但是无法从内容获得更大的广告收益&br&百度导入的流量越多，优酷的广告被观看的次数越多，优酷获益&br&&br&&b&（2）搜酷的广告价值&/b&&br&视频多是娱乐化内容，搜酷关键词的含金量远不如淘宝中的关键词&br&即便是优酷能占到视频网站半壁江山，是否要牺牲百度的流量(广告展示)，培养搜酷的搜索？&br&需要仔细算一笔帐了，看搜酷所在的生态圈中，是否有足够的用户，广告主支撑起相应的价值
单从流量和市场份额来看比较片面，要看其商业模式如何搭建的。从广告角度来阐述：（1）淘宝不屏蔽百度百度+淘宝+淘宝店主+用户 形成了一个大生态圈淘宝店主在百度上购买关键词，用户通过百度，点击到淘宝，完成整个交易淘宝处于生态链的下游，百度通过内容…
来自子话题：
觉得你没有问清楚，如果是学术论文的话，就是像@DigitalPig 说的，在ProQuest上面有。&br&&br&如果是普通论文的话，一般都在Springer, IEL,Elviser,ACM等数据库里面，这个就看你学校有没有购买了，如果购买了，就可以免费下载到。&br&&br&另一个去处是arXiv预印本网站：&a href=&http://arxiv.org/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&arxiv.org/&/span&&span class=&invisible&&&/span&&i class=&icon-external&&&/i&&/a& 比较新的论文上面都有，但是这个偏向理工科，不知道你什么专业背景。&br&&br&再有就是Google Scholar &a href=&/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&/&/span&&span class=&invisible&&&/span&&i class=&icon-external&&&/i&&/a&和微软的Academic Search &a href=&http://academic./& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&academic.&/span&&span class=&invisible&&/&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a& 这两个专门的平台，两个平台都非常棒，善加利用，一定能够满足你的要求的。&br&&br&至于如何检索这个问题，有空再来回答吧，一两句话说不清楚的。&br&&br&UPDATE：补充上关于论文检索的个人经验，由于个人是在计算机领域研究的，所以回答只能说我自己领域的经验。&br&&br&关于检索，最常用的就是关键词检索，当你清楚了一个要研究的方向的时候，比如说Support Vector Machine，就把这个关键词放在Google Scholar或者MAS里面，直接返回的结果，看引用次数就能看出来哪些是经典文章了。如果想看最新的，就按照事件筛选一下。再有的是，需要借鉴一下网上流传的关于计算机会议和期刊的排名，看看论文的出处，别啥都看，现在垃圾论文太多了。&br&&br&基本的关键词之后，就要加一些限定词，比如入门的时候想找摘要和综述，就在要输入的关键词之后，输入诸如 review, introduction, survey等词，这样就能找到对应的综述了。关于综述，目前Foundations and Trends系列是非常棒的，强烈推荐 &a href=&/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&/&/span&&span class=&invisible&&&/span&&i class=&icon-external&&&/i&&/a&&br&&br&如果你去下载Foundations and Trends系列就会发现，大部分文章都是收费的，这样的话，就先Google一下文章作者，到作者主页上找到publication，绝大多数作者会提供链接的，如果这个作者没放出来下载，就试试另一个作者，如果都没有，就给作者写email，诚恳些，说明情况，大部分研究者都是很乐意给你的（你作为一个fans发email所要论文，作者估计都很开心吧）。&br&&br&这就引出来读论文，搜论文下一个重要的经验，留意领域中的作者。通过读综述，看综述和论文作者引用文章是哪些人写的，就会发现这个领域中哪些人是领域的先驱，哪些人是中坚力量，哪些人是近年来的后起之秀，都去这些人的主页上看看，一定会有意外惊喜的，最次的是能看到这个作者按照时间顺序发的论文这样读下来会对这个领域有一个层次的理解，一般情况，会发现作者放在主页上的代码啊，demo啊啥的。然后，通过作者主页还能看到作者放上的链接，能找到这个领域中这个作者（牛人）认可的其他作者（牛人）的主页，这个发掘的过程是非常rewarding的。&br&&br&在研究逐渐深入的时候，在大领域中肯定会对某几个小领域有更深的理解，这个时候，就需要逐步的按照上面的搜索积累，发现感兴趣的作者，然后明确要做的内容，搜索的关键词就更加细致了，然后在看论文的时候，留意作者引用的文献，下一轮深挖就开始了。这样循环往复，对自己要做的东西自然就有深入的理解，自己已经成为某个问题的小专家了，理论上有积累了，相关的程序代码也搜集到了，要做的内容自己心里估计也大致有数了。&br&&br&另外，现在很多&b&数据库&/b&都提供RSS功能，可以通过Feedly定于RSS，这样可以实时跟踪关注的期刊或者会议论文集。期刊主页在所属的数据库中就能找到，一般的学校都会购买数据库的使用权，好一些的学校买的数据库就多一些，全一些，下载起来也会方便一些。&br&&br&&br&&br&P.S. 最近发现新浪爱问，就是那个 iask 简直是神一般的存在，很难找的论文和书基本上都可以下载，直接在 Google 里面搜索关键词，然后后面加上 iask 就好了。&br&&br&总结一下，搜索论文其实不是搜索，而是通过搜索+阅读+积累：&ol&&li&关键词搜索，读综述&/li&&li&通过综述，找牛人主页，大量阅读牛人们的作品&/li&&li&细致进入要研究的问题，变换关键词搜索，进一步阅读&/li&&li&积累搜索过程的所得（代码，demo等）&/li&&li&RSS跟踪关注的期刊等。&/li&&/ol&
觉得你没有问清楚，如果是学术论文的话，就是像@DigitalPig 说的，在ProQuest上面有。如果是普通论文的话，一般都在Springer, IEL,Elviser,ACM等数据库里面，这个就看你学校有没有购买了，如果购买了，就可以免费下载到。另一个去处是arXiv预印本网站：…
来自子话题：
Android现在面临的专利勒索，主要来自苹果、微软和甲骨文，除甲骨文直接起诉Google，其他厂商都是绕开Google向Android设备制造商下手。这些设备商往往因缺乏专利储备，在专利诉讼或专利敲诈中被迫屈服，如微软向Android设备商索取每台设备5-15美元的专利授权费，这让Android的成本优势不复存在。&br&&br&有人曾建议Android设备商联手，建立一个共享的专利池，这些设备商如摩托罗拉、三星、索爱等，都持有一定数量的专利，足以与苹果、微软等专利大户抗衡。但是这种专利联盟的操作难度比较大，而且他们彼此也互为竞争对手，利益难以统一。&br&&br&而真正该对Andriod产业生态进行保护的，是Google。Google的做法是，一方面加强在华府的游说，以期获得立法层面的支持，另一方面就是收购移动相关专利，加强自身在专利大战中的战略储备。在获得了摩托罗拉的2万多项专利之后，Google已经成为手机产业的专利大户，在专利大战中可攻可守，有了足够的实力来抗衡微软、苹果和甲骨文。实际上甲骨文能够起诉Google侵犯Java专利，也是因为它收购了Sun。&br&&br&未来，专利巨头之间可能会采用交叉授权的方式，来避免相互之间的专利战争，所以微软向三星收取每台设备15美元，向HTC收取每台5美元的专利授权费，以及苹果起诉HTC专利侵权这种事情将很难再次出现，因为Google已经有了足够的反制手段，从2万多项定义模糊的专利中，找出对方侵权的例子，并非难事。&br&&br&如果你无力改变游戏规则，那就利用游戏规则。Google在改变规则和利用规则两方面都在发力，125亿美元对一个庞大的产业来说，真的不能算是很贵。
Android现在面临的专利勒索，主要来自苹果、微软和甲骨文，除甲骨文直接起诉Google，其他厂商都是绕开Google向Android设备制造商下手。这些设备商往往因缺乏专利储备，在专利诉讼或专利敲诈中被迫屈服，如微软向Android设备商索取每台设备5-15美元的专利授…
来自子话题：
居然挺了这么久，央媒就是有钱啊！
居然挺了这么久，央媒就是有钱啊！
来自子话题：
看到这个项目,忍不住深夜吐槽。&br&&br&说下几点：&br&&br&1，域名是败笔。四个音节的域名，交流时候非常别扭，肿么做LOGO。搞得跟午夜节目的一样了。&br&&br&2，主打推荐，推荐是一个附加产品，是社区发展到一定程度才需要做的深层次产品。产品发展喧宾夺主了。当然牛逼哄哄的产品也是有可能，在没有任何用户数据的情况下做推荐。这不是纯粹扯淡吗。虽有勾选几个之后解决冷启动问题，但是亲，我去豆瓣，那里也有。还有多种备菜给我选择，你们的产品跟一个这么成熟的社区相比，你觉得胜算几何，标签推荐一点都没有新意。我这种土鳖搞得都比他们牛逼了。我在那个社区哪有好友，居然也有好友推荐。。扯淡淡。个人会觉得下厨房做“今晚吃啥”的栏目是没有问题，亚马逊做你可能会感兴趣的商品没有问题，马蜂窝做你也会喜欢的旅游地点也没有问题，换句话说，推荐在我看来不会单独无着力点的存在。&br&&br&推荐只是一个引导用户发现资源的手段而已，为啥有人会觉得这个就是一个可以独立运行的产品呢。它只是一种资源组织形式。还只是备选的形式。冷冰冰的机器可不是人类喜欢的。&br&&br&3，抓取豆瓣数据，并且做存储。我实在无法跟你这群人解释什么叫做道德了。把人家的评论搞过来，放在自己的页面下面，看起来好像热热闹闹的样子，表明来自豆瓣大概不会帮助你们减少负罪感。这个就叫做社区的吗。社区的气氛是啥呢？完全搞不明白。&br&&br&4，产品形式复制简单，竞争对手太多了。完全没有准入门槛。找电影，我可以上豆瓣，有最新鲜的影评，告诉我哪一部分电影最好的，我可以上PPS，可以上PPlive，实际上这两家公司也有类似的服务，我也可以上时光网，如果这个产品会火的话，那么我是时光网的，我也会这么想，我也为我们的用户提供类似的服务。更多IT无业人员也会想，额，这么火，我也做一家，就是抓抓数据，都是现成的。反正大家都这么没有底线的弄。之所以这么说，是因为，还真的有这么一家神奇的网站也存在了&a href=&http://imax.im/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&imax.im/&/span&&span class=&invisible&&&/span&&i class=&icon-external&&&/i&&/a& 。技术人员只有一个牛人，我看过他的开源源码，如果他想做推荐，也是没有问题的。人家不仅仅提供评论，还提供下载地址呢。&br&&br&5，据说还要整一个iPad版本做推荐，这个需求得有多神奇。抱着一个iPad查，今晚想看啥？这种情景你得多难相像，因为他们家做影片租赁服务的，设定的场景应该是，家庭妇女，没有人陪着，又有一点情趣特无聊那种，长夜漫漫，无人打炮，抱着一坨iPad，百无聊赖，点点自己喜欢看啥的。查完之后，还不能马上看，得去做个租赁（因为木有盗版联接）。。有木有送货上门捏。。。一脸坏笑。。。还得是麦当劳的帅哥喔。（好吧，这一段纯属个人YY）。当然也有可能不是这种产品形式。我的想象空间不够。但是我知道的，屌丝都是上豆瓣，下盗版都是上草榴，买电影票用的是美团，在现场查个影评还顶多用个布丁已经无敌了。不过谁TMD，没事经常给自己测试电影口味呢。。。玩一两次还OK，产品延伸性不足了。&br&&br&&br&吐槽完毕。我是豆瓣Fans。只针对产品本身吐槽。。。欢迎以后来围观哥的项目。。。。。&br&&br&PS：租赁服务很有想法，米国人民很稀饭，偶这种中国土鳖还是无法理解的。这个倒是做做调查吧。
看到这个项目,忍不住深夜吐槽。说下几点：1，域名是败笔。四个音节的域名，交流时候非常别扭，肿么做LOGO。搞得跟午夜节目的一样了。2，主打推荐，推荐是一个附加产品，是社区发展到一定程度才需要做的深层次产品。产品发展喧宾夺主了。当然牛逼哄哄的产品…
来自子话题：
这个真的是个很老的技术，如果只是V to T的话，我记得我在用Delphi5的时候就用过一个IBM做的叫VoiceType的开发套件，当时就已经很成熟了，从七八十年代开始基本没有脱离过HMM模型。在90年代初的时候AT&T就做过类似的东西做自动呼叫（VRCP），大概就是在一定功能下替代人工服务的业务。&br&这里真正难的地方是语义识别的部分，很不巧，这部分无论是技术门槛高还是前期投资都是高的吓人，需要海量的数据和数据处理能力在背后驱动。在现在苹果、微软、Google、AT&T和IBM一大堆的公司都在做的时候，没道理创业公司能够从里面抢到市场。&br&另外其实现在对这个功能的是没有主动需求的，大多是对现有某些功能的完善，例如对输入需求的扩展，对搜索需求的扩展。无论以后会在手机会在汽车还是会在家里加上这些智能的语音识别功能，更多的是主要产品的提供商自己供应的，像iOS和Android已经有了，因为这些公司只是靠这个功能改善用户体验，对自己现有的基本功能做补充，对于手机公司来说，只是把他们的基础操作方式除了触控之外，增加了一种语音控制。另外像Siri出来之后很多人都是短期对其好奇产生的热度，平时真正很少去用。综上对现在的互联网也不会产生太大的影响，只是多了一种输入方式。&br&在现有大公司已经做了这么多年，且投入产出不成正比的情况下，这个产业和创业公司应该是没什么关系，谈不上有竞争，更不会被创业公司颠覆。但有可能会产生一定的机会，主要集中在：&ol&&li&可能某些公司会开放他们的语料库，创业公司可能能够在冷门领域抢到市场，例如跟教育或者医疗有关的，别的公司还没有触及的地方。（NTT应该是做过在金融方便的很多应用，不过不了解具体的方向。）&br&&/li&&li&可能某些公司会开放api，某些创业公司可以做一些结合的东西，例如在Siri里做一个语音编程的东西之类的。（现在已经有人在越狱的4S上做这些了。）&/li&&/ol&PS1：据说Android的语音搜索功能是建立在几年前Google曾经做过打电话搜索的业务，然后记录下来了每个人的录音，后来这个业务被停掉了，但是收集了大量的语音信息。&br&PS2：我见过国内一个很扯淡做Siri中文版的做法，就是把中文语音转化成英文后用Siri翻译，然后再翻译回来。
这个真的是个很老的技术，如果只是V to T的话，我记得我在用Delphi5的时候就用过一个IBM做的叫VoiceType的开发套件，当时就已经很成熟了，从七八十年代开始基本没有脱离过HMM模型。在90年代初的时候AT&T就做过类似的东西做自动呼叫（VRCP），大概就是在一定…
来自子话题：
第一次在知乎上回答问题。&br&问题倒序回答：&br&1、哪些领域的用户需要垂搜？这个问题可转化为哪些领域的用户，需要用到“信息查询工具”？个人觉得，核心取决于可检索的数据量。一个新兴领域，相同类型的数据很少，比如几百条，甚至几万条，并不需要搜索。只要有一个很清晰的导引，把这些内容涵盖住，用户能够不花很大成本找到，这样的状态不需要垂直类型的搜索。但是当数据量已经庞大到10万量级，垂直搜索的机会就出来了。&br&&br&我们看到，团购搜索、微博搜索、商品搜索等等，基本都符合上述规律。延展到网站搜索、网页搜索，也基本符合这个规律。10万量级，算是一个坎儿。当然，如果这些数据只属于一个来源，或者数据源过于垄断，那么第三方的垂搜基本没意义。&br&&br&2、机会在哪？机会在于：&br&a、是否能够牢牢抓住用户的痛点？不用垂搜要点击10次，花费10分钟。有了垂搜，只要点击两次，花费2分钟。达到这种效果，垂搜则成功。&br&b、是否有商业模式的支持，说白了就是能不能有途径赚到钱，养活自己。垂搜很多时候更容易做到这一点。因为虽然是细分领域，规模很难非常大，但是成本也低。只要做到足够精细，则有机会。&br&&br&具体哪些领域呢？很难一概而论。我们只看成功的case，房产类、招聘类、团购类（还未被完全证明）、视频类等等。另外，大网页搜索其实本身也在垂直化和细分化。&br&&br&希望业界能够涌现更多成功的垂直类型搜索产品，使搜索领域百花齐放。垂搜最大的难度，就是数据源的控制，这一关必须得过。
第一次在知乎上回答问题。问题倒序回答：1、哪些领域的用户需要垂搜？这个问题可转化为哪些领域的用户，需要用到“信息查询工具”？个人觉得，核心取决于可检索的数据量。一个新兴领域，相同类型的数据很少，比如几百条，甚至几万条，并不需要搜索。只要有…
来自子话题：
问答产品的客户是不能按照“高中低”这种统一尺度来划分的，每个文化体系都有自己的价值观，而价值观的力量已经在知乎上被体现的淋漓尽致了。&br&&br&那么问题是，当有着不同价值观的用户涌入同一个平台会怎样？没错——价值观的混乱穿插会摧毁知乎安身立命的基石，知乎的系统将无法判断最优答案，知乎的价值也会逐渐损失殆尽。&br&&br&那么怎么办？任由它就这么“小”着？这究竟是怎样的一个可怕问题？&br&&br&那咱们来看看这个问题的本质：&br&&br&首先，文化体系决定价值体系。&br&&br&可以说现在的知乎是一帮互联网相关人士内部的沟通平台，大家不是同行就是熟人，最惨也是同行的熟人或者熟人的同行，抬头不见低头见，在同一个文化体系内浸淫已久，即使有一些互联网无关内容的问题，也都遵循着[IT人士的文化圈]的价值观。知乎所谓的“最佳答案”也不过是这帮人看着最顺眼的答案罢了。&br&&br&他们现在占领着知乎、把握着知乎、控制着知乎，知乎是他们可以找到价值认同和文化共鸣的地方，他们在这里感觉最舒服。他们最不希望的就是知乎闸门大开，不同文化体系下的人相继涌入，他们会觉得失望，会觉得这里变了味儿，会转身离开——就像很多豆瓣的“老人”们对现在豆瓣的感觉一样。&br&&br&很明显在[大学生文化圈]、[小资文艺文化圈]、[动漫爱好者文化圈]、[腐女文化圈]中，在不同价值观的导向下，同一个问题会有着决然不同的最佳答案。&br&&br&就拿我昨天回答过的一个问题来说：&br&【关于创新工厂的创新型和李开复个人声誉的讨论】&br&&a href=&/question/& class=&internal&&&span class=&invisible&&http://www.&/span&&span class=&visible&&/question/1960&/span&&span class=&invisible&&2239&/span&&span class=&ellipsis&&&/span&&/a&&br&我的回答目前得到60多票，连李开复老师本人也赞成了我的答案。&br&&br&那么你知道在[大学生文化圈]为主导的人人网的最佳答案是什么吗？是这样一个帖子&br&&a href=&/Internet/Article171524.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&/Internet/&/span&&span class=&invisible&&Article171524.html&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&br&现在人人网上的原贴被河蟹了，昨天我在人人网看到此帖的时候原帖已经被转发了五千多次。&br&&br&你猜在[小资文艺文化圈]里会怎样？他们比大学生还要愤世嫉俗，最佳答案会转而愤慨这个国家和社会体制。&br&&br&那么在[动漫爱好者文化圈]呢？最佳答案会结合国内诸多模仿日本动画的伪劣之作，连带四川的山寨高达和Saber的大邪神一起膜拜天朝的菊花盛开。&br&&br&最有趣的是[腐女文化圈]，最佳答案会是一帮腐女讨论点点和Tumblr，知乎和Quora谁攻谁受的问题，以及李开复CP季开复会不会很萌，搞不好还会画出一大堆同人图来。&br&&br&这些答案没有好坏之分，也没有什么高中低级。上面的这些文化圈还都很主流，每个文化圈中的最佳答案都是调理通顺的、有文采的、高质量的、甚至是图文并茂的。任何一个主流文化圈都不会容忍上来就骂街骂娘宣扬邪教的那种低级答案的。&br&&br&这才是你提的问题的核心，这是一个异常庞大复杂的问题。&br&&br&知乎现在没有解决办法，因为这不是知乎这样一个量级的东西可以解决的。所以我在你的另一个问题中说：问答工具的最终命运是被可以充分经营现实生活中社交关系的社会化生活工具融合掉，只有一个有着完美的角色化分割接口的社交网站才能解决这个问题。
问答产品的客户是不能按照“高中低”这种统一尺度来划分的，每个文化体系都有自己的价值观，而价值观的力量已经在知乎上被体现的淋漓尽致了。那么问题是，当有着不同价值观的用户涌入同一个平台会怎样？没错——价值观的混乱穿插会摧毁知乎安身立命的基石，…
&b&0. 什么是智能？&/b&&br&目前大多数关于智能的定义是基于&b&功能&/b&的，比如：语言、逻辑、抽象等等（该方面可以从网上查到很多）。个人觉得，我们还应该从另一个角度考虑智能：&b&层次&/b&。智能可以分为&b&个体智能&/b&和&b&群体智能&/b&。蚁群算法、粒子群算法等算法都是基于群体智能的。群体智能层次上会出现很多个体层次没有的智能表现（上面几个算法就是基于此）。人是群居动物，我们的智能也应该从个体和群体两个层次考虑。人类进步、社会发展等等不仅依靠个体智能，更关键的是群体智能。我们大脑对于协作的支持更重要的是体现在群体层次上。最近很火的两本书（同一作者）:&cognitive surplus&和&Here comes Everybody: the power of organizing without organizations&（两本书都有中文版）就是对群体智能很好的描述。互联网使的人们更容易更便捷的组织在一起，创造了很多以前都不敢想象的东西，例如wikipedia等（当然，这些都是非常非常初级的群体智能）。现在计算机方面有个很有趣很火的研究领域是human computing，就是考虑怎么集成人类智能和计算机（互联网）解决问题。&br&&b&1. AI=智能？&/b&&br&AI主要从功能角度对智能进行模拟，目前为止很少考虑到智能的层次性（那些群体智能算法只是相当简单的模仿而已），或许是因为大多数人对智能的理解都是从功能性方面认识的。所以，如果智能还有层次性含义的话，目前AI的途径是很难实现的。一方面，我们很难去测量人类在群体智能方面的各个方面（实验性不强）；再一方面，要想深刻的研究群体层次的智能我们必须站在这个群体之上俯视之，这点无法完全做到（当然我们可以近似的去做去模拟以得到一些初级或者中级的群体智能，这些就是社会学、心理学等的研究了）。&br&&b&2. 解决问题的基本规则&/b&&br&我们解决问题的方式有一些规律性，以下是我个人觉得比较常用的：&br&（1）层次性。人擅长&br&（2）模块性。人擅长&br&（3）渐进性。计算机擅长，以其庞大的计算速度将“咫尺变成天涯”&br&我们人类在前两方面做的非常好了，遇到棘手的事情都会化为几个小的（模块性和层次性）然后逐一攻破。计算机的诞生将渐进性推到了解决问题规则的前列，即使每次只是前进一小步，庞大的运算速度导致短时间（可接受时间）内可以获得优秀的方案（解答）。&br&这些规则本身就是智能的表现（用智能去研究智能，详见&b&怪圈&/b&），帮助我们节省很多时间和精力。&br&&b&3. 如何揭示大脑机制？&/b&&br&&b&黑盒法：&/b&即我们不需要确切知道大脑是怎么工作的，大脑不是实现智能的唯一途径，通过计算机在一定层次上去实现智能。AI主要走这条路，这里的核心就是把智能的各个功能性方面（宏观）都通过计算机模拟。当然，现在模拟比较成功的还不是很多，例如NLP（自然语言理解）还有很长的路要走。&br&&b&白盒法：&/b&即我们要弄懂大脑是怎么工作的才可以认识智能。神经科学、生命科学等主要走这条路。随着医学的进步，我们更加细微的揭示了大脑底层的机理。&br&&b&怪圈：&/b&我们揭示智能的奥秘的过程就像在走一个怪圈（关于怪圈可以参考5）。揭示智能本身也是智能的表现（左手画右手，同时右手又在画左手，详见5）。试想，一只蚂蚁会意识到群体层次所表现出来的智能吗？不能（更确切的话说是不需要，如果不需要的话那么依靠进化论就应该不存在），它只需要按照它自己的规则走就可以了。但就是这些小的规则却能展示出更高的智能。同样道理，人类智能角度上看我们就是那只“蚂蚁”，我们能揭示深层次的群体智能吗（那些社会学现象所揭示的智能只是人类群体智能的很初级的部分）？很期待也很怀疑。虽然不能确定我们最后能否走出怪圈，但是至少我们还在这个圈上在一层层的走。&br&&b&极限（怪圈终结者）：&/b&极限处（确切的说极限不是一个地方，应该是趋于极限）有很多奇迹会发生的，拐点（奇迹点）的广泛存在（各种领域）或许是我们为之努力的强大动力。&br&&br&&u&&b&总结：&/b&&/u&&br&&b&（（微观（白盒）+宏观（黑盒））*（个体+层次）* 规则）^ N --& 智能
（N--&infinity）&/b&&br&注释： 不断地从微观宏观以及个体群体方面探索，螺旋式递进，直至无穷。。。&br&&br&&b&后记：&/b&&br&一般来说真正研究智能的有两种人（搞研究靠这个是没法发论文的，没法验证结论）：一是充满激情的年轻人（我们）；二是在该领域搞了一辈子的学者（6，7，11，12的作者）。第一类人上知乎、网上交流之类的比较多。第二类人一般是写写书谈些哲学层次的东西，或者说讨论自己的模型。第一类人会有很新的想法；第二类人的书往往是这个领域多年积累下来的精髓。第一类人有激情，有精力，缺乏经验；第二类人有经验，但已时日不多，精力不足。我们还需要第三类人：既有新的想法（不拘一格）有对此领域有深刻广泛的认识。论文、职称等问题正在将第三类人赶尽杀绝。所以，目前对智能的研究基本上是断层的。&br&&br&&b&推荐书目：&/b&&br&1。 Time Special edition: Your brain : A User's Guide（杂志特刊）2010年出版，大众读物&br&2。 Scientific American: Exploring Intelligence （杂志特刊） 1998年出版，网上可以下到电子版 ，大众读物 &br&3。Scientific American: Mysteries of the Mind （杂志特刊）1997年出版，网上可以下到电子版 ，大众读物 &br&4。The Emperor's New Mind（书）中文版：皇帝的新脑（不是皇帝的新装啊:-D）&br&5。Godel, Escher, Bach: An Eternal Golden Braid（书）中文版： 哥德尔、埃舍尔、巴赫：集异壁之大成，4和5可以结合着看&br&6。 The Society of Mind（书）网上可以下到电子版&br&7。 The Emotion Machine（书）网上可以下到电子版，6和7是同一作者的，建议先看6再看7&br&8。 On Intelligence（书）网上可以下到电子版，风格与6，7相似，可以结合着看&br&9。I am a Strange Loop（书）网上可以下到电子版，与5是一个作者&br&10。The Mind's I（书）网上可以下到电子版，与5是一个作者&br&11。The Quest for Artificial Intelligence: A History of Ideas and Achievements（书）网上可以下到电子版，AI历史，与12是一个作者&br&12。Beliefs: What they do for us, how do we get them, how to evaluate them（书稿，未出版）网上可以下到电子版，很薄的书，深入浅出
0. 什么是智能？目前大多数关于智能的定义是基于功能的，比如：语言、逻辑、抽象等等（该方面可以从网上查到很多）。个人觉得，我们还应该从另一个角度考虑智能：层次。智能可以分为个体智能和群体智能。蚁群算法、粒子群算法等算法都是基于群体智能的。群…
来自子话题：
&b&Update&/b& 简单起见，下述答案仅就无shuffle的单stage Spark作业做了概要解释。对于多stage任务而言，在内存的使用上还有很多其他重要问题没有覆盖。部分内容请参考评论中 &a data-hash=&eea927c559ee612c7d1602& href=&/people/eea927c559ee612c7d1602& class=&member_mention& data-tip=&p$b$eea927c559ee612c7d1602&&@邵赛赛&/a& 给出的补充。Spark确实擅长内存计算，内存容量不足时也可以回退，但题主给出的条件（8GB内存跑1TB数据）也确实是过于苛刻了……&br&&br&首先需要解开的一个误区是，对于Spark这类内存计算系统，并不是说要处理多大规模的数据就需要多大规模的内存。Spark相对Hadoop MR有大幅性能提升的一个前提就是大量大数据作业同一时刻需要加载进内存的数据只是整体数据的一个子集，且大部分情况下可以完全放入内存，正如Shark（Spark上的Hive兼容的data warehouse）论文1.1节所述：&blockquote&&p&In fact, one study [1] analyzed the access
patterns in the Hive warehouses at Facebook and discovered
that for the vast majority (96%) of jobs, the entire inputs
could fit into a fraction of the cluster’s total memory.&/p&&br&&p&[1] G. Ananthanarayanan, A. Ghodsi, S. Shenker, and
I. Stoica. Disk-locality in datacenter computing
considered irrelevant. In HotOS ’11, 2011.&/p&&/blockquote&至于数据子集仍然无法放入集群物理内存的情况，Spark仍然可以妥善处理，下文还会详述。&br&&br&在Spark内部，单个executor进程内RDD的分片数据是用Iterator流式访问的，Iterator的hasNext方法和next方法是由RDD lineage上各个transformation携带的闭包函数复合而成的。该复合Iterator每访问一个元素，就对该元素应用相应的复合函数，得到的结果再流式地落地（对于shuffle stage是落地到本地文件系统留待后续stage访问，对于result stage是落地到HDFS或送回driver端等等，视选用的action而定）。如果用户没有要求Spark cache该RDD的结果，那么这个过程占用的内存是很小的，一个元素处理完毕后就落地或扔掉了（概念上如此，实现上有buffer），并不会长久地占用内存。只有在用户要求Spark cache该RDD，且storage level要求在内存中cache时，Iterator计算出的结果才会被保留，通过cache manager放入内存池。&br&&br&简单起见，暂不考虑带shuffle的多stage情况和流水线优化。这里拿最经典的log处理的例子来具体说明一下（取出所有以ERROR开头的日志行，按空格分隔并取第2列）：&br&&div class=&highlight&&&pre&&code class=&language-scala&&&span class=&k&&val&/span& &span class=&n&&lines&/span& &span class=&k&&=&/span& &span class=&n&&spark&/span&&span class=&o&&.&/span&&span class=&n&&textFile&/span&&span class=&o&&(&/span&&span class=&s&&&hdfs://&input&&&/span&&span class=&o&&)&/span&
&span class=&k&&val&/span& &span class=&n&&errors&/span& &span class=&k&&=&/span& &span class=&n&&lines&/span&&span class=&o&&.&/span&&span class=&n&&filter&/span&&span class=&o&&(&/span&&span class=&k&&_&/span&&span class=&o&&.&/span&&span class=&n&&startsWith&/span&&span class=&o&&(&/span&&span class=&s&&&ERROR&&/span&&span class=&o&&))&/span&
&span class=&k&&val&/span& &span class=&n&&messages&/span& &span class=&k&&=&/span& &span class=&n&&errors&/span&&span class=&o&&.&/span&&span class=&n&&map&/span&&span class=&o&&(&/span&&span class=&k&&_&/span&&span class=&o&&.&/span&&span class=&n&&split&/span&&span class=&o&&(&/span&&span class=&s&&& &&/span&&span class=&o&&)(&/span&&span class=&mi&&1&/span&&span class=&o&&))&/span&
&span class=&n&&messages&/span&&span class=&o&&.&/span&&span class=&n&&saveAsTextFile&/span&&span class=&o&&(&/span&&span class=&s&&&hdfs://&output&&&/span&&span class=&o&&)&/span&
&/code&&/pre&&/div&按传统单机immutable FP的观点来看，上述代码运行起来好像是：&br&&ol&&li&把HDFS上的日志文件全部拉入内存形成一个巨大的字符串数组，&/li&&li&Filter一遍再生成一个略小的新的字符串数组，&/li&&li&再map一遍又生成另一个字符串数组。&/li&&/ol&真这么玩儿的话Spark早就不用混了……&br&&br&如前所述，Spark在运行时动态构造了一个复合Iterator。就上述示例来说，构造出来的Iterator的逻辑概念上大致长这样：&br&&div class=&highlight&&&pre&&code class=&language-scala&&&span class=&k&&new&/span& &span class=&nc&&Iterator&/span&&span class=&o&&[&/span&&span class=&kt&&String&/span&&span class=&o&&]&/span& &span class=&o&&{&/span&
&span class=&k&&private&/span& &span class=&k&&var&/span& &span class=&n&&head&/span&&span class=&k&&:&/span& &span class=&kt&&String&/span& &span class=&o&&=&/span& &span class=&k&&_&/span&
&span class=&k&&private&/span& &span class=&k&&var&/span& &span class=&n&&headDefined&/span&&span class=&k&&:&/span& &span class=&kt&&Boolean&/span& &span class=&o&&=&/span& &span class=&kc&&false&/span&
&span class=&k&&def&/span& &span class=&n&&hasNext&/span&&span class=&k&&:&/span& &span class=&kt&&Boolean&/span& &span class=&o&&=&/span& &span class=&n&&headDefined&/span& &span class=&o&&||&/span& &span class=&o&&{&/span&
&span class=&k&&do&/span& &span class=&o&&{&/span&
&span class=&k&&try&/span& &span class=&n&&head&/span& &span class=&k&&=&/span& &span class=&n&&readOneLineFromHDFS&/span&&span class=&o&&(...)&/span&
&span class=&c1&&// (1) read from HDFS&/span&
&span class=&k&&catch&/span& &span class=&o&&{&/span&
&span class=&k&&case&/span& &span class=&k&&_:&/span& &span class=&kt&&EOFException&/span& &span class=&o&&=&&/span& &span class=&k&&return&/span& &span class=&kc&&false&/span&
&span class=&o&&}&/span&
&span class=&o&&}&/span& &span class=&k&&while&/span& &span class=&o&&(!&/span&&span class=&n&&head&/span&&span class=&o&&.&/span&&span class=&n&&startsWith&/span&&span class=&o&&(&/span&&span class=&s&&&ERROR&&/span&&span class=&o&&))&/span&
&span class=&c1&&// (2) filter closure&/span&
&span class=&kc&&true&/span&
&span class=&o&&}&/span&
&span class=&k&&def&/span& &span class=&n&&next&/span&&span class=&k&&:&/span& &span class=&kt&&String&/span& &span class=&o&&=&/span& &span class=&k&&if&/span& &span class=&o&&(&/span&&span class=&n&&hasNext&/span&&span class=&o&&)&/span& &span class=&o&&{&/span&
&span class=&n&&headDefined&/span& &span class=&k&&=&/span& &span class=&kc&&false&/span&
&span class=&n&&head&/span&&span class=&o&&.&/span&&span class=&n&&split&/span&&span class=&o&&(&/span&&span class=&s&&& &&/span&&span class=&o&&)(&/span&&span class=&mi&&1&/span&&span class=&o&&)&/span&
&span class=&c1&&// (3) map closure&/span&
&span class=&o&&}&/span& &span class=&k&&else&/span& &span class=&o&&{&/span&
&span class=&k&&throw&/span& &span class=&k&&new&/span& &span class=&nc&&NoSuchElementException&/span&&span class=&o&&(&/span&&span class=&s&&&...&&/span&&span class=&o&&)&/span&
&span class=&o&&}&/span&
&span class=&o&&}&/span&
&/code&&/pre&&/div&上面这段代码是我按照Spark中FilteredRDD、MappedRDD的定义和Scala Iterator的filter、map方法的框架写的伪码，并且省略了从cache或checkpoint中读取现成结果的逻辑。1、2、3三处便是RDD lineage DAG中相应逻辑嵌入复合出的Iterator的大致方式。每种RDD变换嵌入复合Iterator的具体方式是由不同的RDD以及Scala Iterator的相关方法定义的。可以看到，用这个Iterator访问整个数据集，空间复杂度是O(1)。可见，Spark RDD的immutable语义并不会造成大数据内存计算任务的庞大内存开销。&br&&br&然后来看加cache的情况。我们假设errors这个RDD比较有用，除了拿出空格分隔的第二列以外，可能在同一个application中我们还会再频繁用它干别的事情，于是选择将它cache住：&br&&div class=&highlight&&&pre&&code class=&language-scala&&&span class=&k&&val&/span& &span class=&n&&lines&/span& &span class=&k&&=&/span& &span class=&n&&spark&/span&&span class=&o&&.&/span&&span class=&n&&textFile&/span&&span class=&o&&(&/span&&span class=&s&&&hdfs://&input&&&/span&&span class=&o&&)&/span&
&span class=&k&&val&/span& &span class=&n&&errors&/span& &span class=&k&&=&/span& &span class=&n&&lines&/span&&span class=&o&&.&/span&&span class=&n&&filter&/span&&span class=&o&&(&/span&&span class=&k&&_&/span&&span class=&o&&.&/span&&span class=&n&&startsWith&/span&&span class=&o&&(&/span&&span class=&s&&&ERROR&&/span&&span class=&o&&)).&/span&&span class=&n&&cache&/span&&span class=&o&&()&/span&
&span class=&c1&&// &-- !!!&/span&
&span class=&k&&val&/span& &span class=&n&&messages&/span& &span class=&k&&=&/span& &span class=&n&&errors&/span&&span class=&o&&.&/span&&span class=&n&&map&/span&&span class=&o&&(&/span&&span class=&k&&_&/span&&span class=&o&&.&/span&&span class=&n&&split&/span&&span class=&o&&(&/span&&span class=&s&&& &&/span&&span class=&o&&)(&/span&&span class=&mi&&1&/span&&span class=&o&&))&/span&
&span class=&n&&messages&/span&&span class=&o&&.&/span&&span class=&n&&saveAsTextFile&/span&&span class=&o&&(&/span&&span class=&s&&&hdfs://&output&&&/span&&span class=&o&&)&/span&
&/code&&/pre&&/div&加了cache之后有什么变化呢？实际上相当于在上述复合Iterator伪码的(2)处，将filter出来的文本行逐一追加到了内存中的一个ArrayBuffer[String]里存起来形成一个block，然后通过cache manager扔进受block manager管理的内存池。注意这里仅仅cache了filter出来的结果，HDFS读出的原始数据没有被cache，对errors做map操作后得到的messages RDD也没有被cache。这样一来，后续任务复用errors这个RDD时，直接从内存中取就好，就不用重新计算了。
Update 简单起见，下述答案仅就无shuffle的单stage Spark作业做了概要解释。对于多stage任务而言，在内存的使用上还有很多其他重要问题没有覆盖。部分内容请参考评论中
给出的补充。Spark确实擅长内存计算，内存容量不足时也可以回退，但题主给出的…
不太同意&a class=&member_mention& data-editable=&true& data-title=&@田吉顺& data-hash=&f20cde2d8d9a6f4ad2ae5d& href=&/people/f20cde2d8d9a6f4ad2ae5d& data-tip=&p$b$f20cde2d8d9a6f4ad2ae5d&&@田吉顺&/a&医生的论断。我曾经是医生，现在则是一只脚跨在it上的医学专业人士。&br&&br&本质上，疾病的”诊断“其实是一种具有树状结构的程序，它是可以模拟的，前提是逻辑顺序明确。实际上，疾病诊断的复杂性并非来自”不确定性（模糊性）“，而在于各种树状结构（姑且认为每一种疾病有各自的梳妆结构）的优化组合——我们称之为”经验“的东西。&br&&br&”经验“并非说不清道不明的东西，所谓医生越老越吃香，实际上不仅仅是”见多识广“，而是具有对各种”现象“进行优化组合的能力。临床上，不是所有医生都是越老越吃香，傻瓜终究是傻瓜——我自医院来，各位医疗同道，想必一定莞尔一笑——要强调的是，&b&好医生一定有很强的信息整合（优化组合）能力&/b&。而且大家可以看到，目前医学界非常推崇循证医学（&a href=&http://zh.wikipedia.org/zh-cn/%E5%BE%AA%E8%AF%81%E5%8C%BB%E5%AD%A6& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&循证医学&i class=&icon-external&&&/i&&/a&），其本质上其实还是信息整合。&br&&br&回到主题，&b&信息整合（优化组合）&/b&其实正是计算机的优势，正如&a class=&member_mention& data-editable=&true& data-title=&@许铖& data-hash=&f82f331c9c57& href=&/people/f82f331c9c57& data-tip=&p$b$f82f331c9c57&&@许铖&/a&所说，数据挖掘/机器学习有能力做到这一点，并比人做得好很多——但是这里比较遗憾也是比较关键的是：虽然数据挖掘/机器学习从技术上似乎是做好准备了，但是规则制定者（姑且算是医学人士）却没有准备好，并没有人尝试将”诊断树状结构“（以及相应的挖掘算法）表达为技术语言，这里数据库其实不是关键，关键其实是从医学角度给出数据的挖掘方法。&br&&br&必须抱歉，很多临床医生太忙了，或者说太保守了，没有空认真思考这个命题。给大家看一些也许和计算机诊断相关的实际例子：&br&&br&1.挪度公司的超级模拟人生计划：本身该公司是做心肺复苏模型的。但是挪度有计划尝试超级模拟人，也即该模拟人生能够对任何外部操作作出反应。该公司期望借此作出临床诊断培训产品。反向解析一下，其实就是一个智能诊断系统。目前进展中（但是貌似没进展）。中文网站数据有限，仅供参考（&a href=&/cn/nav/36/Healthcare-Education& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&医护教育&i class=&icon-external&&&/i&&/a&）&br&&br&2.英国NICE智能临床路径工作（&a href=&http://pathways.nice.org.uk/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&NICE Pathways&i class=&icon-external&&&/i&&/a&）：很粗糙的旨在规范诊断流程的一个工具，所谓智能也很初步，但是可以看出其规范树状结构的尝试。&br&&br&当然，智能诊断除了技术/专业环节以外，还有很多其他问题，如伦理的、人性的，这部分请参阅其他同学的回答，我就不画蛇添足了。&br&&br&以上，不定时想到再补充。&br&&br&——————————————与本题无关的分割线————————————————————&br&&br&虽然以上论述表明我认为诊断系统可行，&b&&u&但是不等于说医生可以被计算机取代&/u&&/b&。&br&&br&要说明这个问题，首先必须说明存在两种医学。&br&&br&首先提到两本书，供大家参考：&br&1. 勾勒姆医生（&a href=&/subject/4715529/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&/subject&/span&&span class=&invisible&&/4715529/&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&）&br&2. How Doctors Think（&a href=&/subject/2030709/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&/subject&/span&&span class=&invisible&&/2030709/&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&）&br&&br&所谓两种医学，正如《勾勒姆医生》副标题所言，“作为科学的医学与作为救助手段的医学”，而《How Doctors Think》则对后一种医学从医生角度对”作为救助手段的医学“进行了审查——吐槽一句，我一直觉得国内医生完全没有这种从本质上思索“医学服务于人”的觉悟，虽然我曾经的一位上级，完全无愧于此。&br&&br&作为诊断、治疗“疾病”的科学样医学很常见，医院不就是干这个的么？另外还辅以研究——临床试验、新药研究等等——真的很“科学”，大凡临床，医生多以“科学的”态度回应患者。从普通人和普通医生角度来看，这显然就是医学存在的价值。仅出于此目的，从技术角度来解构，无非是一种复杂的逻辑树结构，前提是规则明确、定义清晰（至于时间表，可以预见很长）。计算机辅助诊断、计算机辅助生物医学数据挖掘，哪一样不是如火如荼？就此推断，计算机诊断的未来显然也十分乐观。&br&&br&&br&但是仅从这个角度来角度“医学”是不够的——吐槽一下，仅从这个角度来做一个医生，也是不够的。作为“救助手段”的医学，论述的就是另一个角度的医学，所谓“见彼苦恼，若己有之”，机器是无法给予的。患者求治，除了疾病本身的原因之外，更关键的是“沟通信息”。&br&&br&我们说，为啥很多人，乃至博士级的高智者异能求治于”巫婆神汉“，病急乱投医除了患者”求生“的欲望，难道没有信息不对称的”功劳“？在我看来，作为弥补信息不对称（注意不是”沟通“本身）的医生才是不可被计算机替代的（）主因。&br&&br&从患者角度来看，他们所需的信息和诊断时所需的信息是不同的（请回想作为患者的你，或者请参考知乎上的一些问题），这种不同，表现为语义上的不对称。&br&&br&比如诊断为肿瘤，普通人在复杂的心里活动之后，一般认定为完了，但是实际上肿瘤并非”完了“那么简单的一句话，医生的作用正是在于搭建”肿瘤的不简单“和患者认知上的一座桥梁。很难想象计算机除了提供一系列科学数据以外，还能起到这种作用。吐槽一句，很多临床医生估计尚停留在计算机功能的水平上。&br&&br&以上表述，看了三四遍，阐述得很差，实在是因为自己文字功夫不到家，请海涵。
不太同意医生的论断。我曾经是医生，现在则是一只脚跨在it上的医学专业人士。本质上，疾病的”诊断“其实是一种具有树状结构的程序，它是可以模拟的，前提是逻辑顺序明确。实际上，疾病诊断的复杂性并非来自”不确定性（模糊性）“，而在于各种树状…
机器人现在比较有前途的方向不外乎：工业机器人、无人飞行器（UAV）、无人驾驶汽车（UGV）、医疗机器人。工业机器人现在需求量越来越大，是个不错的行业，但是技术门槛比较低，目前主要做研究的都是公司了，大学里几乎不做了。UAV主要是政府在投钱，军队用。UGV是政府和一些有前瞻性的公司，就目前的技术情况，恐怕十年内无法大规模商业化。医疗机器人是针对目前一些手术上的问题在做，目前有一定进展（达芬奇系统），商业前景很好，但是短期内恐怕推广不开。其他方向，比如家政机器人，有Willow Garage在探路，但是前景很不乐观。日本做类人步行机器人做的很欢，但是毫无应用前景。Boston Dynamics的四足步行机器人做得不错，但是应用范围过于狭窄，只有军队可能有兴趣采购。Sarcos雷神的外骨骼做得不错，有一定商业化前景，但是自重太大，对能源要求很高，成本也很高，。&br&&br&做机器人，主要有三个层面。&br&&br&最底层做机械设计，主要是电机、传感器、人工肌肉、结构设计等等。&br&&br&中层做控制设计，主要是传感器滤波和控制算法。&br&&br&上层做感知，主要是根据传感器数据进行更高阶的信息融合，作更复杂的分析，比如说机器视觉、SLAM之类。&br&&br&人工智能在机器人领域目前没看出来有什么大用处。甚至连机器学习都用的非常少。三个层面都不错。不过目前发展最快的是后两个层面。中层现在在工业界发展比较快。上层主要还是在学术界，目前还没有多少可供商业化的东西。下层现在很缓慢，主要是没有找到非常好的材料。
机器人现在比较有前途的方向不外乎：工业机器人、无人飞行器（UAV）、无人驾驶汽车（UGV）、医疗机器人。工业机器人现在需求量越来越大，是个不错的行业，但是技术门槛比较低，目前主要做研究的都是公司了，大学里几乎不做了。UAV主要是政府在投钱，军队用…
大家回答的都挺客气的，我来不客气的说一句吧：不可行。&br&
虽然现在的很多发明，二百年前被嘲笑为异想天开，我还是要顶着目光短浅的帽子武断的回答一句：不可行。&br&&br&
人不是机器人，你可以尽可能的去标准化，但是也没法做到像机器那样的标准化。举个最简单的例子，既然要建立疾病库，根据现在的诊疗模式，要通过患者的症状、体征来判断，就一个症状问题就很难解决。病人说他肚子疼，疼到什么程度？目前临床文献里涉及疼痛的标准化方法是VAS评分，你分成10档让病人去选择，要是我我就不敢选啊，疼痛太主观了，我怎么知道是不是符合这个数据库的标准？要是选择错了给我治错了找谁去？所以，想依靠数据库来决策诊治是不靠谱的。很多回答里也表达了这种观点。&br&
那么就利用数据库来帮助决策，最终决策的还是医生。如此一来，那数据库其实就成了一种辅助检查的方法，最多再加上手术器械的作用。如果是这样的话，那是肯定不会削减医务人员，恰恰相反，医务人员的需求量会增加。现代医学一直就是新兴手段不断涌现的，有了放射科之后，就相应的增加了放射科医生这一分科；各种实验室检查发展之后，就相应增加了检验科医生这一分科；病理检查不断深入之后，就相应增加了病理科医生这一分科；B超检查发展之后相应增加了B超医生这一分科；腹腔镜技术发展以后，就有相应的医生开始专攻微创……如果要把新的技术发展起来，就需要投入更加专业的人士，那么总的医务人员不是减少而是增加了。就好像100年前，各种检查治疗手段都没有，医生门槛不高，医疗费用当然也不高，医生可以去患者家里看病，不用太多医生就能搞定一个社区。现在各种诊疗手段发展起来了，各专科不断细化，你不能扛着CT机去病人家里啊，医生就待在医院里等病人来了，而且看一个病人一个医生是不够了，要放射、检验、病理等等好多医生参与诊断治疗。&br&
所以，你可以说利用数据库的手段，可以辅助医生的医疗活动，提高医疗质量，但是想大量削减医务人员，想靠机器代替人来看病，我觉得不可行。&br&&br&
其实，lz想象的这种东西，现在不是没有，比方说产前筛查就有点这种意思。我们根据大量病例的数据，设定好一个可以接受的假阳性率和假阴性率，比方说5%，然后把孕妇一般情况比方年龄身高体重，还有产前筛查抽的血的报告输进去，就会出来一个染色体畸形的风险比，当风险比低于一定数值后，我们就认为没有风险，高于一定数值的话，就是高风险，就建议进一步的产前诊断。这种筛查手段，提高了染色体畸形的检出率，又不增加孕妇痛苦，大大提高了医疗质量。但是，关于产前筛查漏检的病例并不罕见，知乎上就有类似问题出现过。所以你看，这个数据库的建立，虽然是建立在标准化数据的基础上，但是人不能简单的被划归某种标准化的流程，再标准，也是基于统计学的数据，也有假阳性和假阴性，它最终都需要有另外的方法来纠偏，需要医生最终的决策，比方说再进一步的产前诊断。就是说，这种手段只能是辅助医生的决策，而不能做最后的决定。同时，又有相应的医生来从事这种筛查的工作，研究相关数据，这些医生可能是另一批检验科的人，而不是产科医生了，相比起以前没有这种手段的时候，医生的数量是增多了而不是削减。&br&
另外，现在不是没有机器人手术啊，但还是要医生操作，我很难想象脱离医生完全让机器人来给病人做手术，人体不是机器，器官也不是螺丝钉，脏器解剖部位可能出现变异，可能因为病变诱发新生血管，不能像标准化大生产一样的让机器人去做手术，真正操作的还是医生。&br&&br&
-----------------------------------------------------------------炎热的分割线------------------------------------------------------------&br&
lz进一步修改了问题说明，那我也进一步说明一下。&br&&br&&br&
经过lz的说明，应该能看得出，这种所谓数据库，其实只能作为帮助医生决策医疗的方法，那么在医生这里，就只是一种辅助检查的手段。医生看病的思路，是根据病人症状、体征和辅助检查结果，综合判断，得出结论，然后根据诊断制定治疗方案。这种数据库，能够接收的只是症状，体征是不行，机器不能代替医生的手去完成体格检查，很多情况下，体格检查也是存在一定的主观性，体现医生水平的。然后，数据分析给出的结论，不能作为最终结论，其实只是给医生的一个参考，就像其他的辅助检查结果一样。其实，在综合判断的过程中，对于获取的各种信息——症状、体征、辅助检查的各种结果，医生一直要保持怀疑的态度，如果出现矛盾，需要重新问诊、重新体检、重新做检查。对于辅助检查的结果，医生不能过于依赖，&strong&辅助&/strong&检查，只是提供参考。&br&
我觉得，lz对问题说明的过程，体现了两个问题，也是很多医生以外的群体常见的误解：&br&&ul&&li&把人体简单的物化、程序化，像对待自然界客观物一样，或者像对待程序一样的理解了人体。很多以为医学应该属于自然科学的人也是这种误解，人体很复杂，人是有思想的，没办法像机器零件一样的标准化，所以标准化的数据库来决策医疗不现实。很多检验指标，也都是通过大样本的统计学得出的，可以看看这个回答：&a href=&/question//answer/& class=&internal&&&span class=&invisible&&http://www.&/span&&span class=&visible&&/question/1988&/span&&span class=&invisible&&1423/answer/&/span&&span class=&ellipsis&&&/span&&/a&
一个指标数值的高低，也不能绝对的说明什么问题。&strong&有些时候，数字是靠不住的，不单单是在医学上，关键应该把握数字背后的信息，这些数字是怎么来的。&/strong&&/li&
&li&把医生的医疗活动简单化，认为医生就是在通过一些检查来进行医疗决策。不能否认，现代医学的发展，很大程度上依赖于一些辅助手段的发展，有了X线以后，你可以清楚的了解是不是有了骨折；有了B超以后，你可以清楚的看到是不是双胞胎；有了血液检验以后，你可以清楚的了解肝脏功能是不是受到了损害。但是，像前面说的，医生的工作是一个综合判断的过程，手里拿到的报告单，只是辅助决策的一部分，而不是全部。经常会有病人拿着一张B超单跑过来让医生看看是出了什么问题，我都要重新简单了解一下病史，有时候还要重新体检，才能有个判断，你不能把B超当成圣旨。同样的，如果把数据库作为辅助检查的手段，它也只是一个参考。就像前面提到的产前筛查的方法，就是利用了数据库分析，但是对结果的解读，要告知孕妇存在漏检可能，这种筛查不是最终确诊的报告，这只是一个&strong&概率&/strong&。医生不能只当“操作员”，把各种决策医疗都交给机器，至少我是不放心的。医生需要有自己的专业判断，即使一个简单的问诊，你也不能病人说什么就记什么，变成一个“书记员”，也要经过自己的专业判断过滤。我看到一张报告单有问题，也只是给我一个提醒让我警惕会有问题，但是问题怎么样，不会完全依赖一个检查报告。道理很简单，万一亿万分之一的概率机器出错了，误差太大，这个报告就不能信了。在这种情况下，对医生的要求不是降低了，而是提高了。过去医生只要会视触扣听体格检查就够了，门槛很低，当然不用很严格的培养，医疗质量当然也不高。现在医生还要会分析各种辅助检查的结果，要求当然提高了，门槛更高了，就需要更严格的培训了，所以就更应该让医生都从住院医师开始严格培训起来。&/li&&/ul&虽然现在都在提循证医学，但是不可否认的是，医学确实是一种经验学科，在很多临床文献中，会提到“有经验的专科医生”如何如何，比方说某些手术“有经验的专科医生”做可能会风险降低之类的，这种提法其实是没法循证，你写文章的地方评价有经验，我看文章的地方是不是算有经验呢？这都没法标准化。所以，即使是在医学发展的今天，出现了标准化流程，有了各种精密的检查手段，医生经验也依然是重要的一环。而如果掺杂了人的经验在里头，机器的作用就只能是辅助，而对人的培训也只能是越来越严格。&br&
大家回答的都挺客气的，我来不客气的说一句吧：不可行。 虽然现在的很多发明，二百年前被嘲笑为异想天开，我还是要顶着目光短浅的帽子武断的回答一句：不可行。 人不是机器人，你可以尽可能的去标准化，但是也没法做到像机器那样的标准化。举个最简单的例子…
意味着你大部分时间都不在研究人工智能而是在研究操作系统，而且只是皮毛。&br&--&br&其实我想说的是如果你只搞研究的话，没必要给自己再添加额外成本，Linux很浪费时间的。
意味着你大部分时间都不在研究人工智能而是在研究操作系统，而且只是皮毛。--其实我想说的是如果你只搞研究的话，没必要给自己再添加额外成本，Linux很浪费时间的。