在移动互联网逐渐深入到大众生活的当下，从使用反馈中得到的大批量用户数据必然受到厂商的重视。不仅在国内，放眼全球范围，亚马逊AWS、Rackspace、Azure等云数据服务的兴起，更是早在2016年就让数据量出现了大规模增长。数据量增长的趋势在2017年持续，在2018必然会有更加出色的发挥。也许商用领域中，大数据已经开始发挥作用；但细化到用户层面，大数据仍然未让人感受到存在感。
与其说对大数据的整理不力，倒不如说是对数据的应用，仍然是处于简单的标签化套用，没有具体考虑用户在不同场合中因生理和心理所产生的，和日常记载大数据推导出的，有别的需求。
数据是死的 能够被用起来的数据才是活的
即使我们能够从各种媒体报道中看到来自不同领域的厂商在宣扬大数据能够对用户的日常操作造成多大的影响，但就现在的用户体验来说，改变用户体验的更多是软硬件产品背后，开发人员在UE（User Experience，用户体验）上的分析和运用，反作用于用户产品上的成果。当然，这也能够算是厂商在大数据方面的应用，但这并不是我们想要看到的智能化成果。
说到这里，笔者想起前段时间看微博，某位曾经的科技行业业内人士在点评一个TED上关于智能无人机操控文章的点评。这位大佬说“真实世界里的AI进程其实十分可控和初期探索。”在笔者看来，这句话的确很适合形容现在的大数据业界。我们希望软件能够更聪明，是聪明在它们在得知我们的数据之后，能够自动作出更适合我们的判断，但从上文我们可以知道，无论是听歌娱乐还是吃饭购物，现在的大数据分析利用，还是AI进程，远未达到这样的高度。
那么，在拥有大数据这样的宝库的前提下，要打开这个缺口，需要有哪些活性呢？就近年的智能化概念来看，也许神经网络会是打开这个宝库的钥匙。单说“神经网络”，可能很多朋友一时间都没法反应过来。但如果说接连挑下一系列围棋世界高手，完成这个壮举之后非但没有停步，还想要尝试更多领域的“AlphaGo”，相信在科技媒体甚至是其他媒体的渲染下，足够让人感受到未来人工智能的出色之处。
和当年的“深蓝”比起来，AlphaGo之所以能够接连战胜世界顶级围棋手的原因，是基于深度学习的神经网络DeepMind。在Deepmind公司员工上传的《Playing Atari with Deep Reinforcement Learning》文章中，我们可以发现，神经网络对比普通的机器人学习，可以通过学习过程来计算最高期望分数。确切地说，在定义了网络的结构之后，剩下唯一会变化的就只有一件事：连接之间的强弱程度。学习过程就是调整这些方式地权重，从而使得通过这个网络的训练样例获得好的反馈。
对比漫无目的的大数据筛选运用，神经网络显然更有“人性”，并且这份人性还在不断自我进化中，让AlphaGo变得更像一个“人”。早在2016年年底，Google DeepMind便在《自然》杂志上宣布，他们开发了一种名为“DNC”（可微分神经计算机）新型神经网络。这个 AI 系统拥有“短期记忆”，可处理复杂的、结构化的数据。它能理解人类编造的故事，从家谱中理清人物关系，还能看懂伦敦的地铁图。拟人化程度越来越高的神经网络，不仅能够在大数据处理中提高效率，并且还能够让它更懂我们的需求。
随着移动互联网的不断铺开和深入到生活中，智能手机上搭载的程序总是要在各种方面收集用户的数据信息。在信息量越来越大的前提下，单靠简单的程序分析类比，甚至是人工整理采样分析，逐渐会跟不上人类作出判断的需求。如何将仍然在襁褓中的神经网络和大数据联合起来，让产品变得更聪明，是厂商下一步应该思考的情况。未来将来，虽然远了点，但仍然是值得我们期待的。