出品：“科学与中国”院士专家巡讲团
制作：中国科普博览
监制：中国科学院部工作局中国科学院计算机网络信息中心
近年来，我们常常听到“大数据”这个词语，健康医疗大数据、人工智能大数据、大数据时代……相信大家对这些说法都不会陌生，那么大数据到底是什么呢？
1949年夏天，信息论创始人香农拿出纸和笔画了一条竖线，然后从下往上写出10的0次方，10的1次方……一直到10的13次方，然后他把竖线标记为比特存储量，他在竖线的右边又写下了一些物品，他认为这些物品所蕴含的信息量与左边那些数字对等，而且只有信息量非常大的一个物品即国会图书馆，所包含的数据量能与10的13次方到10的14次方之间的数据相称。
香农生活在60多年前的那个时代，他无法畅想到，作为信息的主要载体，图像和视频在大数据中占有很重要的地位。例如现在，人类每年约拍摄38000亿张照片，图片数据不停地被创造，不停地被复制；另外，我们国家安装的监控摄像头已经达到3000万台，每年大概产生数万个PB的数据量。
对于这些数据，传统的途径就是人工分析，需要人反复去观看，也会出现很多图文不相关的问题，这就比较费时费力；而现在我们可以借助机器完成这项工作。
首先，我们需要采集大量的专业人员标注过的高质量训练样本图片，然后通过提取一些底层的视觉特征，通过一些分类器的学习，得到一系列的分类器，对一个给定的新样本，我们让这些分类器来识别这些图片里面所包含的语义内容。
但是，在这个过程中也有许多问题需要解决。首先如何克服标注样本缺乏的问题？一个可能的途径就是以数据理解数据，并且选择出有限的最具区别性的特征来表示数据；再者，数据的底层特征与高层语义之间存在鸿沟，我们要通过底层特征的学习，学到一些基本的概念，然后再建立概念模型与群模型，最终对高层语义进行推理，同时利用上下文的情景知识，来帮助我们对图像视频语义的理解，也可以利用一些简单的模型，分布式计算软件，以及GPU加速的这些途径克服模型复杂计算低效的问题。
“科学与中国”院士专家巡讲活动是中国科学院学部发起，由中科院、中宣部、教育部、科技部、工程院、中国科协共同主办的高层次公益性科普活动。精彩内容关注“科学与中国”官方网站（cs.kepu.cn）。中国科学院学部工作局为网站委托单位，中国科普博览为网络传播合作伙伴，中国科学院计算机网络信息中心提供技术支持。
