BI也好AI也好，都是围绕着数据展开的。可以说数据就是生产资料了，而这个Intelligence显然就是生产工具了，虽然打着智能的名号，可两者在产品化上出现了天壤之别。BI似乎就是个数据提取，数据可视化的工具。而AI不得了，AlphaGo碾压了人类棋手，自动驾驶似乎也有了眉目，聊天机器人更是层出不穷，风光无限。感觉只要用上了AI企业就能自己赚钱了，估计到了明年BI是啥已经不会再有人提起了。
接受欢迎新技术新花样自然是好的，可万丈高楼平地起，AI也不是个独立存在的救世主，生产资料不变的情况下，AI也是需要依赖大数据的技术的。国内外在数据技术水平的标准差比想象得还大，BAT各自的数据产品技术已经可以独领风骚，而大部分企业写SQL的都还欲求不满，感觉人力不足。同为第三产业，硅谷的创业者或者互联网企业做到的服务大多数都是基于数据，技术完备场景各异的情况，较少出现同质化竞争。大家竞争的不是资源，而是技术服务的能力。比如Airbnb不拥有任何一套酒店却成为了最大的酒店公司，Uber不拥有任何一辆出租车，却成为了最成功的出行选择。他们提供了什么？他们发展的是什么？核心还是对于数据的使用。
回到BI，他也有个Intelligence，人家也是有梦想的。也是企业对于数据驱动的渴望诞生的产物。可能当时更多的叫数据决策。BI是脱离了OLTP（Online Transaction Processing）向OLAP(Online Analytics Process)发展重要产物。为的是解决OLTP（主要来自CRM、ERP、OA等基础信息化系统产生）数据的种种问题：
1.数据太多，信息太少
2.难以交互分析、了解各种组合
3.难以挖掘出潜在的规则
4.难以追溯历史，数据孤岛
5.难以进行多纬度分析
虽然数据报表也算是BI，但只是最低级的产品形式。数据的可视化分析促使了BI从传统型向敏捷型转型。过程中的产物就是大数据的技术。以hadoop开源关系型数据库为首，逐步建立起了现在各公司的大数据平台。而这些技术的巅峰时期差不多实在2011，2012年。那个时候还在为数据库和数据仓库正名，随后争论的数据仓库和数据集市，inmon和kimball已经不影响大数据技术定位和意义了，这些都已经是应用的问题而已。
既然数据已经成功安了新家，数据决策问题自然就成了重中之重，机器学习(MachineLearning,ML)腾空出世。但有趣的是翻看国外各种机器学习的文献基本是从2009年开始的，比数据仓库技术还要早（理论发展比应用快是必然的）。随着数据仓库技术的完善，机器学习也是快速实施。于是乎大数据这个词同时涵盖了数据仓库技术和机器学习二个大头。各种机器学习模型充斥互联网，SVM，KNN，逻辑回归等等等等，红极一时。
机器学习也不过风光了2年，AI突然亮瞎了大家的眼睛，虽说AI是ML更进一步而已。各位不妨想想，国内大部分企业接触知晓这些不过近5年的事，硅谷创业公司可都是标配技术，更别提个别大型企业都是某些技术的开发方。“看到2008年某位中央领导在交大发表的论文，到最近国家高层对于人工智能的的指示，我也感叹国家对于数据领域的关注和前瞻，自己都后悔没好好看CCTV。数据都已经从“温饱”到达了“自我实现”，我还在为给他能在企业“找个好工作”费尽头脑和口舌，不免心生苦涩。”
