毫無疑問，Google是公認的大數據鼻祖。如今很多人提起大數據，還停留在 Google 開啓的“三駕馬車”時代：Google FS、MapReduce、BigTable。其實，“三駕馬車”早已不是浪潮之巔。
近年來，大數據技術的發展，不論是技術迭代，還是生態圈的繁榮，都遠超我們的想象。從 Spark 成爲 Hadoop 生態的一部分，到 Flink 橫空出世挑戰 Spark 成爲大數據處理領域的新星，再到如今 Google 又決心用 Apache Beam 一統天下。大數據技術的發展可謂跌宕起伏，波瀾壯闊。
大數據技術生態圈
豐富的工具，繁榮的生態，也增加了開發者選擇合適工具的難度。把開源框架，工具，類庫，平臺整合到一起，所需要的工作量以及複雜度，可想而知。技術的選擇與使用，也是大數據開發者非常頭疼的問題。
對大數據以及人工智能概念都是模糊不清的，該按照什麼線路去學習，學完往哪方面發展，想深入瞭解，想學習的同學歡迎加入大數據學習qq羣：458345782，有大量乾貨（零基礎以及進階的經典實戰）分享給大家，並且有清華大學畢業的資深大數據講師給大家免費授課，給大家分享目前國內最完整的大數據高端實戰實用學習流程體系 。從java和linux入手，其後逐步的深入到HADOOP-hive-oozie-web-flume-python-hbase-kafka-scala-SPARK等相關知識一一分享！
之前和 Google Brain 的工程師交流的時候，他提到在大數據領域，能把技術想明白，用明白的開發者太少了，一些中小型公司的技術 VP ，往往也是在“趕技術的時髦”的狀態中，更別說普通的開發者。對大數據處理，比較常見的誤區有下面幾種：
1.低估了數據處理的重要性。
沒有高質量的數據處理，人工智能只有人工沒有智能。例如在語義理解上，Google 就曾犯過這樣的錯誤，直到被一家德國的小公司超過，才認識到高質量的數據標註和處理的重要性。
2.低估了數據處理工程師在組織架構上的重要性。
大數據領域泰斗級人物Jesse Anderson曾做過一項研究，一個人工智能團隊的合理組織架構，需要4/5的數據處理工程師。其實，即使是一個寫前端的工程師，很多工作還是數據處理。很不幸，很多團隊沒有認識到這一點。
3.低估了數據處理規模變大帶來的複雜度。
很多人還沒有遇到過“大規模”的問題，因此容易把問題想的過於簡單。Google有很多優秀的候選人，他們對常見的編程問題可以很好的解決，但只要追問數據規模變大時怎麼設計系統，回答卻常常不盡人意。
4.高估了上手數據處理的難度。
一方面我們需要認識到大規模的數據處理是有複雜的因素的。但另一方面，有了正確的工具和技術理念，現在上手數據處理並不困難。在Google，很多應屆生入職半年後也能輕鬆應對上億的數據量。