在大数据技术和大数据应用如火如荼的发展过程中，我们更要冷静地思考问题的本质，探讨究竟什么是大数据的技术和大数据应用。技术是指基于科学原理发明的、用于管控或改造“被察对象”的手段和方法。大数据技术则指以大数据为“对象”而开展的有效、高效的数据处置方法的研究，而不仅仅是用基于数据的方法来解决问题。就其本质特性而言，大数据不会是一个可完全“解决”的问题，只能通过种种技术手段逐步“迫近”它，以缓解大数据给我们带来的困扰。大数据问题源于互联网及其延伸带来的无处不在的信息技术应用以及信息化成本的不停降低。解决大数据问题，而且有效、高效地应用基于数据的方法，其关键依然是需要依赖有效、高效的计算技术。

大数据给我们带来了一系列新的挑战。要应对这些挑战，需要多个领域的交叉合作，模型、方法和算法都极度主要。然而，无论模型和算法怎样先进，面临大数据，人力、人脑均无能为力，必须依赖计算技术和工具，才能满足数据的获取和筛选、组织和存储、处置和应用等各个环节的计算需要。在此过程中，可能需要转变传统的计算模式及其计算系统演进方式。

大数据给软件的编程模型及其编程语言带来了新的挑战。编程模型可分为 3 个条理：(1) 低级模型及语言，直接面向计算机硬件系统结构，通常由计算机专业人员使用，具有性能可控、可预测的优点，但编程难度较大，在软件系统开发中编程效率较低、错误率高;(2) 高级模型及语言，直接面向系统软件，通常通用性较好，但性能依赖于软件工程师的编程水平和编译器的能力，语言机制设计和实现难度大;(3) 终端模型及编程，希望面向终端用户，为了便于业务人员使用，即提高易用性，可能仅针对特定的应用领域进行优化设计，因此会造成应用面窄、性能不行预测等问题。对于大数据应用来说，最理想的是接纳终端编程模型，可以面向差别领域的大数据应用，为最终用户提供直接的数据应用编程能力。但这种模型很可能遇到较大的性能问题，需要底层软硬件在结构上的支持以及高效的编译实现。

随着大数据应用的日益广泛，差别类型的应用在规模、易用性、成本、能耗等方面需求迥异，系统伸缩性的解决方案也受多方面的条件制约，因此需要能够针对差别需求灵活选择技术途径，而非牢固通用模式。凭应用需求，通过改变数据的存储方式，将需要访问的数据集中存放，可以使访问性能提高数百倍。