对于大数据，一直来说，数据规模本导致的存储，运算等技术问题从来不是最重要的瓶颈。瓶颈只在于前端数据的收集途径，以及后端商业思想引领的模型和算法问题。早期的各类OLAP工具已经足够给力了，后来类似海杜普这样的东西彻底降低了分布式数据的架构成本和门槛，就彻底将大数据带入了一个普及的领域。
从数据钻取，大规模分析的技术手段，以及算法执行上来说，大规模数据是和小规模数据在技术上是有很大差异，但是一则，这对于大众认知来说，并不是需要关注和了解的重点(例如本题目的目的那样)，另外来说，我也不认为这是重点和难点。
面对大数据的技术处理差异绝非大数据概念的精髓和瓶颈，只是商家们热衷宣传的热点，因为大数据领域只有在这个环节上，有大规模的产品市场存在的可能。
此外，大数据和超级计算完全是两个不同的领域和概念，虽然在极少的地方，两者或有交集(例如其他知友答案中提到的罗马城3D建模)，但是真的很少。
并行计算和分布式计算也完全是两回事，后者可不需要去处理什么CPU的连接和通信
大数据出于成本/产出考量，是不太可能采用并行计算之类的超算技术的。海杜普之类的分布式技术会是一个很好的选择。
大数据和超算，虽然两者都面临算法上的挑战，但是完全不是一回事。
如果对超算有兴趣，可以简单移步目前超级计算机的性能局限是硬件还是软件，为什么?
从技术层面说，大数据和以前的数据时代的最大差异在于： 以前是数据找应用/算法的过程(例如我们各大银行的大集中项目，以及数据建仓)，而大数据时代的重要技术特征之一，是应用/算法去找数据的过程，因为数据规模变成了技术上最大的挑战。
至于大数据和小数据的差异，大数据的策略，更偏重于发现，以及猜测/印证的循环逼近过程，一般只会设定一个大方向，算法模型都可能在执行的过程中做大幅度的调整。而传统小数据分析，一般有明确的目的和诉求，算法，和模型，我想我已经在我的例子中注意体现这一点了。
对于大数据来说，统计学的大量概念会重要得多。
大数据是因为对它的分析使用，才产生和体现它的价值，而不是因为其用到了NB的技术和算法才体现了它的价值。(虽然NB的技术确实很NB,我曾经在另外一个答案中视海杜普位划时代的计算产品之一)。
