給大數(shù)據(jù)降降溫：關(guān)于大數(shù)據(jù)的九個(gè)問(wèn)題

首先，盡管大數(shù)據(jù)能夠非常好地檢測(cè)相關(guān)性，特別是那些用小數(shù)據(jù)集可能無(wú)法測(cè)出的微妙相關(guān)性，但是它并不會(huì)告訴我們哪一種相關(guān)性是有意義的。比如，大數(shù)據(jù)分析可能會(huì)揭示從2006年到2011你那美國(guó)謀殺案比例與IE瀏覽器的市場(chǎng)份額是極度相關(guān)的，都呈急速下降趨勢(shì)。但是很難相信這兩者之間有什么因果關(guān)系。又比如，從1998到2007被診斷出的自閉癥患者與有機(jī)食物的銷售具有相關(guān)性（都呈急速上升趨勢(shì)），但是這種相關(guān)性本身不會(huì)告訴我們飲食和自閉癥的關(guān)系。

大數(shù)據(jù)只能是輔助工具

第二，大數(shù)據(jù)可以輔助科學(xué)調(diào)查，但不可能成功地完全代替。比如，分子生物學(xué)家很想從潛在的DNA序列中推斷出蛋白質(zhì)的三維結(jié)構(gòu)，有一些科學(xué)家已經(jīng)在用大數(shù)據(jù)來(lái)解決這個(gè)難題。但是沒(méi)有任何科學(xué)家認(rèn)為你可以完全依靠處理數(shù)據(jù)來(lái)解決這個(gè)難題，不論這個(gè)數(shù)據(jù)分析是多么的強(qiáng)有力，你依舊需要基于對(duì)物理和生物化學(xué)的理解上來(lái)處理這些數(shù)據(jù)。

基于大數(shù)據(jù)的工具易造假

第三，基于大數(shù)據(jù)的很多工具很容易造假。批改學(xué)生作文的大數(shù)據(jù)程序通常依賴于句子長(zhǎng)度和用詞的復(fù)雜性，數(shù)據(jù)表明這和老師批改的分?jǐn)?shù)很相關(guān)。但是一旦學(xué)生知道這個(gè)程序如何運(yùn)作，他們就開(kāi)始寫一些長(zhǎng)句子并用晦澀的詞語(yǔ)而不是去學(xué)會(huì)如何規(guī)范清晰的表達(dá)，組成連貫的篇章。甚至谷歌的著名的搜索引擎，這個(gè)通常被認(rèn)為成功的大數(shù)據(jù)案例也不能免于信息繁雜，無(wú)用的搜索結(jié)果，一些人為的原因使得一些搜索結(jié)果排在前面（搜索廣告）。

通過(guò)大數(shù)據(jù)下結(jié)論是有風(fēng)險(xiǎn)的

第四，即便大數(shù)據(jù)的結(jié)果沒(méi)有人為地造假，但是它看上去也不那么有效。比如谷歌預(yù)測(cè)流感的案例曾經(jīng)是大數(shù)據(jù)的典范。2009年，谷歌通過(guò)相當(dāng)大的宣傳稱它可以通過(guò)分析與流感相關(guān)的搜索預(yù)測(cè)流感爆發(fā)的趨勢(shì)，這種準(zhǔn)確性和快速甚至超過(guò)了疾病控制和預(yù)防中心等官方機(jī)構(gòu)。但是幾年后，谷歌宣稱的流感預(yù)測(cè)并沒(méi)有得到好的結(jié)果，最近兩年，它做的更多地是不準(zhǔn)的預(yù)測(cè)。

最近一篇《科學(xué)雜志》的文章解釋道，谷歌流感預(yù)測(cè)的失敗很大程度上是因?yàn)楣雀杷阉饕孀约涸诓粩嗟母拢@個(gè)時(shí)候收集的數(shù)據(jù)未必能夠適用于下一個(gè)時(shí)候收集的數(shù)據(jù)。正如統(tǒng)計(jì)學(xué)家馮啟思（《數(shù)據(jù)統(tǒng)治世界》的作者）所說(shuō)的，依賴于網(wǎng)站的大數(shù)據(jù)收集常常把一些用不同方法、有不同目的數(shù)據(jù)整合起來(lái)，有時(shí)候這會(huì)產(chǎn)生負(fù)面的影響。從這樣的數(shù)據(jù)樣本得出結(jié)論是需要冒風(fēng)險(xiǎn)的。

大數(shù)據(jù)的智能應(yīng)用會(huì)導(dǎo)致錯(cuò)誤被加強(qiáng)

第五個(gè)需要注意的就是“惡性循環(huán)”，這也是因?yàn)榇罅康臄?shù)據(jù)都來(lái)自于網(wǎng)絡(luò)。不論何時(shí)，大數(shù)據(jù)分析的信息源本身就是一種大數(shù)據(jù)產(chǎn)品，這很可能會(huì)導(dǎo)致惡性循環(huán)。谷歌翻譯等翻譯程序是從不同語(yǔ)言中抽取相似的文本去辨別這些語(yǔ)言的翻譯模式，比如同樣的維基百科條目有兩種語(yǔ)言。這是一個(gè)很合理的策略，要不是有很多語(yǔ)言并不具有太多相似性，維基百科自己都可以用谷歌翻譯寫條目。在這種情況下，任何谷歌翻譯的錯(cuò)誤都會(huì)影響維基百科，而這又會(huì)反映到谷歌翻譯上，使這種錯(cuò)誤不斷加強(qiáng)。

大數(shù)據(jù)可能會(huì)導(dǎo)致大錯(cuò)誤

第六個(gè)需要擔(dān)心的就是太多相關(guān)性導(dǎo)致的危險(xiǎn)。如果你在兩個(gè)變量中不斷地尋找相關(guān)性，那么你很可能會(huì)純粹出于偶然發(fā)現(xiàn)虛假的相關(guān)性，即便在這些變量中并沒(méi)有實(shí)際意義的聯(lián)系。缺乏謹(jǐn)慎的檢查，大數(shù)據(jù)的量級(jí)會(huì)擴(kuò)大這些錯(cuò)誤。

聽(tīng)上去科學(xué)的解釋未必正確

第七，大數(shù)據(jù)很容易對(duì)那些無(wú)法精確的問(wèn)題給出聽(tīng)上去很科學(xué)的解釋。比如在過(guò)去幾個(gè)月，基于維基百科的數(shù)據(jù)給人們排名有兩個(gè)不同的嘗試：根據(jù)歷史重要性或者文化貢獻(xiàn)。其中一本書叫做《誰(shuí)更強(qiáng)？歷史人物真實(shí)的排名在哪里》，作者是電腦工程師Steven Skiena 和工程師Charles Ward，另一本叫做《萬(wàn)神殿》，來(lái)自于麻省理工學(xué)院媒體實(shí)驗(yàn)室項(xiàng)目。

這些嘗試在某些方面是正確的，耶穌、林肯、莎士比亞確實(shí)是極為重要的人物，但是兩者都犯了一些嚴(yán)重的錯(cuò)誤?！墩l(shuí)更強(qiáng)？》指出法蘭西斯．史考特．凱伊（Francis Scott Key ）在歷史上是19世紀(jì)最重要的作家，遠(yuǎn)遠(yuǎn)超過(guò)簡(jiǎn)·奧斯?。ǖ?8名）和喬治·愛(ài)略特（第380名）。更嚴(yán)重的是，兩本書呈現(xiàn)出了利用所謂的精確誤導(dǎo)人，而在本質(zhì)上是模糊升值無(wú)意義的。大數(shù)據(jù)可以把任何事都簡(jiǎn)化為數(shù)字，但是你不應(yīng)該被這些“科學(xué)”的表現(xiàn)愚弄。

罕見(jiàn)事件，大數(shù)據(jù)不起作用

最后，大數(shù)據(jù)在分析那些普通事件很在行，但是在分析罕見(jiàn)事件常失敗。比如，用大數(shù)據(jù)處理文本的程序如搜索引擎和翻譯程序，常常依賴于所謂的“三字”：連續(xù)三個(gè)詞的序列（比如“in a row”）。可靠的數(shù)據(jù)信息可以編制常規(guī)的三字模型，正是因?yàn)樗麄兂３霈F(xiàn)，但是現(xiàn)有的數(shù)據(jù)并沒(méi)有多到足夠包括人們可能使用的所有“三字”，因?yàn)槿藗冊(cè)诓粩鄤?chuàng)造新語(yǔ)言。

隨便挑一個(gè)例子，Rob Lowe 最近為報(bào)紙寫的書評(píng)有九個(gè)“三詞序列”比如“dumbed-down escapist fare”，這在谷歌的文本里從未出現(xiàn)過(guò)。對(duì)于這些新鮮詞匯谷歌有很多限制，谷歌將“dumbed-down escapist fare”西安翻譯為德文然后再翻譯為英文，最后出現(xiàn)了這樣一個(gè)不合邏輯的詞語(yǔ)“scaled-flight fare.”Lowe先生的本意和利用大數(shù)據(jù)的翻譯真是完全不搭邊。

等等，我們幾乎忽略了最后一個(gè)問(wèn)題：炒作。大數(shù)據(jù)的支持者宣稱它是革命性的進(jìn)步。但是即便是給出大數(shù)據(jù)的成功例子，比如谷歌流感趨勢(shì)的預(yù)測(cè)，即便有用但對(duì)于一些更大的事這些顯得微不足道。相比19世紀(jì)和20世紀(jì)的偉大發(fā)明比如抗生素，汽車，飛機(jī)，大數(shù)據(jù)所得出的東西實(shí)在算不了什么。

我們需要大數(shù)據(jù)，毫無(wú)疑問(wèn)。但是我們也需要更加清醒的認(rèn)識(shí)到，這只是一種每個(gè)人都可以分析的重要資源，并不是什么新技術(shù)。

是在討論利用谷歌龐大的搜索數(shù)據(jù)來(lái)預(yù)測(cè)流感的爆發(fā)還是利用通話記錄來(lái)預(yù)測(cè)恐怖活動(dòng)，又或者是利用航空公司的數(shù)據(jù)找到買機(jī)票的最佳時(shí)機(jī)，大數(shù)據(jù)都可以幫上忙。將現(xiàn)代計(jì)算技術(shù)和數(shù)字時(shí)代眾多的數(shù)據(jù)結(jié)合起來(lái)，似乎可以解決任何問(wèn)題——犯罪，公共衛(wèi)生，用語(yǔ)的變化，約會(huì)的危險(xiǎn)，只要我們把這些數(shù)據(jù)利用起來(lái)。

似乎它的擁護(hù)者這樣宣稱?！霸诮酉聛?lái)的二十年，”記者帕特里克·塔克在他最近的大數(shù)據(jù)聲明中這樣寫道，“是透明的未來(lái)，”“我們可以以一種前所未有的準(zhǔn)確度預(yù)測(cè)未來(lái)的諸多領(lǐng)域，甚至包括一些長(zhǎng)久以來(lái)被認(rèn)為人類無(wú)法干預(yù)的領(lǐng)域?！钡髷?shù)據(jù)其實(shí)從來(lái)沒(méi)有聽(tīng)上去那么好。

大數(shù)據(jù)真的像說(shuō)的那么好？毫無(wú)疑問(wèn)大數(shù)據(jù)確實(shí)是一個(gè)有價(jià)值的工具，并在某些領(lǐng)域產(chǎn)生了至關(guān)重要的影響。比如，幾乎近二十年人工智能計(jì)算機(jī)程序的成功，從谷歌的搜索引擎到IBM的沃森電腦問(wèn)答系統(tǒng)，都包括了大量數(shù)據(jù)的處理。但是正是因?yàn)樗罱绱耸軞g迎并得到廣泛應(yīng)用，我們需要清晰的看待大數(shù)據(jù)究竟能做什么和不能做什么。

大數(shù)據(jù)能告訴我們是什么，但不能告訴我們?yōu)槭裁?/strong>