大数据”突然间变（biàn）得（dé）无（wú）处不在（zài），似乎每个人都想收集、分（fèn）析（xī）大数（shù）据（jù）、并从（cóng）中（zhōng）获利，同时也有人在（zài）夸耀或者害（hài）怕它的巨大影响。不论我们是在讨论利用谷歌庞大的搜索数据（jù）来预测流（liú）感的爆发还是（shì）利用通话记录来（lái）预测恐怖活动，又或者（zhě）是利用航空公司（sī）的数据（jù）找到（dào）买机票的最佳时机，大数据都可以帮上（shàng）忙。将现（xiàn）代计算技术（shù）和数（shù）字时代众多的数据（jù）结合起来（lái），似乎可（kě）以（yǐ）解决（jué）任何问题（tí）——犯（fàn）罪，公（gōng）共（gòng）卫生，用语的（de）变化，约会（huì）的危险，只要我（wǒ）们把这些数（shù）据利用起（qǐ）来（lái）。

似乎它的拥护者这样宣称。“在接（jiē）下（xià）来的二（èr）十年，”记者帕特里克（kè）·塔克在他最近的大（dà）数据声（shēng）明中（zhōng）这样写道，“是透明的未来，”“我（wǒ）们可以以一种前所未有（yǒu）的准确度预测未（wèi）来的（de）诸多领域，甚至（zhì）包括一些长久以来被认（rèn）为人类无法干预的（de）领域。”但大数（shù）据其实从来没（méi）有听上去（qù）那么好。

大数（shù）据（jù）真的像说的那么（me）好？毫无疑问（wèn）大数据确（què）实是一个有（yǒu）价值的工具，并在某些（xiē）领域产生了至（zhì）关（guān）重要（yào）的影响。比如（rú），几乎近（jìn）二十年人（rén）工智能计算（suàn）机程序的成功，从谷歌的搜索（suǒ）引擎（qíng）到IBM的沃森电脑问答系统，都包括了大（dà）量数据的处理。但是正（zhèng）是因为它最近如此受欢迎并得到广泛应用，我们需（xū）要清晰的看待大数据究（jiū）竟能做什么和不能做什么。

大数据能告诉我们是什（shí）么，但（dàn）不能（néng）告诉我们为什么

首先（xiān），尽（jìn）管大（dà）数（shù）据能够非常（cháng）好地检测相（xiàng）关性，特别是那些用小数据集（jí）可能无法（fǎ）测（cè）出的微妙相关性，但（dàn）是它（tā）并不（bú）会（huì）告（gào）诉我们哪（nǎ）一（yī）种相关性是有意义的。比如，大数（shù）据分析可能会揭（jiē）示从（cóng）2006年（nián）到（dào）2011你（nǐ）那美国谋杀案比例（lì）与IE浏览器的市场份额是极度（dù）相关的，都呈急速下（xià）降趋势。但是很难（nán）相信这两（liǎng）者之间有什么因（yīn）果（guǒ）关系。又比（bǐ）如（rú），从1998到2007被诊断（duàn）出的自闭症患者与有（yǒu）机（jī）食物的销售具有相关（guān）性（都呈急速上升趋（qū）势），但是这种相关性本（běn）身不会告诉我们饮食和自（zì）闭症的（de）关系。

大（dà）数据只能是辅助工具

第二，大数据可（kě）以辅助（zhù）科学调查，但不可能成功（gōng）地完全代替（tì）。比如，分子生物学家很想（xiǎng）从潜在的DNA序列（liè）中推断出蛋白质的（de）三（sān）维结构，有一些科学家已经（jīng）在用大数（shù）据来解决这个难题。但是没有（yǒu）任何科学家认为你可以完（wán）全依靠处理数据（jù）来解（jiě）决这个难题，不论这个数据分析是多么的（de）强有（yǒu）力，你（nǐ）依旧需要基于对物理（lǐ）和生物化学的理解上来处理这些数（shù）据（jù）。

基于大数据的工具易造假

第三，基于大（dà）数据的很（hěn）多工具（jù）很容易造假。批改学生作文的大数（shù）据程序通常依赖于（yú）句子（zǐ）长度和（hé）用（yòng）词的复杂性，数据表明这和（hé）老师批改的分数很相关。但是一旦学（xué）生知道这个程序如何运作，他们就（jiù）开始（shǐ）写一些长（zhǎng）句子并用晦涩的词语而不是去学会如何规范清（qīng）晰的表达，组（zǔ）成连贯的（de）篇（piān）章。甚（shèn）至（zhì）谷（gǔ）歌（gē）的著名的搜（sōu）索（suǒ）引擎，这个（gè）通常被认为成功（gōng）的大数据案（àn）例也不能免于（yú）信（xìn）息繁杂，无（wú）用的搜（sōu）索结果，一些人为的原因使（shǐ）得一些搜索结果（guǒ）排在（zài）前面（搜索广告（gào））。

通（tōng）过大（dà）数据下（xià）结论是有风险的

第四（sì），即（jí）便大数据的（de）结（jié）果没（méi）有人为（wéi）地造假，但是它看上去也不那（nà）么有效。比如谷歌（gē）预测流（liú）感的案例曾经是大数据的典范。2009年，谷歌通过相当大的宣传称它可以通过分析与流（liú）感相关的（de）搜索预（yù）测流感爆发的趋势（shì），这种（zhǒng）准确性和快速甚至（zhì）超过了疾病控制（zhì）和预防中心（xīn）等官方机构。但是几年后，谷（gǔ）歌宣称的流感（gǎn）预测并没有得到好的结果，最近（jìn）两年，它做的更多地是不（bú）准的预测。

最近一篇《科学杂志》的文（wén）章解（jiě）释道，谷歌流感预测的失败很大程度上是（shì）因为谷歌搜索引擎自己在不断的更新，这个时候收集的数（shù）据未必能够适用于下一个时候收（shōu）集的数据。正（zhèng）如统计（jì）学（xué）家（jiā）冯启（qǐ）思（《数据统治世（shì）界》的作者）所说的（de），依赖（lài）于网站的（de）大数据收（shōu）集常常把（bǎ）一些用不同方法、有不同目的数据整合（hé）起来，有时候这会产生负面的影（yǐng）响（xiǎng）。从这样的数据（jù）样本得出（chū）结论（lùn）是（shì）需要冒风险的。

大数（shù）据的智能应用（yòng）会（huì）导致错（cuò）误被加强（qiáng）

第五个需（xū）要注（zhù）意的就是（shì）“恶性循环”，这也是因为（wéi）大（dà）量的数据都来自于网络。不论何时，大数据分析的信息（xī）源本身就是一（yī）种大数据（jù）产（chǎn）品，这很（hěn）可能会（huì）导致恶性循环。谷歌翻译等翻译程（chéng）序是从不同语言中抽取相（xiàng）似的文本去辨别这（zhè）些语言的翻译模式，比（bǐ）如同样的维基百科条目有两（liǎng）种语言。这是一个很合理的策略，要不是有（yǒu）很多语言并（bìng）不具有太多（duō）相似性，维基百科自己都（dōu）可以用谷（gǔ）歌（gē）翻译写条目。在这种情况（kuàng）下，任何谷歌翻译的错误都会影响维基（jī）百科，而（ér）这又会反映到谷歌翻译上（shàng），使（shǐ）这种错误不断加（jiā）强。

大数（shù）据（jù）可能会导致大错误

第六个需要担（dān）心的就是太多相关性导致的危险。如果（guǒ）你在两个变量中不断地寻找相关性，那（nà）么你很可能会纯粹（cuì）出于偶然发现虚假（jiǎ）的相关性，即便在这些变量中并没有（yǒu）实（shí）际意义（yì）的联系。缺乏谨慎的检查，大数（shù）据的（de）量级（jí）会扩大这些错误。

听上去科（kē）学的解释未必（bì）正确（què）

第（dì）七（qī），大数据（jù）很容易对那些无法精确的问题给出听（tīng）上去（qù）很科学（xué）的解释（shì）。比如在过去几个月，基于维（wéi）基百科的（de）数据给人们排名（míng）有两（liǎng）个不同的尝（cháng）试：根据历（lì）史重要性或者文化贡献。其中一本书（shū）叫做（zuò）《谁（shuí）更强（qiáng）？历史人物真实的（de）排名在哪里》，作者是电脑工程师Steven Skiena 和工程师Charles Ward，另一本叫做（zuò）《万神殿》，来自于麻省理工学院（yuàn）媒（méi）体实验室项目。

这些尝试在某些方（fāng）面（miàn）是正确（què）的，耶稣、林肯、莎士比亚（yà）确（què）实是极为重要的人物，但是（shì）两者（zhě）都犯（fàn）了一些（xiē）严重的错误。《谁更强？》指出法（fǎ）兰西斯（sī）．史考特（tè）．凯（kǎi）伊（Francis Scott Key ）在历史上是19世纪最重要的作（zuò）家，远远（yuǎn）超过简·奥斯汀（第78名）和乔（qiáo）治（zhì）·爱略特（第380名）。更（gèng）严（yán）重的是，两（liǎng）本书呈现（xiàn）出了利用所谓的精（jīng）确（què）误导人，而在本质上是模糊（hú）升（shēng）值无意义的（de）。大数（shù）据可以把任何事都（dōu）简化为数字，但是你不（bú）应该被这些“科学”的表现愚弄（nòng）。

罕见（jiàn）事（shì）件，大数据不起作用

最后，大数据在（zài）分析那些普通事（shì）件（jiàn）很（hěn）在行，但是在（zài）分（fèn）析（xī）罕见事件常失败。比如，用大数（shù）据（jù）处理文（wén）本的（de）程（chéng）序如搜索引擎和（hé）翻译程序，常常依赖（lài）于所谓（wèi）的“三字”：连续（xù）三个（gè）词的序列（比如“in a row”）。可靠的数据（jù）信（xìn）息可以编制常规的三字模型，正是因（yīn）为他们常出现，但是（shì）现有的数据并没（méi）有（yǒu）多到足够包括人们（men）可能使用的所有“三字”，因为（wéi）人（rén）们在不（bú）断创造新语言。

随便挑（tiāo）一个例子，Rob Lowe 最近为报（bào）纸写的书评有九个（gè）“三词序列”比（bǐ）如（rú）“dumbed-down escapist fare”，这在谷歌的文本（běn）里从未出（chū）现过（guò）。对于这些新鲜（xiān）词汇（huì）谷歌有很多限制，谷歌（gē）将“dumbed-down escapist fare”西安翻（fān）译为德文然（rán）后再翻译为英文，最后出现了这（zhè）样一个不合逻辑（jí）的词语“scaled-flight fare.”Lowe先生的（de）本意（yì）和利用大数据的翻译真（zhēn）是（shì）完（wán）全（quán）不搭边。

等等，我们几乎忽略了最后一个问题：炒作。大数据的支持者宣称（chēng）它是革（gé）命性的（de）进步。但是即便是给出（chū）大数据的成功例子，比如谷歌流感（gǎn）趋势的预测，即便有用但（dàn）对于一（yī）些更大的事这些显（xiǎn）得微不足道。相比19世纪和20世纪的伟大发明比如抗（kàng）生素，汽车，飞（fēi）机（jī），大数据所得出的东西实在算不了什么。

我们需（xū）要大数据（jù），毫（háo）无疑问。但是我们也（yě）需（xū）要更加清醒的（de）认识到，这只是一种每个人都（dōu）可（kě）以分析的重要资（zī）源，并不（bú）是（shì）什么新技术。