大数（shù）据”突然间变得无处不在，似乎每个人都（dōu）想收集、分析（xī）大数据、并从中获利，同时（shí）也有人在夸耀或者害（hài）怕它的巨大影响（xiǎng）。不（bú）论我们是（shì）在讨论利用谷（gǔ）歌庞大（dà）的搜索数据来预测流感的（de）爆发还是利用通话记录来预测恐怖活动，又或者是（shì）利用航空公司的（de）数据找到买机票（piào）的最佳（jiā）时机，大数据都可以（yǐ）帮上忙。将现代计（jì）算技术和（hé）数字时代众（zhòng）多的数据结合起来（lái），似乎可以解决任何（hé）问题——犯罪（zuì），公共卫生，用语的（de）变（biàn）化，约会（huì）的危险，只要我（wǒ）们（men）把这些数据利用起来。

似乎它的（de）拥（yōng）护者这样宣称。“在接下（xià）来（lái）的二十年，”记者帕特里克·塔克在他最近的大数据（jù）声明中这样写道，“是透明的未来，”“我们可以以一种前（qián）所未有的准确度预（yù）测未（wèi）来的诸多领域，甚至包括一（yī）些长久以来被认为人类无（wú）法干预的领（lǐng）域。”但大数据其实从来没有听上去那么好。

大数据真的像说的那么好？毫无疑（yí）问大数据确实是一（yī）个有价值（zhí）的（de）工具（jù），并在某些领域产（chǎn）生了至关重要（yào）的（de）影响。比如，几（jǐ）乎近二十年人工（gōng）智能计算机程序的成功，从谷歌的搜索引擎到IBM的（de）沃森（sēn）电脑问（wèn）答（dá）系（xì）统，都包括了大（dà）量数据的（de）处理。但是正是（shì）因为它最（zuì）近（jìn）如此受（shòu）欢（huān）迎（yíng）并得到广泛应用，我们需要清晰的（de）看待大数据究竟能做什么（me）和不能做什（shí）么。

大数（shù）据能告（gào）诉（sù）我们是什（shí）么，但不能告诉我们为什么

首先，尽（jìn）管（guǎn）大数据能（néng）够非常好（hǎo）地检测相关性，特别是那些用小数据集（jí）可能无法测出的微妙相关性，但是它（tā）并不（bú）会告诉我们哪一种相关性是有意（yì）义的。比如，大数据（jù）分析可能会揭（jiē）示（shì）从2006年（nián）到（dào）2011你那美国谋杀（shā）案比例与IE浏览器的市场份额是（shì）极（jí）度相关的（de），都（dōu）呈急速下降趋势。但是很难相信这（zhè）两（liǎng）者之间有什么因果关（guān）系。又比如，从1998到2007被诊断出的自闭症患者与有机食物（wù）的销售具有相（xiàng）关性（都呈急（jí）速上升趋势），但（dàn）是这（zhè）种相关（guān）性本身不会告诉我（wǒ）们饮食和自闭症的关（guān）系。

大数据（jù）只能是辅助工具

第二（èr），大数据（jù）可以辅（fǔ）助科（kē）学调查，但不可能成（chéng）功地完（wán）全代替。比如，分子（zǐ）生物学家很想从潜在的DNA序列（liè）中（zhōng）推断出蛋白质的三维结构，有一些科学家已经在用（yòng）大数（shù）据来解决（jué）这个（gè）难（nán）题。但是没有任何科学家认为（wéi）你可以完（wán）全依靠（kào）处理数据来解决这个（gè）难题，不论这个（gè）数据分析是（shì）多么的强有（yǒu）力，你依旧需要基于对物理和生物化学（xué）的理解上（shàng）来处理（lǐ）这些数据。

基于大数据（jù）的工具易造假

第（dì）三（sān），基于大数据的很多工具很容易造假。批（pī）改（gǎi）学生（shēng）作文的大（dà）数据程序通常依（yī）赖于句子长度和用（yòng）词（cí）的复杂（zá）性，数据表明这（zhè）和老师批改的（de）分数很（hěn）相关（guān）。但（dàn）是（shì）一旦学生知（zhī）道这个（gè）程序（xù）如（rú）何运作，他们就开始写一些长句子并（bìng）用晦涩（sè）的词语而不（bú）是去学会如何规范清晰的表达（dá），组成连贯的篇章。甚至谷歌的（de）著名的搜索引擎（qíng），这个通常被认为成功的大数（shù）据案（àn）例也（yě）不能免于信息（xī）繁（fán）杂，无（wú）用的搜索结果，一（yī）些人（rén）为的原因使得一些（xiē）搜索结果排在前（qián）面（搜（sōu）索广告）。

通（tōng）过大数据下结论是有风险（xiǎn）的

第四，即便大数据的结果没有（yǒu）人为地（dì）造假，但是它（tā）看上去也不（bú）那么（me）有效。比（bǐ）如谷歌预（yù）测流感的案（àn）例（lì）曾经是大数（shù）据的典范。2009年，谷歌通过相当大的宣传称它可以通（tōng）过分析与流感（gǎn）相关的搜索预测流（liú）感（gǎn）爆（bào）发的（de）趋（qū）势（shì），这种（zhǒng）准确性和快（kuài）速甚至超过了疾病控制和预防中心等官方（fāng）机构（gòu）。但是几年后，谷歌宣称的流感预测并没有得到好（hǎo）的结（jié）果，最（zuì）近两年（nián），它做的更多地是不准的（de）预测（cè）。

最（zuì）近一（yī）篇《科（kē）学杂志》的文章（zhāng）解释道，谷歌（gē）流感预测的（de）失败很大（dà）程度上是因（yīn）为谷歌搜索引擎自己在不断的更新，这个时候收集的数据（jù）未必能够适（shì）用于（yú）下一个时候收（shōu）集（jí）的数据。正如（rú）统计学家冯启思（《数（shù）据统治（zhì）世界》的作者）所说的（de），依赖于网站的大（dà）数据收集常常（cháng）把一些用不同方法、有不同目的数据整合起（qǐ）来，有时候这会产生负面的影响。从这样的数据样本（běn）得出结论是需要冒风（fēng）险的。

大数据的智（zhì）能（néng）应用会导致错误被（bèi）加强

第五个（gè）需要注意的就是“恶性循环”，这也是因为大（dà）量（liàng）的数据都来自于网（wǎng）络。不论何时，大（dà）数据分析的信（xìn）息（xī）源（yuán）本（běn）身就是一（yī）种大数据产品（pǐn），这很可能会导致恶性（xìng）循环。谷歌翻译等翻译程序是从（cóng）不（bú）同语言（yán）中抽取（qǔ）相（xiàng）似（sì）的文本（běn）去辨别这些语言的（de）翻（fān）译模式（shì），比如同样的维基百（bǎi）科条目有两种语言。这是一个很合（hé）理的策略，要不是有很多语（yǔ）言并（bìng）不具（jù）有（yǒu）太多相（xiàng）似性，维（wéi）基（jī）百科自己都可以用（yòng）谷歌翻译写条目。在（zài）这种情况下，任何谷歌翻（fān）译的错误都会影响维（wéi）基百科，而（ér）这又会反映（yìng）到（dào）谷歌翻译（yì）上，使这（zhè）种错误不（bú）断（duàn）加强。

大数据（jù）可能会导致大错误

第六个（gè）需（xū）要担心的就是（shì）太多相关性导致的危险。如果你在两个变量中不断（duàn）地寻找相关性，那么你很（hěn）可能会纯（chún）粹出于偶然发现（xiàn）虚假（jiǎ）的相关性，即便在（zài）这些变量（liàng）中并没有实际意义的联系。缺乏谨（jǐn）慎的检查，大数据（jù）的量级（jí）会扩（kuò）大这些错误。

听（tīng）上去科学的解释（shì）未必（bì）正确

第七，大数据很容易对那（nà）些无（wú）法精确的（de）问（wèn）题给出（chū）听上去很科学的解释。比如在过去几个月（yuè），基于维基百科的数据给人们排名（míng）有两个不同的尝试：根据历史重（chóng）要性或者文化贡献。其中一（yī）本（běn）书（shū）叫做《谁更强？历史人物（wù）真实的排名在哪里》，作者（zhě）是电脑工程师Steven Skiena 和工程师（shī）Charles Ward，另一本叫做（zuò）《万神殿》，来自于麻省理工学院（yuàn）媒体实验室项目（mù）。

这些尝试在（zài）某些方面是（shì）正确的，耶稣、林肯、莎士比（bǐ）亚确实（shí）是（shì）极（jí）为重要的人物，但是两者都犯了一些（xiē）严重的（de）错误。《谁（shuí）更强？》指出法兰西（xī）斯．史考（kǎo）特．凯（kǎi）伊（Francis Scott Key ）在历史上是（shì）19世纪最（zuì）重要的作家，远远超过简（jiǎn）·奥斯汀（第78名）和乔治·爱略特（第380名）。更（gèng）严重（chóng）的（de）是，两本书呈现出（chū）了利用所谓的精确误（wù）导人，而（ér）在本质上是模糊升值无意（yì）义的。大数据可以把任（rèn）何事都简化为数字（zì），但是你不应该被这些“科学”的表现愚弄。

罕见（jiàn）事件，大数据不起作用（yòng）

最后（hòu），大数（shù）据在（zài）分析那些普通事件很在行，但是（shì）在分析（xī）罕见事件常失败（bài）。比如，用大数据（jù）处（chù）理文本的程序如搜索引擎和（hé）翻（fān）译程序，常（cháng）常依赖于（yú）所（suǒ）谓的（de）“三字（zì）”：连续（xù）三个词的序（xù）列（比如“in a row”）。可靠的数（shù）据信息（xī）可以编制常规的三（sān）字模型，正是因为他（tā）们常出（chū）现，但（dàn）是现有（yǒu）的（de）数（shù）据（jù）并（bìng）没（méi）有多到（dào）足够包（bāo）括人们（men）可能（néng）使（shǐ）用（yòng）的（de）所（suǒ）有“三字（zì）”，因（yīn）为（wéi）人们在不断创造新语言。

随便挑一个例子，Rob Lowe 最近为报纸写的书评有（yǒu）九个（gè）“三词（cí）序列”比如“dumbed-down escapist fare”，这在谷（gǔ）歌的文（wén）本里从未出现过。对于（yú）这（zhè）些（xiē）新鲜词汇谷歌有很多限制（zhì），谷歌将“dumbed-down escapist fare”西安翻译为德文然后再（zài）翻译为英文（wén），最后出现了这（zhè）样（yàng）一个不（bú）合逻辑的词语“scaled-flight fare.”Lowe先生（shēng）的本意和利用（yòng）大数据（jù）的（de）翻译真（zhēn）是完全不搭（dā）边（biān）。

等等，我（wǒ）们几（jǐ）乎（hū）忽略了（le）最（zuì）后一个问题：炒作。大数（shù）据的支（zhī）持者宣称它是革命性的进步。但（dàn）是即便是给（gěi）出大（dà）数据的成功例（lì）子，比如谷歌流感趋势的预测，即便有用但对于一些更大（dà）的事（shì）这些显得微不（bú）足道。相（xiàng）比19世（shì）纪（jì）和20世（shì）纪的伟（wěi）大发（fā）明（míng）比如抗生素，汽车，飞机，大数据所得出的东（dōng）西实在算不（bú）了什么。

我们需要大数据，毫无疑问。但是我（wǒ）们也需要更（gèng）加清（qīng）醒的认识到（dào），这只是一种每个人（rén）都可（kě）以分析的重（chóng）要资源，并（bìng）不是（shì）什么新技（jì）术。