大数据”突然间变（biàn）得（dé）无（wú）处不在，似乎每个人都想收集、分析大数（shù）据、并从中获利，同时也有人在夸耀或者害怕它的巨大影响。不论我们是（shì）在讨论利用谷歌庞（páng）大的搜索数（shù）据来预测流（liú）感的（de）爆发还是利用通（tōng）话（huà）记录来预测恐怖活动，又或者是利用航（háng）空公司的数据找到买机票的最佳时机，大（dà）数据都可以帮上忙（máng）。将现代计算技术（shù）和数（shù）字时代众多（duō）的数据结合起来（lái），似乎（hū）可以（yǐ）解决任何（hé）问题（tí）——犯罪，公共卫生，用语的变化（huà），约会的危险，只要我们把这些数据利（lì）用起（qǐ）来。

似乎它的拥护者这样宣称。“在接下（xià）来的二十年（nián），”记（jì）者（zhě）帕特（tè）里（lǐ）克·塔克在他最近的大数据声明中（zhōng）这样（yàng）写道（dào），“是透明的（de）未来，”“我们可以以一种前（qián）所未（wèi）有的准确（què）度预测未来的诸多领域，甚（shèn）至包括一些（xiē）长（zhǎng）久以来被认为人类（lèi）无（wú）法干预的领域（yù）。”但大数据其实从来没有（yǒu）听上去（qù）那么好。

大数据真的像（xiàng）说的那么好？毫无疑（yí）问大数（shù）据确（què）实是一个有价值的工具，并在某（mǒu）些领域产生了至关（guān）重要的影（yǐng）响。比如，几乎近二十年人工智能计算机程序的成（chéng）功，从谷歌的搜索引擎到IBM的沃（wò）森（sēn）电（diàn）脑（nǎo）问答系统（tǒng），都包括了大量数据（jù）的处（chù）理。但是正是（shì）因为它最近如此受欢迎并得到（dào）广（guǎng）泛应用，我们需要清晰的看待大数据究竟能做什么和（hé）不能做什（shí）么。

大数据能告诉我们是什么，但不能告诉我们为什么

首先，尽管大数据（jù）能够（gòu）非常好地检测相关性，特别（bié）是那些用小数据集可能无（wú）法测出（chū）的微妙相（xiàng）关性，但是它并不会（huì）告诉（sù）我们哪（nǎ）一种（zhǒng）相关性是有（yǒu）意义的。比如（rú），大数据分析（xī）可能会揭示从2006年到2011你那美国（guó）谋杀（shā）案比例与IE浏（liú）览器的市场份额（é）是极度相关的，都呈急速下降趋势。但是很难（nán）相信这两者之间有什（shí）么（me）因果关系（xì）。又比（bǐ）如，从（cóng）1998到2007被诊断出的自闭症患者（zhě）与有机食物的销售具有（yǒu）相关性（都（dōu）呈急速上升趋势），但是（shì）这种相关性（xìng）本身不会告诉我（wǒ）们饮食和自（zì）闭症（zhèng）的关（guān）系。

大数据只能是辅助（zhù）工具

第二，大数据可以辅助（zhù）科学调查，但不可能成功地完全代替。比如（rú），分子生（shēng）物学家很（hěn）想从潜在（zài）的DNA序列中推断（duàn）出蛋白质的三维结（jié）构（gòu），有（yǒu）一些科学家已经在用大数据来解决这个难题。但是（shì）没有任何科学（xué）家认（rèn）为你可以完全依靠处理数据来解决这个难（nán）题，不论这（zhè）个数据分（fèn）析（xī）是多么的（de）强有力，你依旧需（xū）要基于对物（wù）理和生物化（huà）学的理解上（shàng）来处（chù）理这些数据。

基于大（dà）数据的工（gōng）具易造假

第三，基于大数据的（de）很多工具很容易造假。批改学生作文的大数据程（chéng）序通常依赖于（yú）句（jù）子长（zhǎng）度和用词的复杂性，数据表明（míng）这（zhè）和老师（shī）批（pī）改的（de）分数很相关（guān）。但（dàn）是一（yī）旦（dàn）学（xué）生（shēng）知道这个程序如何运作，他们就开始写一些长句子（zǐ）并用晦涩的词（cí）语而不是去学会如何规范清晰的表达（dá），组（zǔ）成连（lián）贯的（de）篇章（zhāng）。甚至谷歌的著名的搜（sōu）索引擎，这个通常被认为成功的大数据案例也不能免于信息繁杂，无用的搜索结果，一些人为的原（yuán）因使得一些搜（sōu）索结果排（pái）在前面（搜（sōu）索广告）。

通过大数据下（xià）结论是有风险（xiǎn）的

第四，即便大数据的结（jié）果没有人为地造假，但是它看上去也不（bú）那么有效。比如（rú）谷（gǔ）歌预测（cè）流感（gǎn）的案例曾经是大数据的典范。2009年，谷歌通过相当（dāng）大的宣传称它可以通过分析与流感相（xiàng）关的搜（sōu）索预测流（liú）感爆发的趋势，这种准确性和快速甚至（zhì）超过了疾（jí）病控制和预（yù）防中心等官方机构。但是（shì）几年后，谷歌宣称的流感（gǎn）预测并没有得到（dào）好（hǎo）的（de）结果，最（zuì）近两年，它（tā）做的更多（duō）地是不准的（de）预测。

最近（jìn）一篇《科（kē）学（xué）杂志》的文章解释道（dào），谷歌流（liú）感预测的（de）失败很（hěn）大程度上是因为（wéi）谷歌搜（sōu）索（suǒ）引擎自（zì）己在不断的更新，这个时（shí）候收（shōu）集的数据未（wèi）必能够（gòu）适（shì）用于下一（yī）个时候收（shōu）集的数据。正如统计学（xué）家冯启思（《数据（jù）统治（zhì）世界（jiè）》的作者）所说的，依赖（lài）于网站的大数据收集常常把一些用不（bú）同方法（fǎ）、有不同目的数据整合起来，有时候这会产生负（fù）面的（de）影响（xiǎng）。从这（zhè）样的数据样本得出结（jié）论是需要冒风险的。

大数据的智能应（yīng）用会导致错误被加强

第五个（gè）需要注意的就是“恶（è）性循环”，这也是因为大量的数据都来自于网络。不论何时，大（dà）数据分析的信息源本身就是一种大数据产（chǎn）品，这很可（kě）能会导致恶性循环。谷歌翻译等翻译（yì）程（chéng）序是从（cóng）不同语言中抽取相似（sì）的文本去辨别这（zhè）些（xiē）语言的翻译模式（shì），比如同（tóng）样的维基百科条目有两（liǎng）种语言（yán）。这是（shì）一个很合理的策略，要不（bú）是（shì）有很多（duō）语言并不具（jù）有太多相似性，维基百科自己都可以用谷歌翻译写条目。在这种情（qíng）况（kuàng）下，任何（hé）谷歌（gē）翻译的错误都会影响维基（jī）百科，而这（zhè）又会反映（yìng）到谷歌翻译上，使这种错误不断加（jiā）强。

大（dà）数据可能会导（dǎo）致大（dà）错误（wù）

第六个需要担心的就是太多相关性（xìng）导（dǎo）致的危险（xiǎn）。如果你在两（liǎng）个变（biàn）量中不断地（dì）寻找相关性（xìng），那么你很可能会纯（chún）粹出于偶然发（fā）现（xiàn）虚假的（de）相关性，即便（biàn）在这些变（biàn）量（liàng）中并（bìng）没有实际（jì）意（yì）义的（de）联系。缺乏谨慎的检查，大数据的（de）量（liàng）级会扩大这（zhè）些错（cuò）误。

听（tīng）上去科学的解释未必正确

第七，大（dà）数据很容易对那些无法（fǎ）精确（què）的问题给出听上去很科学的解释（shì）。比如在（zài）过去几个月（yuè），基于维基百（bǎi）科的数据（jù）给人们排名有两个不同（tóng）的尝试：根据历（lì）史重（chóng）要性或者（zhě）文化（huà）贡献。其中一本书叫做《谁更强？历史人物真实的排名在哪里》，作者是电（diàn）脑工程师Steven Skiena 和（hé）工程师Charles Ward，另一（yī）本叫做《万神殿》，来自（zì）于麻省理（lǐ）工学院（yuàn）媒体实验室项（xiàng）目。

这些（xiē）尝试（shì）在（zài）某（mǒu）些方（fāng）面是正确的，耶稣、林肯、莎士比亚确实（shí）是极为重要的人物，但是两者都犯（fàn）了一些严重的错误。《谁更强？》指出法兰西斯．史考特．凯伊（Francis Scott Key ）在（zài）历史（shǐ）上（shàng）是19世纪最重要的作家，远远超过简·奥斯汀（tīng）（第78名）和乔（qiáo）治·爱略特（第380名（míng））。更严重的是，两本（běn）书呈现出（chū）了利用所谓的精确误导人，而（ér）在本质（zhì）上是（shì）模糊（hú）升值无（wú）意义的。大（dà）数据可以把（bǎ）任何事都简化为数字（zì），但是你（nǐ）不应该被这些“科（kē）学（xué）”的表（biǎo）现愚（yú）弄。

罕见事件，大数（shù）据不起作用

最后，大数据在（zài）分析那些普（pǔ）通事（shì）件很（hěn）在行，但是在（zài）分析（xī）罕见事件常失败。比如，用大数据处理文本（běn）的程序如搜索引擎（qíng）和翻译（yì）程序（xù），常常依赖于所谓（wèi）的“三字（zì）”：连续三个词的序列（比如“in a row”）。可靠（kào）的数据信息可（kě）以编制常规的三字模（mó）型，正是因为他们（men）常出（chū）现，但是现有的数（shù）据并没有多到足够包括（kuò）人（rén）们（men）可能（néng）使用的（de）所有“三字”，因为人们在不断创造新（xīn）语（yǔ）言。

随（suí）便挑（tiāo）一（yī）个例子，Rob Lowe 最近为报纸写的书评有九个“三词序列”比如“dumbed-down escapist fare”，这在谷歌的文本（běn）里从未出现过。对于这些新鲜词汇谷歌有很多限制，谷歌（gē）将（jiāng）“dumbed-down escapist fare”西安翻（fān）译为（wéi）德文然后再翻译（yì）为英文，最（zuì）后出现了这样一个不合逻辑的词语（yǔ）“scaled-flight fare.”Lowe先（xiān）生的本意和利用大数据（jù）的翻译（yì）真（zhēn）是（shì）完全不搭边。

等等，我（wǒ）们几乎忽略了最后一个问题：炒作（zuò）。大数据的支持（chí）者宣称（chēng）它（tā）是革命性的进步。但是即便是（shì）给出大数据的（de）成（chéng）功例子，比如谷歌流感趋（qū）势的预测（cè），即便有用但对（duì）于（yú）一些更大的事（shì）这些显得微不足道。相比19世纪（jì）和（hé）20世纪的（de）伟大发明比如（rú）抗生素，汽车（chē），飞机，大数（shù）据所（suǒ）得出的东西实在算不了什么。

我们（men）需要（yào）大数（shù）据，毫无疑问（wèn）。但是我们也需（xū）要更加清（qīng）醒的认（rèn）识到，这只是（shì）一种每个人都可以分析的重要资源，并不是什么新技术。