（首發(fā)于紐約時(shí)報(bào)中文網(wǎng)）

對(duì)“大數(shù)據(jù)”概念還搞不清的人可以松一口氣了，如果你讀過《大數(shù)據(jù)時(shí)代》（Big Data:A Revolution That Will Transform How We Live, Work, and Think），你會(huì)發(fā)現(xiàn)舍恩伯格（Viktor Mayer-Sch?nberger）對(duì)“大數(shù)據(jù)”的定義如此簡(jiǎn)單：所謂大數(shù)據(jù)（Big Data），就是大量的數(shù)據(jù)；它的反義詞同樣簡(jiǎn)單：小數(shù)據(jù)（Small Data），很少很少的數(shù)據(jù)。

相比于作者所著同樣談?wù)摯髷?shù)據(jù)話題的《刪除：大數(shù)據(jù)取舍之道》一書，《大數(shù)據(jù)時(shí)代》結(jié)構(gòu)緊密，邏輯清晰，論證過程也更為嚴(yán)謹(jǐn)。本書在何為大數(shù)據(jù)、大數(shù)據(jù)有何典型特征、大數(shù)據(jù)的實(shí)際應(yīng)用和未來以及大數(shù)據(jù)的隱憂等關(guān)鍵問題上，通過案例和通暢曉白的解釋，梳理清楚了“大數(shù)據(jù)”這個(gè)看起來高深復(fù)雜但其實(shí)無處不在的概念。在舍恩伯格看來，以往我們因受限于工具而采用的抽樣調(diào)查以及精準(zhǔn)采樣數(shù)據(jù)的分析方法需要革新，大數(shù)據(jù)時(shí)代是改變方法論和思維方式的過程。

大數(shù)據(jù)時(shí)代的到來，與信息數(shù)字化息息相關(guān)。在2000年的時(shí)候，以數(shù)字化形式存儲(chǔ)的數(shù)據(jù)僅占全球數(shù)據(jù)量的四分之一，而到了2007年時(shí)，90%以上數(shù)據(jù)是數(shù)字化數(shù)據(jù)，剩下不到10%是存儲(chǔ)在報(bào)紙、CD等介質(zhì)上的模擬數(shù)據(jù)。我們知道，模擬數(shù)據(jù)在復(fù)制和傳播過程中信息會(huì)失真、噪音疊加，比如一張紙連續(xù)復(fù)印三次之后，噪點(diǎn)越來越多，字跡越來越模糊，一盤音樂磁帶連續(xù)翻錄多次之后，令人厭煩的“嗞嗞”聲越來越大。而二進(jìn)制數(shù)字世界，是一個(gè)非黑即白的世界，要么1要么0，即使有噪點(diǎn)，灰色也會(huì)被識(shí)別黑色（1），淺白則被計(jì)算機(jī)處理為白（0），沒有中間地帶，也就沒有了噪音的容身之處。信息在數(shù)字世界得以無損復(fù)制和傳播，再加上不斷廉價(jià)化的存儲(chǔ)能力以及同時(shí)提高的計(jì)算能力，大量以前無法處理的數(shù)據(jù)，有了分析、解讀它們的可能。

在模擬信息的世界，因?yàn)樾畔⑹占⑿畔?fù)制、信息存儲(chǔ)以及信息分析的工具既不夠好，成本也極為高昂，我們只能收集極少量的數(shù)據(jù)（也即所謂的“結(jié)構(gòu)化數(shù)據(jù)”）進(jìn)行分析，由于條件所限，我們發(fā)明了統(tǒng)計(jì)學(xué)來通過盡可能少的數(shù)據(jù)，去推導(dǎo)、去證實(shí)盡可能重大的發(fā)現(xiàn)。當(dāng)我們意識(shí)到我們已經(jīng)擁有能夠收集和處理大規(guī)模數(shù)據(jù)（也即所謂更多的“非結(jié)構(gòu)化數(shù)據(jù)”）能力的時(shí)候，我們需要新的理念和工具去重新認(rèn)識(shí)這個(gè)世界了。

新的理念運(yùn)用于工具上的體現(xiàn)之一是光場(chǎng)相機(jī)Lytro。與其它數(shù)碼相機(jī)不同的是，Lytro相機(jī)可以在拍攝完照片之后再對(duì)焦。因?yàn)樵谂臄z時(shí)，Lytro可以記錄整個(gè)光場(chǎng)里所有的光，照片具體生成什么樣，拍完之后根據(jù)需要再?zèng)Q定。——有沒有發(fā)現(xiàn)這顛覆了我們做事的一貫邏輯？以往我們因?yàn)槭苤朴诠ぞ呋蚪疱X，需要提前想好我們的目的，再去獲取我們需要的信息。而大數(shù)據(jù)時(shí)代的思維方式則如Lytro的特性一樣，先拍下來再說，需要什么樣的照片，后期再處理。Lytro相機(jī)也算從膠片機(jī)過渡到數(shù)碼相機(jī)交疊時(shí)代思維的延續(xù)，如果攝影技術(shù)不太好，先拍一堆片子再說，你總能挑出幾張好的來。

對(duì)小數(shù)據(jù)而言，最重要的要求是減少錯(cuò)誤，保證質(zhì)量。而大數(shù)據(jù)對(duì)更糙的信息及冗余信息容忍度更高，也即當(dāng)資源足夠豐富且廉價(jià)的時(shí)候，可以先大量浪費(fèi)，再來精準(zhǔn)化。而不是預(yù)設(shè)精準(zhǔn)的目標(biāo)。亞馬遜早期雇傭了一群書評(píng)家為讀者薦書，后來發(fā)現(xiàn)通過算法——一群對(duì)圖書質(zhì)量判斷能力遠(yuǎn)不如專業(yè)人士的普通讀者的口味的集合——推薦圖書的轉(zhuǎn)化率更高之后，亞馬遜把書評(píng)家們都解雇了。由于自己多年積累被算法取代的憤怒，在被解雇之后，書評(píng)家發(fā)出這樣的抱怨：（通過算法推薦）“那種感覺就像你和一群腦殘?jiān)谝黄鸸鋾辍！鳖愃频墓适乱舶l(fā)生微軟。微軟機(jī)器翻譯部門的統(tǒng)計(jì)學(xué)家們?cè)诓栌囡埡箝e聊中會(huì)說，每次一有語言學(xué)家離開他們團(tuán)隊(duì)，微軟機(jī)器翻譯質(zhì)量就會(huì)變得更好一點(diǎn)。

從對(duì)信息質(zhì)量的角度出發(fā)去觀察，我們會(huì)發(fā)現(xiàn)大數(shù)據(jù)時(shí)代的特性的確越來越“腦殘化”：它放棄原始數(shù)據(jù)的精確性，強(qiáng)調(diào)數(shù)據(jù)量的多和雜；它放棄因果關(guān)系的判斷，強(qiáng)調(diào)相關(guān)關(guān)系；它放棄知其所以然（為什么），只需知其然（是什么）就可以了。豆瓣閱讀為什么給你推薦《中國合伙人》？背后的邏輯可能是你的朋友最近點(diǎn)了“想看”或“看過”。新浪微博為什么推薦李承鵬而不是李開復(fù)給你關(guān)注？背后的邏輯可能是你關(guān)注的人中更多人關(guān)注李承鵬。但為什么因?yàn)榕笥严矚g，所以機(jī)器就會(huì)判定你也會(huì)喜歡呢？不知道。機(jī)器通過計(jì)算得知，如果你有很多朋友喜歡同一個(gè)事物，那么你喜歡這個(gè)事物的概率會(huì)大一些。可能對(duì)，也可能錯(cuò)。二者之間強(qiáng)相關(guān)，但不因果。

大數(shù)據(jù)最大的用途之一是預(yù)測(cè)。好的方面，它可以預(yù)測(cè)機(jī)票價(jià)格走勢(shì)，為自費(fèi)旅游者省錢；它能預(yù)測(cè)交通擁堵情況，幫助人們選擇更好的時(shí)段和路線節(jié)省出行時(shí)間；它也可以像亞馬遜做的那樣，為你提供更準(zhǔn)確的書單，幫你遇見更多好書。《麻省理工科技創(chuàng)業(yè)》曾報(bào)道說，英國伯明翰大學(xué)的一個(gè)研究團(tuán)隊(duì)甚至開發(fā)出一種算法，可以精確地預(yù)測(cè)你未來將要去哪里。大多數(shù)人一般有規(guī)律的行為模式，但傳統(tǒng)的預(yù)測(cè)算法——只通過用戶本身的行為模式來進(jìn)行預(yù)測(cè)，解決不了人們臨時(shí)變更路線的情況，導(dǎo)致預(yù)測(cè)人們出行的平均誤差高達(dá)1000米。伯明翰大學(xué)開發(fā)的算法可以通過追蹤用戶手機(jī)上的個(gè)人過往行為模式數(shù)據(jù)以及用戶手機(jī)里的社交關(guān)系——當(dāng)然，新型算法需要收集和分析大量個(gè)人信息。最后能預(yù)測(cè)用戶在24小時(shí)之內(nèi)會(huì)去什么地點(diǎn)，而平均誤差減少到僅20米。

如此精準(zhǔn)的研究結(jié)果讓人驚喜——細(xì)想過后，可能給人帶來更多的是驚訝，或驚恐。沒有人希望自己的正常出行被別人預(yù)測(cè)——機(jī)器竟然比我自己還了解自己，我連三小時(shí)后我會(huì)干嘛都不知道呢！這提醒我們?cè)诖髷?shù)據(jù)時(shí)代，我們將面臨的隱私問題的嚴(yán)峻。

在小數(shù)據(jù)時(shí)代，數(shù)據(jù)采集者需要告知數(shù)據(jù)提供者其采集的數(shù)據(jù)用途為何；但在大數(shù)據(jù)時(shí)代，這樣的信息管理方式已經(jīng)失效。舍恩伯格在書中指出，“大數(shù)據(jù)”將顛覆隱私保護(hù)法當(dāng)下以個(gè)人為中心的思想。比如許多公司采集用戶數(shù)據(jù)時(shí)的目的與最后使用的目的往往不同，而且在未來，大數(shù)據(jù)的價(jià)值不再單純來自它的基本用途，更多來于它的二次甚至多次利用。但有時(shí)候即使個(gè)人不同意，也會(huì)為公眾帶來隱私問題。以Google街景項(xiàng)目為例，Google采集了街道上的幾乎全部信息，如果有某個(gè)人不同意ta的數(shù)據(jù)顯示在Google街景中，Google會(huì)將該信息模糊化處理。但當(dāng)其他人的信息都完整呈現(xiàn)在街景圖中時(shí)，“馬賽克”（模糊化處理）的部分反倒成了焦點(diǎn)——本想隱藏掉的信息反倒成了此地?zé)o銀三百兩式的焦點(diǎn)。未來的個(gè)人數(shù)據(jù)采集與數(shù)據(jù)授權(quán)，需要替換掉目前的隱私保護(hù)方案。

舍恩伯格在書中舉的更諷刺的案例則是，2007年，英國報(bào)紙London Evening Standard一篇報(bào)道稱，在喬治·奧威爾創(chuàng)作《1984》的地方，也就是他在倫敦公寓方圓183米范圍內(nèi)，有32架攝像機(jī)。如果奧威爾生活到現(xiàn)在，看到此情此景，他會(huì)做何感想？