韩国九段棋手李世石1-4负于机器人 Alphago的消息仍在被各路媒体和专家解读，不论是如何高屋建瓴的开头，最后都会归于“这并不代表人工智能的胜利”这样类似末日宣言的结论。这些观点在试图抚慰恐慌的同时引起更大的恐慌，因为他们并没有解释清人工智能的核心技术是什么。
　　与其说李世石选手输给了机器人，不如说他败在了数据的威力下。 Alphago内部储存了海量的棋局数据，它可以在一秒内找出与当前情况相吻合的案例，并根据李世石的历史资料预测他下一步的可能走向，最后走出自己的棋。
　　这听起来完全是人与人下棋的思维模式，特别之处就在于它掌握的巨大数据量。
　　即使像李世石这样的棋手，职业生涯中遇到过的棋局和套路也是有限的，这种有限还会被记忆力打个折扣。然而 Alphago不仅拥有巨大的数据量，还可以实时搜索，局面相当于无数个高手躲在一个盒子里与对面的一个人过招。从数据量的角度看，有限输给了无限，实在不是什么值得羞耻的事。
　　人工智能的发展令很多人感觉到不安，是因为在依靠分析和预测的众多领域，和数据对抗无异于螳臂当车。
　　这是《大数据时代：生活、工作与思维的大变革》启发我产生的全新思考角度。这本著作给了很多人关于大数据的入门级认识，它的腰封推荐词是“迄今为止全世界最好的一部大数据专著”，本书作者维克托·尔耶·舍恩伯格也被誉为 “大数据商业应用第一人”。这样的名声足够将它送到很多人的眼前了。
　　维克托关于大数据有三个基本观点：1.
　　不是随机样本，而是全体数据。2.不是精确 性，而是混杂性。3.不是因果关系，而是相关 关系。这三个观点阐释了大数据在被应用过 程中的特点———被整体应用、宏观应用和独 立发声。其中作者在解释第三个特点时说 到，“知道‘是什么’就够了，没必要知道‘为 什么’。在大数据时代，我们不必要非得知道 现象背后的原因，而是要让数据自己 ‘发 声’”。对于这一点，个人认为深入考虑的空 间还很大———即数据是否足够有资格发声。
　　第三章中，维克托通过在线书商亚马逊 的图书推荐的例子，得出了一个结论：找到 产品之间的关联性非常重要。他进一步解释 说，“通过给我们找到一个现象的良好的关 联物，相关关系可以帮助我们捕捉现在和未 来。如果 A和 B经常一起发生，我们只需要注 意到 B发生了，就可以预测 A也发生了。”这 是一种单纯依靠相关性的逻辑。它的优势在 于借此让数据得以发声，我们在大量数据中 标记目标，挑选属性，训练数据，最终都是为 了预测。数据分析可以提供市场份额，购买 行为，但并不意味着我们因此就不要知道市 场为什么这样变化，消费者为何有某种偏 好。如果 A和 B经常一起发生的原因是 A导致 了 B，那么 B发生了， A还一定发生吗？
　　大数据给了我们更好的方向，但针对性 的问题不应该被弃之不顾，而应该依靠领域 科学帮我们解决。假设这样一种情况，一种 源于大数据分析的医学疗法被证明治愈率 高达80% ，我们会选择将它广泛应用于临床 吗？恐怕不会。因为人和百分比不能相提并 论，在涉及到个体的问题上，谁都不愿意做 那个少数的百分比。如果通过病理学研究， 我们可以探究出为什么这种疗法对于少数 人不适用，那么这种“为什么”的探究就是有 意义的。因为大数据帮我们追求“大范围覆 盖”，而领域科学让我们做到了“全覆盖”。
　　相关关系更符合现今社会对速度的追 求，因果关系则是一种从无序到有序的必要 逻辑。或者说，因果关系也是相关关系的一 种，区别只在于相关程度。
　　认为数据并不足够有资格发声，还因为 数据不具有“人性”这项量化。数据不会撒 谎，但人性复杂。大数据只是一种资源与工 具，它告知信息但不解释，它引导人们去解 释，很自然地，就会产生误解。比如书中提到 了用数据预测嫌疑人犯罪的例子：美国30多 个州的假释委员会正在使用数据分析来决 定是释放还是继续监禁某人；越来越多的美 国城市，都采用了“预测警务”来决定哪些街 道、群体还是个人需要更严密的监控，仅仅 因为算法系统指出他们更容易犯罪。我们可 以很轻易地分辨“更容易”和“肯定”的区别， 也就不难理解在这里大数据的声音是不充 分的，它可以作为参考，但是作为答案发声， 就缺乏了人本的考量。
　　我们所说的人性应该是一个复杂的概 念，它包括了一个人长期积淀的素养、养成 的性格，以及瞬间的临时反应。这些都是无 法量化的。某种行为习惯可以被数据追踪， 但促成习惯的背后力量无法用符号代替。在 这层意义上，我们必须承认数据有它力不从 心的一面，也必须意识到，人类在很多领域 不应该放弃自己发声的权力和责任。难以想 象，如果大数据过多地介入司法领域，我们 引以为豪的“无罪推定”原则还有存在的基 础吗？如果商家可以凭借以往数据就对我们 的消费行为进行预测，那不就否认了个体的 改变和发展？ （14新闻 雒琪珊）