第9章　从误用大数据到天马行空

三个网虫逛酒吧

我是一位作家，时常是被人调侃的对象，我曾在加州大学伯克利分校的座谈小组任职。工科学院毕业生参加了一个创业项目，而我则负责评判他们提交的模拟商业计划。其中三位学生给出了以下方案：

设想一下，某个星期六晚上，你流连于旧金山的酒吧和娱乐场所。你来到一个年轻女性众多的酒吧，这些未婚女性貌美如花，看似易于接近。她们之所以经常出没于这种特殊场所，是为了引人注意。此时，你掏出手机，在网上发布信息：漂亮姑娘在这里！这样，像你一样的青年人便知道该去何地。此类网络服务可能出现在酒吧和售酒场所，通过宣传，便可赢利。

我看着这三个真诚的计算机狂热者，提出一个显而易见的问题：是否存在一丁点儿的可能性，此类服务可以传达一点点的正确信息。然后，是一阵紧张的沉默。难道这是令人惊叹的技术信息与人类极度天真的结合体。

他们的回答是：当然不存在。因为良性数据永远不会出现，所以我们把整个方案寄托于希望中。

我之所以尽可能地给予他们最好的评价，并不是因为我想鼓励他们把来之不易的技能用于这种毫无价值的计划，而是想让他们懂得，当网络化的信息涉及人类时该如何运作。^[1]

丧失隐私权与获得财富

时而有之，富人寻找一种新的代币，然后抬高其价值。美术便是一个好例子。实质上，昂贵的艺术是大富翁们进行货币交易的一种私有形式。越是深谙其道的艺术家，其艺术品的价值越高。安迪·沃霍尔是玩这类把戏的行家，纵然毕加索以及其他艺术家在此之前就玩这类游戏了。艺术必须风格独特，且能够在懂艺术的小圈子内流传。它是货币的私有形式，就像百元大钞一样，能被立即识别。

在我们这个时代，一种与此相关的趋势蔚然成风。人们通过数字网络搜集关于普通人的私生活信息，整理成数据之后存储起来，再经过包装便成了高级货币的一种新私有形式。实际数据无须有效。事实上，无效数据或许更好，因为真实的信息意味着责任。

然而，我们吹嘘别人的秘密尽在自己手中，这与精美的现代艺术运作方式如出一辙。它是一种由富人经营的新形式证券，其价值也自然而然地被抬高。它就像连绵不绝的堤坝，将普通人拒之千里。

为了创造这种新形式的货币，很少有人意识到自己受到何种程度的跟踪和监视。大量文献已对这种情况做出说明，行动主义也已经对它做出回应。因而，关于这一话题，我在此仅做最简洁的说明。

即使不小心访问了一家主报，比如《纽约时报》，也会造成大量跟踪服务软件之间的竞争，个个力争成为关于你的间谍数据的主要编译者。保护上网隐私的Ghostery是一款试图阻止网络监视活动的插件，目前正在阻止上千起这种网络阴谋，不过确切数据仍无从知晓。

没有人知道网络监视活动的确切情况，其真实度各不相同，角色也异常复杂。尽管大家普遍认为在开放的互联网世界，谷歌一直处于间谍数据搜集的巅峰，Facebook借助一种独有的显微镜掌握了捕捉人们信息的方法，但是没有人真正知道其真相如何。即便如此，你或许从未听说过的一些公司，比如安客诚公司和eBureau预测分析公司，也下定决心创建你的档案。

因为，就目前而言，监视你是信息经济首要正事，所以任何避免被监视的企图看起来就像是对网络核心理念的亵渎，比如使用Ghostery。

科学中的大数据

使用网络上的数据看似是一种魔法，它已经被应用到科学和商业这两个不同的领域。这两个领域之所以能够蓬勃发展，是因为使用了几乎无法区分的大数据工具，不过作用各不相同。在科学中，查证和准确性居于首位，而在商业和一般的文化中则不那么重要。

科学家们正首次使用科技，详细地观察先前人类未知的自然界，但细节繁多，若不借助庞大的计算机和网络系统，一切都不可能。例如，基因组学不仅是生物学的分支，也是计算机科学的分支。材料科学前沿和能源科学前沿同样如此。

在科学界，大数据有了新鲜的来源就意味着，无论现有科技如何，研究人员都要艰苦地工作。^[2]按照常规，新的大数据进入医学领域，改变我们以往对疾病治疗的最佳猜测。可是，新疗法久久未出现。在科学领域内，大数据是一种魔法，但又使我们举步维艰。我们与它较量，心里也有准备可能首先会被它欺骗。大数据的筛选方法正处于不断改善中。

在科学界中，没有人认为大数据是自发而来的银弹，也不乏证实这一认识的共识。医药学是其中最重要的例子，它一直处于改善之中，但速度极慢。天气预报较过去有所改善，并且质量逐渐提高。计算机模型能够处理大量数据，而卫星提供给它的数据是我们过去不常有的，这样，我们能够更好地预测下个星期的天气，甚至是明年全年的天气。然而，天气总是变幻莫测。在使用大数据时，大数据逐渐提高了我们的能力，但它不能立即使我们变得无所不知。追寻一个动态的、不断改善但从不完美的数据结果是现代云计算的核心。大数据必须由人来控制才有价值，它不是自动化的聚宝盆，也不是洞察力的代名词。

就流感暴发而言，通过网络追踪其传播途径比通过传统的医疗系统更加迅速。谷歌的一个研究项目表明，通过留意地理区域内的相关搜索便可追踪流感暴发的路径。例如，在某个特定的地点，人们的搜索中突然更加关心流感的症状，那么该地很可能已存在流感患者，甚至医生还没有意识到第一波疾病的来袭，就可观察到流感信号。

网络追踪流感是一门科学。这意味着它并非是自动的，科学家们必须仔细检查所做的分析。或许，与流感相关的搜索增加实际上是因为热映影片中的主角患上了重度流感。未经过详细审查的数据并不可信。

然而，在科学大数据领域里，可能还没来得及理解，就出现了魔法般的结果。有时，大数据可以逆转顺序，混淆诱因，而从一开始它们就已经推动了科学和商业的发展。

近期出现的惊人例子便是读心术。在21世纪的前10年，读脑术的例子不在少数，给人留下的印象也日益深刻，这可能与人类通过评估机器人的大脑学会控制它们的手臂有关。但是，通过读脑术判断一个人所看到的和所想象的，这有可能吗？将之称为“读心术”或许更合适。

结果显现于21世纪前20年。心理学家杰克·格兰特（Jack Gallant）和加州大学伯克利分校的其他科研人员表示，他们可以通过只分析一个人的脑部活动，判断他所观看的东西为何物。计算机仿佛具有超自然的能力，尽管如何更好地理解这份工作是科学大数据所带来的挑战之一。

在格兰特的实验中，通过人们所见可以推断出电影的内容，只需要对他们的脑部活动进行功能磁共振成像^[3]扫描即可。所成图像看起来模糊，却与所见相同。

工作方法大概如下：先向每个研究对象展示一批电影剪辑，记录每次大脑的激发模式。然后，记录下他们观看以前未看过的电影片段时大脑的激发模式。接着，根据观看新电影片段对应的激发模式与原来的电影片段对应的激发模式之间的相似度，将原来的电影片段与新的电影片段按比例混合在一起。将大量以前看过的片段混合在一起，便产生了一个模糊的新片段，与研究对象所见相似。

这项研究结果成就非凡，意义重大，不过只是科学探究的第一步。它没有揭示大脑如何编译视觉记忆。它确实取得了某种成就，即研究员发现了与特定的视觉认知相联系的大脑如何活动。此外，类似的方法还适用于声音、语音以及感知、行为的其他方面。高科技读心术时代已经来临。

杰克·格兰特首次指出，尽管该项成果惊人，但仍只是个开始，而非终点。一整套科学认识理应包括洞察力和理论方面的其他成就。

尚待发现的科学方法

永远不会有人知道大数据的科学结论将于何时诞生。科学不追求妙言警句，但它们断断续续地在科学中诞生。

商业大数据发展之快堪比人类的吸收能力，甚至更快。反馈回路越快，商业大数据的影响力越大。我们习惯性地认为商业大数据是合法的，纵然是因为它在网络中的特殊地位才有可能看起来如此。只有不断地重复使用，这样的数据才会有效。

科学要求获取大数据的方法应与众不同，但无论是现在还是不久的将来，我们对该方法都知之甚少。关于大数据的科学方法还未完全成型。一旦建立起大数据科学的相关惯例，以下问题的答案将不存在争议。

·如果复制的结果可以出版，那么该满足什么样的标准呢？复制要求搜集不同但相似的大数据，不仅仅是以不同的算法对数据的再次使用，那么必须达到何种程度呢？

·出版为何物?难道只是对使用的编码进行描述？还是编码本身？抑或是使编码可重复使用或可调整的某个标准形式或框架中的编码？

·分析必须以能够预期元分析的标准规范的方式进行吗?

·应对数据监管链的什么文件实行标准化？

·必须建立类似于双盲测试、安慰剂以防止大数据科学家自欺欺人的新规范吗？是否应该有多个小组制定准则，从事大数据分析，且各大数据之间处于完全隔离状态，以得到独立的结果？

不久以后，所有答案都将揭晓，但就目前而言，规范仍处于变化之中。尽管细节还有待完善，但是检验假设的核心保证使科学家们万众一心，不论他们的数据是大是小。

明智，还是恐惧

在商界，无论大数据是真是假，它都发挥了作用。即使经检查，声称能促成完美配对的算法可能不起作用，人们还是会为约会服务付费。只要顾客支付科学服务费用（他们的确这么做了），科学真假与否又有何妨？

因此，无须从推理科学的意义方面辨别统计资料是否有效，或者出于社会工程的原因，是否变得有效。两个人通过交友网站见面就是一个社会工程的例子，因为双方都期待算法是有效的。人们适应信息系统的存在，无论这种适应是有意识还是无意识的，无论信息系统是否朝着人们期望的方向发展。信息系统中的科学变得无实际意义。

这是古代难题在现代的映射：判断一个国王是明智还是恐惧并非易事。当国王所预测的都成为现实时，任何一种解释都合理。

假设图书经销商把电子书传入计算机，用户点击后付费。在某种程度上，那是因为经销商有云软件，它带有系统有效的预测算法，事先就已正确地模仿了用户。也有可能是因为用户被告知算法有效，或用户的注意力已经通过专属计算机被独占。也许用户本来同样做好了准备，去买其他任一图书。判断哪个理由更重要并非易事。

工程师总相信这是由于软件的智慧。他们十分擅长自欺欺人，认为事实总是如此。在之前写的书中，我阐明了一点：仅凭经验，难以区分是人工智能还是人们通过自我调整使程序看似明智。

当“海妖服务器”的推销员相信它正在提供合乎科学的真实计算机服务时，相信它正分析并预测能够涵盖人类的事件时，事实上，它却只在证明它已积聚力量，还没有完成任何有意义的事情。

商业大数据的客观性测试偶尔揭示，云中城堡从未真实存在过。例如，从事广告销售的社会网络永无休止地自夸。销售人员吹嘘他们的系统能够准确模仿并锁定客户群，犹如他们是处于军事靶标十字准线位置的塔利班分子。然而，同样的服务如果用于检测用户是否未成年，则不能识破孩子们的骗术。

但是信息精密这个幻想仍然延续着。只要登录“海妖服务器”，你就能切身体会到能量膨胀那股甘甜的味道，那一刻，你会热情洋溢。由于在网络上拥有情报站，你就会拥有信息优势。这是我们这个时代的假象：你能够在不被戏弄的情况下参与游戏。

大数据的本质与直觉相违背

从过于简单化的角度来看，你在Facebook上确实有两个身份：你执念里的自己，以及隐藏在世界最深处的秘密，即与你有关的数据，它常被用来将接近你的通道卖给第三方，比如广告商。你永远不会看到关于你的第二类数据。

但无论如何，那并不意味着秘密版本的数据会被送到你眼前，供你检查。就它自身而言，它毫无意义。它与Facebook搜集的其他全球数据不可分割。考虑到目前我们处理事情的方式，最宝贵和最受保护的数据具有统计相关性，它们被用于算法中，但却是罕见的，或者极少有人能理解。

眉毛浓密、在秋季喜欢紫色菌类的人在春天很有可能在土豆泥上涂抹辣椒酱，这或许是个事实，它甚至有可能成为一个具有商业价值的事实，但永远不会有人下定决心明确揭示这种相关性，这是已得到证实的。相反，从理论上讲，辣椒酱贩卖商能自然而然地在某人面前讲述某种联系，增加它成为顾客目标的机会，但人们永远不需要知道为什么这样。(www.daowen.com)

大数据的商业相关性几乎永远是隐藏的；在程序中，它们仅仅是数学运算中的微型原子，为基于云的某类企业创造利润和能量。倘若某个特殊的意外关联被分离、连接和揭示，那么它有什么作用呢？不像科学数据中的原子，它并未扎根于一个整体框架中，处于隔离状态时，它未必有意义。

魔法带来的问题

大数据能够达到一种看似魔法的效果，它也能够将人引入歧途。这还不够清楚吗？领会魔法其实与领会自己所能理解的极限如出一辙。

当我们把相互关系误认为理解时，我们将付出沉重的代价。其中一个失败的例子便是21世纪初发生的一系列金融危机。正是因为相关性，才引发了大规模的一揽子投资，结果全部付诸流水，使世界陷入债务和经济萎缩。但是，金融家几乎没有受到指责，至少从某种程度上说是这样，因为此计划内容复杂，自动上升到如此高的程度。

自然有人会问，为什么人们仍经常毫不怀疑地使用商业大数据，甚至在它造成如此大的损失后。当然，答案就是：有时，大数据能够帮助人们在短期内以超级快的速度积累财富和影响力。

游戏开始

为什么商业大数据时常有缺陷呢？商业大数据的不可靠性是我们所有人都参与其中的集体项目。责怪集体意识吧！

一个服务器若想成为“海妖服务器”，最初它所访问的数据可能是可靠的，犹如它是一个隐形的观察者。但如果它获得足够的能力后成为一个真正的“海妖服务器”，所有的事情都会发生改变。一股操纵浪潮随之涌起，其所搜集的数据也变得不可信。

如果服务器是以评论为基础，则大多数评论会突然成为谎言。如果它是以想成名的人为基础，那么会突然之间涌现大量虚假奉承的人，鼓吹名气这一泡影。如果服务器试图鉴定哪些个体信誉最佳或最能确定年代，那么它则希望那些人的个人资料多半为伪造的。这样的泡影可能由聪明的第三方创建，他们试图获得一点儿利益，或者个体试图通过利用它们从网络中谋取一己私利。

不论何种情况，一旦“海妖服务器”被虚假数据蒙蔽，一场较量就开始了。“海妖服务器”雇用数学家和人工智能专家，利用纯逻辑学远程过滤谎言，但一方撒谎并不意味着另一方闷声不响。在伪造者的集体意识试图打败一些聪明的程序员的情况下，一场军备竞赛不可避免地继之而起，势力均衡日复一日地改变。

引人注目的并非人们在数字网络上继续玩以前总在玩的那套把戏，而是精明的企业家继续迷恋于幻影，即这回他们将是唯一一个参加游戏的人，殊不知其他人为了成为远距离观察者，将顺从他意，自愿被监视。事情永远不会这么简单。

踢球者

我一直担心网络消灭的工作比它创造的工作还多，因此，我热衷于商业冒险，它们或许能扭转这种趋势。众筹网站Kickstarter是一种相关尝试，它的原始动机是促使慈善事业变得更有效率，但在此我们关注它用何种方法为新企业提供资金。在打算做某件事情之前，企业家先从群众中募集资金，不过却是以一种与传统金融概念无关的方式进行。早期的支持者没有股权，但他们通常能得到一些实物产品，比如新产品的“第一个版本”。这个例子难道不足以说明网络如何以非传统的方式使非传统的创新者获得资金？还有什么不受欢迎的呢？

的确，我喜欢它。我的朋友基斯·麦克米伦（Keith McMillen）通过Kickstarter发明了一款新颖的音乐控制器，我尤其喜欢这一点。基斯是位久负盛名的乐器设计师，他构想出一款新的数字乐器，名为QuNeo。他未选择常规方式锁定投资者，而是使用Kickstarter直接锁定未来投资客户。客户们喜欢这个想法，QuNeo成为Kickstarter网站早期的成功案例之一。大批客户排队等候并不存在的产品，并预先支付，结果，他们同时成为虚假投资者和虚假客户。

Kickstarter作为资助产品开发的工具并不完美，它如果支持为多项目创造风险基金，为顾客提供保险和风险管理，它会更优秀。“海妖服务器”错误地认为，总会有其他人来承担风险，被忽略的风险永远不会回头来“咬”你。虽然如此，互联网还是使得资本主义的影响范围变得更广，这是多么令人愉快的事情呀！

但是等一下，事情不尽乐观。在QuNeo部件被运送至最早的接受者手中的当月，技术博客“小发明”宣布联合抵制Kickstarter。理由是Kickstarter上泛滥着低质量的创意，从如此之多的赝品和次品中挖掘极少数的真宝石是不切实际的。

这个例子说明，在很大程度上，前数字市场中的典型问题本该通过数字化设计加以解决。我们以一种假定的透明度构建目前的信息经济，结果发现根本无法实施。

我们所讨论的问题被称为“柠檬市场”，来源于闻名遐迩的论文标题。该论文帮助它的作者乔治·阿克洛夫（George Akerlof）获得了诺贝尔经济学奖。论文中的柠檬并非源于我们之前所说的柠檬水摊位，而是指待售的劣质二手车。本篇论文详述了泛滥的劣质二手车如何通过信息不对称机制破坏市场。

买家担心卖家所知道的二手车问题多于他们所透露的问题，这给市场带来了广泛的压力，阻碍了市场的发展，降低了市场效率。一个真正透明的数字市场可能降低此类退化的发生率，至少那是早年网络研究中（即“海妖服务器”问世之前）渺茫的希望。

事实上，一直以来，数字网络有助于减少有形二手车市场中的“柠檬恐惧”。比如，现在你可以获得关于汽车历史记录的即时信息。但是“海妖服务器”消除了那种改进。“海妖服务器”将风险辐射至每个人，除了它们自己，它们的这种需求产生了消极影响，使柠檬困境再次出现。

每个“QuNeo”为糟糕的项目提供掩护，而它们逐步破坏下一代“QuNeo”的发展前景。一个项目半途而废会发生何事？如果支持者没收到理应制成的制成品会怎样？有任何求偿权吗？创新中心真的能使自己远离风险吗？

Kickstarter已经对此进行了试验，通过改变规则减少项目支持者承担的风险，例如，发明者曾一度被禁止展示成品样貌的真实感图形，因为支持者常常认为一个项目离成功仅一步之遥，而该规则可能降低这种风险。即使此规则达到了预期的效果，还是不承认发明者有能力展示其打算创造的产品的图片，这难道不荒唐可笑吗？但这就是“海妖服务器”必须采取的战略，以此保持一种正常的、免受风险的存在状态。以下是来自Kickstarter关于政策的问题和答案：

Kickstarter将如何判断某物是模仿品或绘画品（……而不是实体原型的照片呢）？

我们可能不知道。我们只是快速查看，以此确定项目符合我们的指导方针。

我希望看到Kickstarter壮大规模，超过亚马逊，因为它体现出经济增长总体存在的一种更基本的机制。它并非仅仅使价格降低，而是使消费者先验地赞助创新事业。但亚马逊在此类的范围内，将不可避免地出现更大一波的诈骗犯、骗子和身份不明人士，这些都急需处理。

在Kickstarter，一些惊人的成功案例相继出现，同时也出现大批失败和令人费解的建议。随着规模壮大，或许这个网站会进入与骗子、身份不明人士无止境的游戏中，使自己成为不相关人士。或许，它会采取群众投票或自动过滤的方式阻止无稽之谈，不料那无稽之谈聪明机智，乐意越过层层关卡获得认可。又或许，使用Kickstarter将变得更加昂贵，不那么纯“民主”，因为编辑者要过滤掉无用的建议。或许它会认识到，至少要承担一点儿风险才会获得利益。无论发生什么，成功都取决于找到不完美但又能存活下来的中间点。

我们困惑的本质

那些家喻户晓的成功型网络公司最后总是被时下的骗子戏弄。“内容农场”肆无忌惮，在网络上胡言乱语，企图在谷歌搜索结果中高居榜首。汇集主流媒体公司的博客被鼓励用关键词和短语为其写作增添趣味，这并不是为了吸引人们的注意力，而是为了使谷歌算法引人注目。

值得赞扬的是，谷歌公司已加入这场与入侵者的斗争，该战斗永远不会结束。当谷歌测试人们并发现结果与获得财富和势力的人有关时，人们并不像对待流感病毒一样举手无措，等待不公平的评价，相反，他们加入了游戏。

附有评语的网站充斥着假评语。当教育的发展由大数据推动时，不仅老师要应试而教，而且会出现大范围的作弊。

令人再三感到奇怪的是，计算机科学家和技术企业家总是对这种形式的转变感到震惊。我们这些与网络打交道的人宁愿被动地等待世界为我们所掌控，然而事实永远不是这样。

我们的核心错觉是把大数据想象成一种物质，像等待开采的自然资源。我们惯常用“数据开采”这类词语加深这种错觉。有些数据的确如此，科学大数据，比如关于星系形成、天气、流感暴发的数据可以像黄金一样被搜集、开采，前提是你要努力工作。

但是，关于人类的大数据则与众不同。它不会坐在那儿，它会与你对抗。它不同于透过显微镜观察到的图像，而更像是一个棋盘。

一个经典的光错觉可能有助于我们的理解，见图9－1。

图9－1

图9－1是著名的人物/背景错觉，丹麦心理学家埃德加·鲁宾（Edgar Rubin）于1915年将它推广。图中的轮廓可以被同等地看作一个高脚杯或两张脸庞。没有哪种说法更好。（此次我用的是亚当·斯密的脸。）

同样，人类创造的云信息既可以被理解成有价值的资源，就像一个金制的花瓶，或许你能够夺走它，也可以被理解成大量的人类行为，大部分是关于你的信息。从公正、抽象的角度来看，两种认知都是合理的。

图9－2

然而，如果你有兴趣加入游戏，首先你可以凭兴趣来理解那些脸庞。

这是本书所陈述的另一个核心理念，即往最好处想，关于人类的数据体现的是伪装的人类，它们常取决于具体事情。

天真之巅峰

专心的读者会注意到，在我讽刺人类大数据这个幻想时，观点在不断地重复。有时，我的写作仿佛从一般人的角度抱怨自己在大数据游戏中被分析，被当成一枚棋子。有时，我的写作犹如在玩一个大数据游戏，为我的游戏是如何被破坏而感到烦恼，因为许多人在同我对抗。

无人可预先知晓数字网络体系和经济学将如何相互作用。与反派角色的故事相反，我看到的是技术人员和企业家的故事，他们是先驱，要求我们从他们的结果中获得教益。

我的观点并不是我们应该对抗权威，而是应采用一种更好的方式构思信息经济，这对大多数人来说更好，其中包括那些计划实现丰功伟绩和拥有雄心壮志的人。因此，我同时从一流的大人物和更典型的人物这两个角度出发，在此进行论证，因为任何一种解决方案都必须从两个角度出发。

在我们的时代，人类大数据（即那花瓶形状的间隙）决定着影响力和势力。金融不再是对金融家进行个案判断，而是他们如何擅长锁定最优秀的大数据科学家和技术人员，将他们占为己有。政治家将目光对准选民，选民们将类似的算法用于那些对他人进行评估以获得贷款和保险的人。这个名单可一直列下去。

随着技术的进步，“海妖服务器”将逐渐成为人们争取财富和权力的目标，因为它们是这一连串事物中唯一不会被商品化的环节。按目前的趋势发展下去，你将能够拥有信息优先权，就像守旧的男爵拥有可以争夺土地和自然资源的权力一样。有朝一日，新的能源循环将降低石油对于地缘政治的重要性，但是，管理新型能源的信息系统能够轻易成为一座牢不可破的城堡。虚无缥缈的金制花瓶将变得越来越珍贵。

【注释】

[1]硅谷就像发条装置一样，顺利获得成功。在以上文字写就后一年，一个叫作“夜店寻美女”的应用程序首次亮相于旧金山的酒吧。“SceneTap”采用摄像机和机器视觉代替人们自动提供的信息。我没有调查这项创新是否出自于同批学生之手。

[2]曾几何时，在数字这片汪洋中，似乎隐藏着一种统计效应，它显示中微子的运行速度大于光速。这一幻想克服重重磨难，一度风靡，最终于数月之后销声匿迹。

[3]功能磁共振成像或功能性核磁共振成像是常见的核磁共振成像扫描仪的高功率版本。功能磁共振成像经常用于检测大脑血流，以此查看每时每刻大脑中哪部分最活跃。