京公网安备 11010802034615号
经营许可证编号:京B2-20210330
科技大数据 哲学新思维
“数字生活”中,我们接收更多数据,也制造了更多数据。大家都在思考:大数据究竟会对我们的生活产生何种影响?
大数据,通常用来形容人们创造的大量结构化和非结构化数据,其特点是4“V”,即,数据体量巨大;类型繁多,如网络日志、视频、图片、地理位置信息等等;处理速度快;蕴含着巨大的价值潜力。这种变化不只是科学上的,“大数据浪潮”还引发了思维模式和发展模式的改变——这让哲学家们认识到:必须认识其数理哲学基础。
对数据的认识史就是人类的发展史
人类的生存、发展方式可以归结为:获取信息,处理信息,而这就是智力。智力的进步,归根结底就是信息技术的进步。
人类历史上经历过三次信息革命:语言的创造——文字的创造——电信通讯的创造。
语言让人认识世界,建立相互关系;但其限制和缺点是无法突破个体的时空界限。文字的出现实现了人类思想的远距离和世代相袭传递,人类联合因此扩大;它虽然突破了空间上的限制,但需要耗费太长的时间。电信通讯的创造突破了空间的限制,为电子计算机与互联网创造奠定了基础。
电子计算机与互联网的创造,是一次伟大而空前的大综合,其特点是:所有信息全部归结为数据表达形式——0和1。只要有了0和1,加上逻辑关系,就可以构成全部世界。而世界本来就是这样构成的,已经出现的读脑机、脑电波指挥的电脑、智能机器人和人脑插入的芯片等等,都说明大脑的认知方式与世界事物同构。
大数据的出现促使我们认识到,人类的认识和实践,就是一部数据搜索、处理、挖掘和创新的历史。大数据方法揭示了因果关系是常规性的,终极的关系应从事物之间的相关性、同构性中寻找。数据反映的是具有同构关系的两个序列的关系信息,一个对象的运动轨迹,通过另一个序列的载体编码来表达。认识者获得的不是对象本身的绝对映像,而是离开了对象,从对象中抽象出来的、关于对象运动轨迹的数据。从这一角度看,同构关系是大数据的数理哲学基础。
人工智能可能超越人类
依据对象之间数据关系来认识世界,这一方法可靠吗?以往人类在对自己认识能力的反思中,已经多次提出疑议。人类每一次宣告自己是绝对真理的全称判断,如“所有的天鹅都是白的”,总是被一个小小“黑天鹅”单个事件推翻。“黑天鹅”的存在寓意着不可预测的重大稀有事件,它在意料之外,却又改变一切。因此,不能把科学知识看做是对客观世界的终极反映,它只是人们用理性构建的认识对象的模型。
大数据更像是一种连续不断的论证和数据流。这使让人们意识到,知识永远不会被完全确定,永远不会终止。
大数据的出现或许让人工智能超越人类成为可能。在图灵测试中,通过测试的机器人是否真的有自己的思想?反对者认为“智能和思想是两回事”。但是,如果在图灵测试中换上小孩,那么问题变成:对于刚出生的小孩,智能从什么时候开始?实验证明:小孩的自我意识始于大量的条件反射刺激(巴甫洛夫条件反射),仅仅是无数次的重复刺激成为坚定的信念基础,以至于形成信仰,相信这是不证自明的公理。事实上,大数据已经说明:思维的模型与世界的模型的同构关系已经真实地被把握了。
根据大数据的同构关系,我们将重新定义知识:人的知识也是一个有限量。从这个定义出发,人工智能可以超越人类——只要人工智能是动态的、可以发展的,就可以学习并超过人类。具有自我学习能力的机器人可以超过关键的“奇点”,只要通过证实的概率增加,给人工智能一个信仰或公理,人工智能技术将可以超越其制造者——人类本身。
将带来的发展模式革命
知识是不断递增的。摩尔定律揭示了大数据增长的速度。这是一场革命,是一场改变我们的思维、决策方式和发展方式的新的科学技术革命和产业革命,是一场影响世界和人类文明发展的革命。
与以往科技革命和工业革命相比,大数据的冲击力有三方面:
一是以无限增长突破有限增长。传统经济社会发展方式是有限的,因为物资财富和资产是有限的,是会枯竭的。例如现在使用煤,仅供开采160年,使用石油,仅供40年。但是大数据的增长却是源源不断的、递增的、无限的。
二是以效益递增突破效益递减。传统社会发展方式是高成本、低效益的,效益递减的。但是大数据时代的发展方式却是低成本、高效率、快速度的,效益是递增的。
三是和谐共赢发展突破了对立的、矛盾的发展。传统的发展是零和博弈似的、马太效应的:你有我就没有,你多我就少,富者越富穷者越穷。从某种程度上导致了人们互相争吵,世界不得安宁。现在,大数据时代的发展却是和谐的、合作共赢的。因为数据财富和资产可以复制、递增、共享。当然,关键还要看人的素质,因此要发展科教事业,提高人们素质。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13