“大数据自动挖掘”才是现在这些大数据的真正意义

“大数据自动挖掘”才是现在这些大数据的真正意义

现在大数据火得不行，几乎人人都在说大数据，但到底什么是大数据，恐怕没有多少人知道，鱼目混珠的人太多。

大数据不是指很多很多数据。

所以不是存储了很多数据就是在搞大数据了，因为“大数据”只是个简称，说全一点应是“大数据挖掘”，没经过挖掘的大数据只是没有开采出来的原油，一点用处都没有。

大数据也不是指一般意义上的数据挖掘。

有很多人以前是搞数据分析或数据挖掘的，当《大数据时代》这本书一问世、大数据开始火的时候，他们摇身一变就成了搞大数据的专家了。如果真是这样，就根本没必要提大数据这事儿，因为它本来就一直存在着，只不过换个说法。就好像我们没必要今天突然提出个说法“饮H2O”来代替“喝水”。嗯，对，那叫玩概念。

“大数据挖掘”其实还没有说全，再说完整点，应该是“大数据自动挖掘”。

以前的数据分析或挖掘，是指人通过数据去进行分析，挖掘出一些规律性的东西以供以后使用。

但面对大数据，由于不光是数据量太大，而且往往包括数据的维度也很多，人已不可能去处理这样海量的数据，甚至是如何处理都不知道，这时必须用电脑来自动处理，挖掘出数据中的规律。

但是目前电脑还不能像人那样进行严密、复杂的逻辑思维，因此它们也无法用我们人的思维模式去分析数据，人可能只要较少的数据就能分析出其中的规律，数据多了反而没有办法，所以我们人类都是采用抽样分析。

电脑则正好相反，无法根据少量数据去分析出规律，但它有一个优势，那就是运算速度非常快，因此有可能处理海量数据以后找出其中的规律。

由于电脑还不能进行复杂的逻辑思维，所以它的处理方法很简单，就是进行简单的统计运算，也就是“硬算”，统计出在什么情况会出什么样的结果，然后当类似的情况再出现时，它就会告诉我们可能会出现某种结果了。

由这里也可看大数据的另一个特点，即大数据主要是进行预测，告诉你未来将会出现什么样的结果。而不是只分析出过去的走势和现状，未来还是要由人去判断。

为什么这种简单的方法会有效呢？这就回到“大数据”这个词上来了，那就是因为数据量非常大，统计出来的结果就往往是正确的。

大家一定都知道这个例子，扔硬币来统计正、反面出现的机率，如果只扔10次，也许正面出现9次，以此来得出结论肯定是错的；但如果你扔10万次、100万次，甚至更多，那你统计出来的结果基本是正确的，正、反面出现的机率一定是各50%。

是的，大数据自动挖掘就是依据这一原理。

这里没有严密的因果分析，不是通过数据分析出原因再推导出结果；而是通过统计知道有这样的情况，一般就会有这样的结果，也即现象与结果的相关性。所以大数据就有一个显著的特点，只关心相关性，不关心因果；用更通俗的话说就是“只知道结果，不知道原因”。

这实际是人们根据电脑的优势，找出了一个全新的数据分析、挖掘方式，与传统的方式完全不同，所以传统那些搞数据分析或挖掘的专家并不能称作为搞大数据的。

不过你一定要小心，冷不防你就会碰上一个这样的专家，他们甚至可能是来自某名牌大学的知名教授之类。进到书店你也会看到许多讲大数据的书，封面无一例外都有很大的“大数据”三个字，但其实都是在讲传统、人工的数据分析方式，和大数据一点边都不沾。当然，这里不包括《大数据时代》这本书。

另外，传统搞神经网络、深度学习等人工智能的，也基本不算大数据，因为这里面还是很多人为因素，包括建模型、对程序进行训练等，这里人仍需要对所分析的业务逻辑非常熟悉才能做，目前这种方法也难以达到实用的效果。而大数据只是让电脑根据一些简单却巧妙的算法，去进行大量数据的统计，找出连人都想不到的规律。大数据在这里基本是与业务逻辑无关的，人不需要知道这是什么业务，比如分析移动互联网行业的数据，他不需要知道这个行业的来龙去脉、当前状况等，他只需要对大量历史数据进行统计，就能够找出其未来的走势。

说到这，你一定很想问，那就找不到一个真正搞大数据的了？

先来讲个小故事：

80年代有俩计算机呆子在IBM做翻译系统。当时的砖家都在探索语言之间的内在联系，语法、句法神马的。俩呆子路数不同，他们把能找到的各种语言相对应的文献全部做成数据，旁人批评“这种计算机蛮力不算科学”，后来他俩被一个对冲基金老板招走了。现这俩呆子是复兴科技co-CEO，老板是Jim Simons。

复兴科技co-CEO每位年收入大概是1亿美元，比华尔街各大行CEO的年收入要高一些，关键是这两位几乎名不见经传。他们老板James Simons比较有名，是位数学家，跟陈省身一起写过定理，跟杨振宁是同事，年收入超过10亿美元，现在退休做慈善。清华有Chern-Simons楼，是杨振宁拉Simons掏钱修的。

在金融投资领域，只关注相关性、不关注因果的对冲基金做得很好（复兴科技，DE Shaw），但金融理论基础深厚、大数据分析能力欠佳的公司却没有类似的业绩，MIT金融学家罗闻全坦言不明白复兴科技在干什么。
喂，说你呢，别老盯着人家年收入1亿美元。

这里关键的是很多人批评“这种计算机蛮力不算科学”（这些人肯定都是砖家，否则估计也没资格批评），还有就是金融学家们完全不明白他们在干什么。

这说明了什么？说明了在国外发达国家赞成这种方式的人很少，知道怎么用这种方式的人就更少了，那么各位可以想像下在中国能有多少人知道这种方法该怎么做。

在中国，如果谁用这种非主流的野路子做事，别说评专家、教授了，更别说什么收入上亿了，你估计不被饿死的机率有多大。

反正笔者知道一个家伙，从2000年开始，就像美国那两个呆子，用这种“不科学的蛮力的硬算方法”进行语义相关度分析，做的事与那两个呆子搞的翻译系统异曲同工，都是有关语言的。可以说他在这方面做出了突破性成果，然而他写的成果文档，博士、专家们看都不看。他现在也就在一家小公司做一份普通IT工作，勉强维持温饱，曾经好长一段时间找不到合适工作，差点去洗碗、当保安。

也许有人要问了，搞语言方面的去搞数字，这靠谱吗？用大数据的思路，你别管原因，那两个复兴科技的呆子已经告诉你结果了。

非要知道原因，也可以跟你说说：

其实语言比数字复杂太多了，举个简单的例子吧：1和2，电脑天然就知道它们的关系，知道哪个大、哪个小，以及大多少；但是“人”和“大”，电脑怎么知道这二者有什么关系，要知道也行，传统的方法就是进行很多人工注解（专业叫词性标注）。要让电脑自己通过数据挖掘来知道文字的意义和相关性，甚至连基本的词库都不给电脑，而让它自己去建，那实在太难了点，简直就是匪夷所思，然而那个家伙做到了。

也就是说在大数据方面，语言处理与数字相比，难度绝对不是一、两个数量级的差别，因此能做语言的，做数字就很简单了。在有就还是大数据的特点，大数据是不管你什么样的数据，它就是找出相关性，所以文字和数字并没有太大区别。

前段时间那家伙碰到有人提出一个行业趋势分析的问题，他说只用一个小时就想出了算法，只要把大量数据拿来就能出结果，但是在中国没人敢相信他。

好了，有点跑题，不好意思。不过你现在知道什么是真正的“大数据”了吧。首先记得大数据是用来进行预测的，即直接告诉你未来的结果，另外就是牢牢记住7个字“大数据自动挖掘”，那就谁也忽悠不了你了。