
大数据时代,谁还需要公知
原本发迹于互联网的“意见领袖”、“公知”与各类“专家”、“学者”一步步走向穷途末路,短短十年不到,从“万众瞩目”沦落到“声名狼藉”的不在少数,更多的是跳两年就销声匿迹了。很多人觉得这是“专家”、“公知”们水平、素质太差造成的,其实,这是一个很大的误解。
现在活跃于网络上的专家学者与公知们,无论从知识面还是见解上,都不比以往任何时代的同类们差多少,不幸的是,他们生活在知识大爆炸的互联网时代,且进入到前所未有的大数据时代。他们没有与时俱进,或者根本没法与时俱进。
我理解的“大数据”时代,就是一切东西都能变成数字,通过机器与云计算,把这些数字变成数据,人们越来越倾向利用所有的数据,而不是一小部分数据来认识世界、预测未来。这一变化,使得传统意义上的“专家”不得不让位给会操作电脑的计算师、统计师与数据分析师。简而言之,传统意义上的“专家”就是通过自己掌握的知识,通过对尽量多案例的收集与分析,总结出普遍规律,从而利用这个普遍规律去解决更多个体案例的问题,指导当下、预测未来。
问题是在大数据时代,人们已经不再依赖对少数案例的分析总结规律,找出因果,科技的发展完全可以通过对大量(甚至全部)的数据收集和分析,得出更准确的结论。例如,你今天病了,咳嗽、发烧、喉咙疼,你去看医生,他根据你的三个症状得出了结论:感冒。
他怎么得出结论的?因为医药书上对有这三个症状的人的跟踪研究显示,百分之九十几的这类人,都是得了感冒。但“大数据”时代有更简单的办法:通过对全球有这三个症状的人的全部统计(在电脑计算如此发达的时代,如果得到医疗部门的支持,可能只需要几个小时吧),不难得出更准确的结论:百分之九十九点XXXX的人是得了感冒,其中百分之0.XXX的人为此而死亡。如果把这个数据进一步分类,更细化且找到他们使用过的药物,你下次感冒了,恐怕就不一定要去挂号、排队看医生吧,不如直接去一个配备了一台载有大数据资料库的药房。
实际上,医学上的“大数据”早就在实行了,记得二十多年前,一位领导人的各项医学数据就是密封后拿到美国去“确诊”的。当时美国有世界上最完整的医疗数据,中国还没有建立起来。有了这样的医学数据,一位患者的所有身体数据只要输入大数据库后,基本上可以百分之百的确诊。可惜这样的医学大数据至今还没有使用在普通患者身上,否则,就不会有误诊,世界上每年估计至少少死上百万患者。
我再举个例子,一位“婚姻咨询专家”(以及古代的“媒婆”)通过自己的经验和观察,大致可以判断出某对男女是否适合生活在一起,某种状况下的夫妻是否可以保持婚姻白头到老,大家都相信Ta的经验和判断,Ta于是就成了婚姻咨询专家了。可是,Ta的经验是从哪里来的?是否全面?有没有比他更靠谱的分析方法?
在大数据时代,有一个更简单有效的办法,足足可让所有的婚姻专家变成“砖家”:通过对全球男女恋人成功率的统计,以及离婚夫妻状态的统计,得出哪些人可以生活在一起,具有哪些特征夫妻大概七年左右就会离婚等等。在大数据时代,如果得到婚姻登记处与民政部门、NGO的协助,这样的数据库并不难建立起来。虽然总有特例,但通过对全球婚姻数据库搜索后得出的结论,恐怕是八九不离十吧?
如此大范围的对数据的收集、统计与归类,在历史上任何时代都是不可思议的。当时没有可以完成云计算的电脑,全部人类加在一起,也无法完成现在计算机可以独立完成的计算,所以在历史上,我们需要熟悉普遍规律、懂得逻辑、精通因果关系经验丰富的专家们为我们排忧解难。
可到了“大数据”时代,这些“专家”如果意识不到时代不同了,就往往容易沦为“砖家”。这并非他们做得不够好,而是对数据的利用,对各种数据的计算方式都发生了革命性的变化。
“公知”与“意见领袖”同样遭到时代带来的困境。我举个自己的例子,我走过一百多个国家,还在多个国家定居过,如果是在古代,我去写游记之类的,即便不是徐霞客,也能混个马可波罗当当吧?即便在当今,恐怕也没几个年轻人有我这样的经历。
但实际上,我根本不敢写游记,因为我写任何一个地方,都有至少几百个中国网友去过(且比我观察得更仔细),更不用说那个地方的居民还能在几个小时之内看到我的“游记”,在我的字里行间进行检查与百般挑剔。如果马可波罗与徐霞客活在今天,他们的文字会立马淹没在大数据里。
“意见领袖”在互联网兴起的前几年与博客、微博刚刚出现的时候可以做到呼风唤雨,盛极一时,主要是因为他们比较聪明,能够抓住这些新科技的特点,新瓶装旧酒,加上网民与大众一时还没回过神来。过了几年回头看,你就会发现,有几个“意见领袖”在过去十年里真正推出一条真正属于他们的意见?包括那些段子有笑话,有几条不是从人类已有的幽默笑话中改头换面山寨过来的?
我以前说过,我的任何一篇,如果没有一个新的观点或者一两句独特的句子与语录,我是不会下笔的,可现在呢?我可不敢说了,垂手可得的海量信息,任何人都只不过是沧海一粟而已。每次演讲,我讲到得意之处,就常常提醒自己坐在下面正在玩手机的孩子们,他们可随时会百度甚至谷歌我刚才的“名言”,从而有可能发现我其实是从人家的名言改编而来的。
对于网上活跃的“专家”,意见领袖与公知来说,成也互联网、败也互联网。互联网刚刚出现时,几乎成了名利场,最早从一篇博文可以一夜出名、扭动一下屁股可以粉丝上百万、讲几个段子就变成思想者,到后来甚至一条微博就可以让你立马被几百万人记住名字,这一切都让鲁迅、胡适那些写了一辈子的文人墨客羡慕嫉妒恨。
当然,好景不长。当网民都回过神来,当科技进一步发展,当“大数据”的威力逐渐发挥出来之后,一夜成名的互联网又变得可以在一天之内把任何一个不知天高地厚的家伙抛到九霄云外的地步。
在信息如此多样与日渐公开的时代,那些还靠所在单位的光环和几本书本知识以及两本可疑的文凭来充当“专家”的学者们,转眼之间就成了“砖家”,遭人嘲笑;那些平时放松学习、停止获得新知识却还总想指点江山的“意见领袖”注定会被抛弃;而那些还幻想这是一个传统媒体时代的知识份子们,则会让“公知”越来越成为负面的词汇。
“意见领袖”、“公知”与各类“专家”只不过是“大数据”时代的第一批“受害者”而已,“大数据”时代对政治、经济与社会的影响还远没有展开。总体来说,“大数据”就是大公开、大透明、大民主的时代,只要“数据”不是掌握在少数人手里(或政府手里),迟早会发挥我们想象不到的威力。从这个意义上说,那些宣称要启蒙民众、引领社会的“意见领袖”、“公知”与各类“专家”难道不应该为自己的“失败”而高兴?“大数据”有可能完成千百代知识分子与专家们想做而无法做成的事。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25