大資料的未來：機器人的世界，還是人類的機器世界？

人類從未對自己的認知能力滿意過。 也正因為此，過目不忘，一目十行，上知天文下知地理，一直被看做是人類進階版本的一個典範。

電腦早就做到了這一點。

最近，在阿裡巴巴的資料開放日中，我會面了數位資料科學家。 當他們描述大資料未來能力的時候，我就會想到人類的局限。 認知科學的未來，必然是電腦與人類的完美結合。 但是，這個結合，應該是什麼樣的？

資料越來越多，而人類的解讀能力是固定的，人會累，會無法完全理性。 但是電腦不會。 電腦可以説明人類找到自己的盲點。 IBM Watson實驗室的首席工程師Bowen Zhou告訴我，在Watson的醫療專案中，人類要閱讀十年的論文，電腦只需要30分鐘就可以讀完。 曾任職Axciom的徐玲告訴我，在非常早期的時候，美國兩個很大的圖書館，以及梵蒂岡圖書館的資料化已經完成了。

這兩件事都指向一個結論：當我們找到的科技能力，正好能彌補人類的缺點，這之間隱藏著巨大的價值。 實現的關鍵在於資料化。 資料化讓電腦和人類得以溝通和結合。

記憶力一直不是人類最關鍵的東西，甚至說，是最薄弱的一環。 邏輯，才是人類的認知關鍵，邏輯的產生源于經驗的積累和推演。 如果電腦能夠説明人類獲取更多的經驗，將有助於更強大邏輯的產生。

我曾經非常喜歡Evernote這個應用軟體。 它可以記錄我所有片段的思考，同時收藏資料和文章。 如果有一天，這個軟體可以通過「機器學習」我的記錄文檔，向我推薦值得閱讀的資料，説明我瞬間搜索資訊，提煉觀點，是否將會改變人類的認知習慣？

未來有可能實現麼？ 至少眼下，我們已經看到了一些進展，資料正在説明我們看到盲點。 我總結了資料開放日中各路英雄的核心觀點，希望能夠對你有所啟發。

NO 1 認知科學可能是未來很關鍵的能力

未來資料的價值不在於多少，而在於你是否有提煉的能力。 Watson正在推進的健康專案中，電腦能夠做到通過大資料來判斷未來治療的癌症方向，並且就此判斷更為精准的治療方法。

以往我們是怎麼做的呢？ 我們成千上萬的醫療專家，通過閱讀和研究大量的文獻、實驗和試錯，推演出可能的方向。 這需要消耗十年，甚至更長的時間。 而電腦只需要三十分鐘就可以閱讀完所有的相關文獻，迅速判斷有用資訊。 這是用認知科學來節省人類在醫療方面的時間和精力。

NO 2 紅酒與壽司：整合「即時資料」與「歷史資料」

將「即時資料」與「歷史資料」整合已經成為了業界共識。 徐玲這樣比喻說，「歷史資料」如同紅酒，越陳越好。 「即時資料」如同壽司，越新鮮越好，兩者搭配，乃是絕妙。

而今我們對資料的處理上，也需要面對「即時資料」和「歷史資料」結合的問題。 舉個例子，如果你在淘寶搜索茶葉，推薦系統應該從歷史資料中推薦各式茶葉，還是應該結合當前你的購物車資料，推薦更適合你的偏好品牌？

資料的結合並不容易，不僅要求不同資料的格式和標準統一化，更要求對於歷史資料與新資料結合後所產生對當下的理解和認知。

「就像是開飛機，我們通過歷史資料來判斷航道，但當時的風和氣候都很重要對駕駛有影響。 即時資料越對你敏感，就價值越高。 最終你通過設定預期軌跡和即時調整，獲得了最安全高效省錢的結果。 即時和歷史資料的結合意味著更好的計畫和更快的反應。 」

NO3 大資料也需要人的互補

Aaron Ling是Ancestry公司的總工程師，他在論壇上畫了一個巨大的家族譜系圖。 這就是他正在做的專案，用大資料來清晰美國的家族圖譜。 人們通過網站查閱相關的家族譜系，然後通過UGC的方式給出修改或者添加資料。 這個模式將可能會對未來的醫療以及社會研究產生巨大的影響。

這個專案證明了大資料推演出的結果有時候也需要人的互補。 因為經過人的資訊互動，才有可能產生超出于人類的東西。 人的互動可以讓大資料變得更靈活，更實在。

在實際操作中，我們可能會遇到這樣的情況：儘管你擁有很多資料，但是你還是無法獲得某個人的完整網路行為資訊。 所以我們需要用一些演算法把這個「資料漏洞」填住。 來自Samsung的演講嘉賓Junlin Hu這樣形容這種困惑：「如果我們把人看做一個個的列，你會發現每個人其實沒買多少東西，大部分商品和人之間的連接是空白的。 」

也因此，當我們在使用資料的時候，會發現大資料中有很多的漏洞，資料多而稀決。

在這種情況下，我們只能用演算法解決，或者用「人為操作」的方式解決。

NO 4 到底未來是AI世界，還是IA世界

IBM 沃森實驗室的技術負責人Bowen Zhou在會議中提到了一個概念，從AI到IA的轉移。 一直以來，IBM致力於創造能夠媲美人類智力的機器人，比如「深藍」，比如「沃森」。 而現在，他們認為以人類為中心，強大協助工具的電腦可能更有市場。

AI與IA的區別在於，前者以計算為中心，後者以人類為中心。 就是說未來是「機器人的世界」，還是「人類的機器世界」？ 佔據主導地位的是會思考的機器人，還是輔助人類的機器？

未來的谷歌眼鏡，可能可以讓我們看到很遠，立即回饋三百公里以外的資訊，但是他不是機器人。

又或者人可以擁有強大的機械手，很厲害的汽車、飛機。 但是他們以人類而不是以機器為中心。 這兩者的區別，是值得思考的。

或者，我們可以這樣問自己一個問題：我們追求的是自動化還是智慧化？

編者按，本次文章的觀點總結者是：

車品覺：中國資訊協會大資料分會副會長

文章內涉及的幾位專家，依次為

Bowen Zhou：IBM Watson實驗室的首席工程師，在統計機器翻譯（Statistical Machine Translation,SMT）領域有深厚積澱；

徐玲（Elizabeth Xu）：曾任職Acxiom集團副總裁，是經驗豐富的成熟的管理者；

Aaron Ling：Ancestry公司總工程師（Senior Director of Engineering ）；

Junlin Hu：Samsung公司的資料總監（director of data mining）。

(責任編輯：mengyishan)