
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
用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03