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
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
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25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