1701071130
人类2.0：在硅谷探索科技未来 大数据篇
1701071131
1701071132
万物都是一面镜子，
1701071133
1701071134
物体之间彼此反射。
1701071135
1701071136
每个念头，
1701071137
1701071138
每个行为亦如是。
1701071139
1701071140
现实之下是一个不停旋转的，
1701071141
1701071142
满是镜子的大厅，
1701071143
1701071144
存在就是某事的镜像而已，
1701071145
1701071146
存在就是万事万物的镜像而已。
1701071147
1701071148
——皮埃罗
1701071149
1701071150
1701071151
1701071152
1701071154
人类2.0：在硅谷探索科技未来 寻找大数据领域“杀手级”应用
1701071155
1701071156
要解决大的问题，仍然需要一种跨学科的方法，需要一种不仅仅只有“数据分析”的应用。中国唐宋时期的思维方法毫不过时，如今中国在大数据时代寻求一种全新的“大数据思维”时不妨回溯历史，重新发现自己独有的处理复杂社会问题的方法。
1701071157
1701071158
“杀手级”应用还未出现
1701071159
1701071160
全球范围内都在掀起一股大数据应用的热潮。如今的硅谷应该被重新命名为“数据谷”。权威机构预测，到2020年将存在200亿～300亿个网络连接装置，这意味着我们每年都会产生比之前20万年还多的数据。在硅谷，人们将数据称为新的“石油”，石油可以产出汽油和电力，而“数据石油”一旦提炼出来，将会产生无人驾驶汽车［运用GPS（全球定位系统）数据和交通数据］、无人机、可穿戴设备等。石油和数据之间的不同在于，石油的产品无法再产出更多石油，而数据的产品（无人驾驶汽车、无人机和可穿戴设备等）能产出更多的数据。
1701071161
1701071162
然而，颇令人失望的是，我们并不知道该拿这些正在“大爆炸”的数据怎么办。大多数情况下我们会做“数据分析”，但数据分析至少从20世纪60年代就开始了，这有什么新鲜呢？不过是通过对数据的分析试图发现事物之间隐藏的规律性或潜在的问题，然后优化整个流程，最终赚更多的钱而已。
1701071163
1701071164
让人汗颜的是，自计算机问世以来，数据分析最主要的应用还是使大公司利润最大化。比如，大家提到大数据最有名的应用案例时都会提到亚马逊和阿里巴巴的“推荐引擎”，即通过分析其他消费者的数据来建议你该买什么；再比如，被频繁提到的关于大数据的故事还有美国最大零售连锁店之一的塔吉特（Target），它让一个父亲意外地发现自己还是高中生的女儿怀孕了，这曾一度让大数据声名显赫。事实上，塔吉特的算法识别购买系统特别关注准妈妈们，唯一的原因就是想要给她们推送特别促销广告，这难道就是我们能用大数据对孕妇做的所有事情？
1701071165
1701071166
如今中国很多中小企业也在积极构建自己的大数据系统，比如服装企业用数据分析实现个性化生产和销售，比如制造水杯的企业考虑将杯子内置传感器，再增加一个APP（计算机应用程序），将其变成智能水杯。
1701071167
1701071168
但这些商家用数据分析也只是为了销售更多的产品，或者用来决定到底该发布哪种广告。这就是我们能用海量数据做的所有事情？未免太有限了吧？可以说，大数据真正的“杀手级”应用还没有被发明出来。
1701071169
1701071170
我们先来看下大数据的现状。谁在产生大部分数据？机器。又是谁在阅读大数据？不管你相信与否，网上大约30%的“读者”都是机器人而非人类，甚至连大多数世界新闻都是被机器人阅读的。
1701071171
1701071172
未来，数据的主要读者将是机器人。大数据世界的真实图景是：机器产生数据，机器阅读数据，并构造一个以机器为中心的数据世界。这也是为什么迄今为止大数据唯一有用的应用是数据分析，因为机器最擅长数学和统计，却不擅长理解人类世界。我们还没有大数据领域真正伟大的“杀手级”应用，正是因为是机器，而非人类在“阅读”这些数据。
1701071173
1701071174
大数据时代需要的不仅是“数据分析”
1701071175
1701071176
最近几年来，很多制造业企业纷纷建立了智能工厂，由于机器与机器的连接产生并收集了大量的数据，但到底能用这些数据做什么，到底如何挖掘数据的价值还让很多人困惑。很多人还是寄希望于数据分析，认为足够精巧的数据分析应该可以带来很大改变。
1701071177
1701071178
确实，大数据时代必然要求数据分析能力不断提高。如今，在很多大学，计算和统计方法、可视化分析方法等都在不断改善和提升。但这些复杂的方法只是为了达到一个简单的目的，即让快速计算变得更廉价，因为大数据分析通常费用昂贵。
[
上一页 ]
[ :1.701071129e+09 ]
[
下一页 ]